کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4942772 1437421 2017 8 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Fault diagnosis of marine 4-stroke diesel engines using a one-vs-one extreme learning ensemble
ترجمه فارسی عنوان
تشخیص خطا از موتورهای دیزلی 4 سیلندر دریایی با استفاده از یک گروه یادگیری افراطی یک به یک
کلمات کلیدی
موتور دریایی، تشخیص گسل، تشخیص گسل، موتور دیزل، فراگیری ماشین، یادگیری گروهی ماشین های یادگیری شدید تجزیه چند طبقه،
ترجمه چکیده
این مقاله یک رویکرد جدید برای تشخیص خطای هوشمند برای موتورهای دریایی سکته مغزی دیزل پیشنهاد می کند که معمولا در حمل و نقل جاده ای و دریایی استفاده می شود. ایمنی و قابلیت اطمینان یک کار کشتی به شدت بر عملکرد این موتور تأکید می شود؛ بنابراین شناسایی زودهنگام هر نوع شکستی که بر موتور تاثیر می گذارد اهمیت حیاتی دارد. سیستم های تشخیصی اتوماتیک از اهمیت ویژه ای برخوردار می باشند زیرا می توانند به طور مداوم در زمان واقعی عمل کنند، بنابراین نظارت کارآمد بر عملکرد موتور فراهم می شود. ما سیستم اتوماتیک مبتنی بر یادگیری ماشین را برای شناسایی خطای موتور معرفی می کنیم. برای این منظور ما سیگنال های مختلفی را که توسط موتور منتشر می شود نظارت می کنیم و از آنها به عنوان یک ورودی برای الگوریتم طبقه بندی الگوی استفاده می کنیم. این عملیات توسط مجموعه ای از ماشین های آموزش افراطی انجام می شود که در یک حالت تجزیه کار می کنند. از آنجا که ما 14 خطای مختلف و حالت عملیاتی صحیح را داریم، باید با یک مشکل 15 طبقه برخورد کنیم. ما این کار را با باینری شدن در حالت "یک در برابر یک"، که در آن هر دستگاه یادگیری افراطی در یک جفت کلاس آموزش دیده است، برآورده می کنیم. بعد، کدهای خروجی اصلاح خطا برای بازسازی وظیفه کلاس چند طبقه استفاده می شود. نتایج آزمایش هایی که در یک مجموعه داده های واقعی انجام شده نشان می دهد که رویکرد پیشنهادی، دقت طبقه بندی عالی و زمان پاسخ کمتری را نسبت به تعدادی از روش های پیشرفته ارائه می دهد و بنابراین انتخاب مناسب برای واقعی است اجرای زنده در کشتی.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر هوش مصنوعی
پیش نمایش مقاله
تشخیص خطا از موتورهای دیزلی 4 سیلندر دریایی با استفاده از یک گروه یادگیری افراطی یک به یک
چکیده انگلیسی
This paper proposes a novel approach for intelligent fault diagnosis for stroke Diesel marine engines, which are commonly used in on-road and marine transportation. The safety and reliability of a ship's work rely strongly on the performance of such an engine; therefore, early detection of any type of failure that affects the engine is of crucial importance. Automatic diagnostic systems are of special importance because they can operate continuously in real time, thereby providing efficient monitoring of the engine's performance. We introduce a fully automatic machine learning-based system for engine fault detection. For this purpose, we monitor various signals that are emitted by the engine, and we use them as an input for a pattern classification algorithm. This action is realized by an ensemble of Extreme Learning Machines that work in a decomposition mode. Because we address 14 different faults and a correct operation mode, we must handle a 15-class problem. We tackle this task by binarization in one-vs-one mode, where each Extreme Learning Machine is trained on a pair of classes. Next, Error-Correcting Output Codes are used to reconstruct the original multi-class task. The results from experiments that were conducted on a real-life dataset demonstrate that the proposed approach delivers superior classification accuracy and a low response time in comparison with a number of state-of-the-art methods and thus is a suitable choice for a real-life implementation on board a ship.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Engineering Applications of Artificial Intelligence - Volume 57, January 2017, Pages 134-141
نویسندگان
, , ,