对基于深度学习的指数进行评估,以预测船舶螺旋-船体退化情况

科学领域:

• 海事工程是海事工程.
• 人工智能的人工智能
• 预测性维护是指预测性维护.

背景情况:

• 由于腐蚀性环境和污染,海军船只面临着巨大的螺旋体退化.
• 优化螺旋船体性能需要创新的解决方案来评估退化.
• 现有的方法可能缺乏对动态海洋条件所需的精度.

研究的目的:

• 评估一种新的关键性能指标 (KPI),用于使用人工神经网络 (ANN) 预测螺旋体退化.
• 为了比较基于ANN的KPI与基线ISO-19030标准的准确性.
• 确定KPI计算的最佳参数,包括功能,过器和预处理技术.

主要方法:

• 开发一个基于ANN的KPI,用于螺旋体退化.
• 与ISO-19030标准进行比较,使用来自物联网 (IoT) 系统的真实船只数据.
• 进行四个不同的ANN实验,不同的功能,过器和预处理.
• 通过严格的数据分析和性能比较来验证发现.

主要成果:

• 与基线ISO-19030方法相比,基于ANN的KPI在预测螺旋体退化的准确度更高.
• 优化特征选择和应用一致的预处理技术改善了传统指标的性能.
• 该研究证实了各种特征集和预处理在提高KPI准确性的有效性.

结论:

• 深度学习 (DL) 为海事行业的预测性维护提供了巨大的潜力,特别是螺旋体健康.
• 拟议的DL指数方法提供了一种动态和全面的方法来评估螺旋体退化.
• 这种方法通过优化维护策略,有望带来巨大的环境和财务效益.