一个端到端的深度学习框架用于海上机械故障检测
Spyros Rigas1, Paraskevi Tzouveli2, Stefanos Kollias2
1Department of Digital Industry Technologies, School of Science, National and Kapodistrian University of Athens, 34400 Psachna, Greece.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
本研究引入了一个新的深度学习 (DL) 框架,用于海上运营中的预测性维护 (PdM). 它使用图形注意网络 (GATs) 准确及时检测船上机械的故障.
科学领域:
- 事物的工业互联网 (IIoT)
- 海上运营 海上运营
- 人工智能的人工智能
背景情况:
- 国际物联网 (IIoT) 能够在海事等行业中实现庞大的数据集成.
- 云计算和深度学习 (DL) 正在优化海上运营,特别是预测性维护 (PdM).
研究的目的:
- 提出一个基于DL的新型框架,用于海上PdM的故障检测.
- 为整个DL模型生命周期开发一个可扩展,具有成本效益的软件解决方案.
主要方法:
- 利用图表注意网络 (GAT) 来从传感器时间序列数据中提取时空特征.
- 实施了功能智能的评分机制,以实现可解释的预测.
- 开发了一个定制的评估指标,优先考虑准确性和及时性.
主要成果:
- 在电气,轴承和水循环数据集上证明了框架的有效性.
- 实现了PdM的准确和及时故障检测.
结论:
- 拟议的DL框架为海上运营中的PdM提供了一个强大的解决方案.
- 该框架是可扩展的,具有成本效益,并提供可解释的故障检测.
