Προβλεπτική συντήρηση για την αποφυγή βλαβών εξοπλισμού πλοίων

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι

Περιγραφή

Oι περισσότερες πλοιοκτήτριες εταιρείες, έχουν ήδη ή σκοπεύουν να εξοπλίσουν τα πλοία του στόλου τους με αισθητήρες για τη συλλογή δεδομένων που αφορούν τόσο τη συνολική κατάσταση του στόλου όσο και για τη λειτουργική κατάσταση του εξοπλισμού και των μηχανικών μερών των πλοίων.

Το προτεινόμενο εργαλείο θα έχει ο σκοπό την ανάλυση των ροών δεδομένων (που συλλέγονται από αισθητήρες) σε πραγματικό χρόνο με καινοτόμες προσεγγίσεις και τεχνικές τεχνητής νοημοσύνης, στοχεύοντας στην πρόβλεψη, έγκαιρη και ακριβή διάγνωση πιθανών σφαλμάτων στον μηχανολογικό εξοπλισμό (με έμφαση στους κινητήρες) των πλοίων. Συγκεκριμένα το PoDiuM σκοπεύει στην βελτιστοποίηση λήψης αποφάσεων αναφορικά με την συντήρηση των στοιχείων των μηχανών των πλοίων μέσω της έγκαιρη προειδοποίηση σε περίπτωση βλάβης, η παραγγελία ανταλλακτικών ή η εκ νέου δρομολόγηση του πλοίου προς λιμένες για αντικατάσταση των εξαρτημάτων σε περίπτωση έγκαιρης πρόβλεψης πιθανής βλάβης.

Οι αισθητήρες που θα είναι εγκατεστημένοι στο πλοία (και κυρίως στους κινητήρες) θα παρέχουν πληροφορίες αναφορικά με την θερμοκρασία, την πίεση και τις δονήσεις σε διάφορα σημεία της κύριας μηχανής. Αυτές οι πληροφορίες, σε συνδυασμό με τα γενικότερα δεδομένα όπως η κατανάλωση ενέργειας, οι στροφές του κύριου άξονα, η ροπή του κύριου άξονα, θα συμβάλλουν στον εντοπισμό πιθανής μηχανικής βλάβης σε αρχικά στάδια.

Αυτό σημαίνει ότι η ναυτιλιακή εταιρεία θα μπορεί να διαχειριστεί αποτελεσματικά το άμεσο ελάττωμα / βλάβη. Στο πλαίσιο αυτό η τεχνολογίες που θα βασιστεί το PoDiuM θα αποτελούν τεχνολογίες αιχμής μηχανικής και βαθιάς μάθησης δημιουργώντας ένα ολοκληρωμένο πληροφοριακό σύστημα το οποίο θα προβλέπει πιθανές βλάβες σε μηχανικά μέρη του πλοίου.

Τύπος Αποτελέσματος

Περιγραφή

Με σκοπό τη δημιουργία ενός ολιστικού εργαλείου, το PODIUM θα είναι ένα σχεδιασμένο ως μικρο-υπηρεσίες, που θα ικανοποιεί τις απαιτήσεις που σχετίζονται με την αποθήκευση δεδομένων, την καθυστέρηση και την ασφάλεια. Τα στοιχεία του εργαλείου θα είναι:

Βάση δεδομένων χρονοσειρών: Μια βάση δεδομένων χρονοσειρών είναι ένα σύστημα λογισμικού που είναι βελτιστοποιημένο για το χειρισμό δεδομένων οργανωμένων με βάση το χρόνο. Οι χρονοσειρές είναι πεπερασμένες ή άπειρες ακολουθίες στοιχείων δεδομένων, όπου κάθε στοιχείο έχει μια συσχετισμένη χρονική σήμανση και η ακολουθία των χρονικών σφραγίδων δεν είναι φθίνουσα. Ως εκ τούτου, αυτή η βάση δεδομένων θα επιτρέπει την παρακολούθηση σε πραγματικό χρόνο των δεδομένων του αισθητήρα υψηλής συχνότητας κατά την αποθήκευση των ιστορικών δεδομένων. Το τελευταίο είναι υποχρεωτικό για την επανεκπαίδευση / ενημέρωση των μοντέλων μηχανικής εκμάθησης για εκτίμηση RUL. Για το σκοπό αυτό, προτείνουμε τη βάση δεδομένων RedisTimeSeries καθώς είναι ανοιχτού κώδικα, παρέχοντας επίσης πρόσθετα για το εργαλείο παρακολούθησης Grafana (δείτε παρακάτω) και τις περισσότερες γλώσσες προγραμματισμού.
Βάση δεδομένων MySQL: Μια βάση δεδομένων SQL, όπου μπορούν να αποθηκευτούν γενικές πληροφορίες, όπως ανταλλακτικά ή πληροφορίες συντήρησης (δηλαδή ημερομηνία, διάρκεια, πληροφορίες τεχνικών).
Grafana: Η Grafana είναι μια λύση ανοιχτού κώδικα για την εκτέλεση αναλύσεων δεδομένων, την ανάκτηση μετρήσεων που δίνουν νόημα στον τεράστιο όγκο δεδομένων και για την παρακολούθηση των εφαρμογών μας με τη βοήθεια διαφόρων εργαλείων. Το Grafana θα χρησιμοποιηθεί για την παρακολούθηση δεδομένων ροής σε πραγματικό χρόνο από αισθητήρες μέσω της βάσης δεδομένων χρονοσειρών. Επίσης, η Grafana προσφέρει μια ενσωματωμένη υπηρεσία ειδοποίησης για να ειδοποιεί τους χρήστες όταν υπάρχει μια επείγουσα μη φυσιολογική συμπεριφορά.
Εκτίμηση RUL βάση τεχνητής νοημοσύνης: Το μοντέλο για την πρόβλεψη RUL αποτελείται από δύο υπομοντέλα. Η πρώτη χρησιμοποιεί ένα μοντέλο Random Forest (RF) για να προβλέψει εάν το εν λόγω σύστημα βρίσκεται σε κανονική λειτουργία ή σε λειτουργία υποβάθμισης. Στην περίπτωση κανονικής λειτουργίας, η εκτίμηση RUL δεν ισχύει. Για το σκοπό αυτό, θα μπορούσε να εφαρμοστεί μια υπηρεσία ανίχνευσης ανωμαλιών που βασίζεται στη δουλειά που έχει κάνει η ομάδα μας και παρουσιάζεται στο 2020 IEEE 23rd International Conference on Intelligent Transportation Systems. Όπου εφαρμόστηκαν διάφορες προσεγγίσεις για την ανίχνευση ανωμαλιών σε δεδομένα χρονοσειρών, χρησιμοποιώντας μηχανική εκμάθηση στα δεδομένα αισθητήρων του σκάφους, για την πρόβλεψη της κατάστασης συγκεκριμένων τμημάτων της κύριας μηχανής του σκάφους και έτσι τη διευκόλυνση της προγνωστικής / προληπτικής συντήρησης. Ωστόσο, όταν το RF ανιχνεύει υποβάθμιση σε ένα σύστημα, τα δεδομένα του αισθητήρα χρησιμοποιούνται ως είσοδος στον Εκτιμητή LSTM RUL, ο οποίος εξάγει την υπολειπόμενη ωφέλιμη ζωή του υποβαθμισμένου στοιχείου/συστήματος.

Τομείς Οικονομίας

Διαγράμματα Αρχιτεκτονικής Λειτουργίας

Διάγραμμα 1

Διάγραμμα 2

Τρόπος Φιλοξενίας

Καινοτομία λύσης

Στα προγνωστικά, η υποβάθμιση ενός εξαρτήματος ή συστήματος είναι συνήθως μια μη γραμμική συνάρτηση πολλών παραμέτρων. Η διαδικασία αποικοδόμησης επιταχύνεται με την πάροδο του χρόνου έως ότου συμβεί πλήρης διάσπαση. Αυτό καθιστά την πρόβλεψη των βλαβών ιδιαίτερα δύσκολη με συμβατικές μεθόδους.

Η κύρια συμβολή είναι ένα πλήρες πλαίσιο που αξιοποιεί δεδομένα σε πραγματικό χρόνο για διάφορες προβλέψεις θαλάσσιων ελαττωμάτων. Το πλαίσιο αποτελείται από δύο βασικά στοιχεία,ένας μηχανισμός ταξινόμησης που ταξινομεί τις συνθήκες της κύριας μηχανής του πλοίου σύμφωνα με τα δεδομένα του αισθητήρα και μια μέθοδος πρόβλεψης χρονοσειρών που καταναλώνει τη χρονοσειρά όταν ο κύριος κινητήρας λειτουργεί με ανώμαλη συμπεριφορά.
Η κύρια διαφορά της προτεινόμενης εργασίας σε σύγκριση με τις υπάρχουσες, είναι η εισαγωγή μιας καινοτόμου προσέγγισης ταξινόμησης που αξιοποιεί τόσο τις εποπτευόμενες μεθόδους ανίχνευσης όσο και τις μεθόδους ανίχνευσης ανωμαλιών καθώς και ένα πιθανό μοντέλο RNN για την πρόβλεψη χρονοσειρών. Επιπλέον, τέτοιες τεχνικές τεχνητής νοημοσύνης δεν είναι ακόμη αξιόπιστες και δεν έχουν υιοθετηθεί στη ναυτιλιακή βιομηχανία, επομένως το όραμά μας είναι να κάνουμε το PODIUM ένα αξιόπιστο και χρήσιμο εργαλείο.

Καινοτόμες Τεχνολογίες

Artificial Intelligence Predictive Analytics Internet-of-Things Edge computing

Ωριμότητα λύσης

Σχετικές υπηρεσίες τρίτων

Liability - Security assesment

Σχετικές πραγματικές εφαρμογές της λύσης

Παρόμοιες λύσεις έχουν εφαρμογή στον τομέα της ναυτιλίας, για παράδειγμα, έχει προταθεί μια μεθοδολογία όπου τα δεδομένα κραδασμών συνδυάζονται με δεδομένα απόδοσης (πιέσεις κυλίνδρων) για την παρακολούθηση της κατάστασης του κύριου κινητήρα.
Κατά συνέπεια, δύο διαφορετικές προσεγγίσεις που βασίζονται σε θερμοδυναμικά μοντέλα. Η ανίχνευση δύο κοινών τρόπων αστοχίας μεγάλων κινητήρων ντίζελ με δεδομένα ίχνη πίεσης κυλίνδρου συζητούνται και συγκρίνονται στο.
Επιπρόσθετα, ο Ραπτόδημος και ο Λαζάκης ερεύνησαν την ικανότητα του SOM (self-organizing map) να παρακολουθεί την κύρια κατάσταση του κινητήρα εντοπίζοντας συστάδες που περιέχουν δεδομένα που είναι διαφορετικά σε σύγκριση με τα δεδομένα που αντιπροσωπεύουν τις κανονικές συνθήκες λειτουργίας του κινητήρα.
Επιπλέον, οι Λαζάκης, Γκερέκος και Θεοτοκάτος πρότειναν μια προσέγγιση βασισμένη στο SVM, μιας κατηγορίας για την εκτίμηση της κατάστασης των συστημάτων πλοίων, μια μεθοδολογία που λαμβάνεται υπόψη και σε αυτή την εργασία.
Οι Kowalski et al χρησιμοποιώντας ένα one-vs-one Extreme Learning Machine ταξινόμησαντα δεδομένα μεταξύ14 διαφορετικών σφαλμάτων και κανονικής λειτουργίας.

Σχετικοί διαδικτυακοί σύνδεσμοι