PYXIDA Institutional Repository
and Digital Library
 Home
Collections :

Title :Detection-classification and/or quantification of torque sensor drifting
Alternative Title :Aνίχνευση-κατηγοριοποίηση ή/και ποσοτικοποίηση της ολίσθησης αισθητήρων ροπής
Creator :Tsompopoulou, Efthymia-Ofelia
Τσομποπούλου, Ευθυμία-Οφηλία
Contributor :Μαλακασιώτης, Πρόδρομος (Επιβλέπων καθηγητής)
Λουρίδας, Παναγιώτης (Εξεταστής)
Βασσάλος, Βασίλειος (Εξεταστής)
Athens University of Economics and Business, Department of Informatics (Degree granting institution)
Type :Text
Extent :47p.
Language :en
Identifier :http://www.pyxida.aueb.gr/index.php?op=view_object&object_id=7492
Abstract :Η διεθνής ναυτιλιακή βιομηχανία αντιπροσωπεύει περίπου το 90% του παγκόσμιου εμπορίου αριθμώντας περισσότερα από 50.000 εμπορικά πλοία που δραστηριοποιούνται παγκοσμίως. Η αποτελεσματική διαχείριση της λειτουργίας των πλοίων κατά τη διάρκεια ενός ταξιδιού αποτελεί έναν από τους κύριους στόχους αυτού του κλάδου. Στο πλαίσιο αυτό, είναι απαραίτητη η ακριβής πρόβλεψη της ισχύος του πλοίου υπό ποικίλες συνθήκες λειτουργίας και καιρικές συνθήκες.Η παρούσα μελέτη επικεντρώνεται πρωτίστως στην ανίχνευση σφαλμάτων ολίσθησης των αισθητήρων ροπής, που επιδεινώνουν την ποιότητα των μετρήσεων ισχύος του πλοίου, διερευνώντας τα δεδομένα λειτουργίας επτά πλοίων μεταφοράς εμπορευματοκιβωτίων. Η σχέση ισχύος-ταχύτητας παρουσιάζει υψηλές διακυμάνσεις καθώς επίσης εντοπίζονται συστάδες σημείων που αποκλίνουν από το κυβικό νόμο ισχύος-ταχύτητας. Προτείνεται ένα συστηματικό φιλτράρισμα των δεδομένων για τον περιορισμό τους σε συνθήκες ήρεμου καιρού και σε στενό εύρος συνθηκών λειτουργίας του πλοίου, εφαρμόζοντας διαδοχικά φίλτρα σε βασικές μεταβλητές. Οι μεταβλητές που εξετάζονται σχετίζονται με μηχανισμούς αντίστασης που επηρεάζουν τις απαιτήσεις ισχύος και η συνεισφορά τους στην διακύμανση της σχέσης ισχύος-ταχύτητας διερευνάτε. Τα φιλτραρισμένα δεδομένα έχουν μικρή διακύμανση και επομένως είναι κατάλληλα για τη διερεύνηση της ποιότητας των δεδομένων. Ενδείξεις σφαλμάτων ολίσθησης του αισθητήρα ροπής δεν ανιχνεύονται. Εντοπίζονται όμως μη αναμενόμενες τιμές ισχύος που προέρχονται από σφάλματα λειτουργίας του συστήματος καταγραφής και/ή δυσλειτουργία του αισθητήρα ροπής. Επιπλέον, εφαρμόζεται μοντέλο νευρωνικού δικτύου για την πρόβλεψη της ισχύος του πλοίου σε διάφορες συνθήκες λειτουργίας και καιρικές συνθήκες. Πριν από την εκπαίδευση του μοντέλου, αφαιρούνται καταγραφές με λανθασμένες τιμές μέσω μίας διαδικασίας καθαρισμού των δεδομένων, η οποία βελτιώνει την επίδοση του μοντέλου. Επιπροσθέτως, μια νέα υποψήφια παράμετρος, σχετική με τον άνεμο, εντοπίζεται και συμπεριλαμβάνεται στην εκπαίδευση του μοντέλου οδηγώντας σε σημαντική βελτίωση της επίδοσης του. Τέλος, πραγματοποιούνται προσομοιώσεις που καταδεικνύουν την ικανότητα των μοντέλων νευρωνικού δικτύου να “μαθαίνουν” την αναμενόμενη σχέση ισχύος-ταχύτητας.
The international shipping industry accounts for about 90% of world trade, counting more than 50,000 merchant ships operating globally. Efficient management of vessel operation during the course of a voyage is one of the main industry objectives. In this context, accurate prediction of vessel power under diverse operational and weather conditions is essential. This study primarily focuses on the detection of torque sensor drifting, that deteriorates the quality of the recorded vessel power, by investigating the operational data of seven container ships. Power-speed relation exhibits high variance and data clusters that diverge from the cubic power-speed law are evident. A systematic data filtering is proposed to obtain data that correspond to calm weather and a narrow range of operational conditions by applying constrains to key features sequentially. The features considered are related to resistance mechanisms that affect power requirements and their impact on power-speed variance in explored. The filtered data have small variance and therefore are suitable for the investigation of the data quality. No evidence of torque sensor drifting is found. However, abnormal data points that originate from instantaneous failures of the power monitoring system and/or torque sensor malfunction are identified. Furthermore, a baseline dense neural network model is implemented for the prediction of vessel's power in diverse operational and weather conditions. A data cleaning process, removing records with erroneous values, is proposed prior to training that results in improved performance. Moreover, a new candidate wind feature is identified and included in model training, that resulted in significantly better performance. Finally, simulations are performed to demonstrate the ability of the neural network model to capture the expected power-speed trend.
Subject :Απόδοση πλοίου
Κατασκευή χαρακτηριστικών
Μηχανική μάθηση
Πρόβλεψη ισχύος
Vessel performance
Feature engineering
Machine learning
Power prediction
Date Available :2020-01-27 23:59:52
Date Issued :2019
Date Submitted :2020-01-27 23:59:52
Access Rights :Free access
Licence :

File: Tsompopoulou_2019.pdf

Type: application/pdf