Artificial intelligence techniques for ship electrical system condition monitoring.

Abstract

The objective of this article is to analyze and organize AI techniques for predictive analytics of a vessel’s technical state. The need comes from these types of technical equipment failures, representing over a quarter of all incidents at sea. The scientific novelty in this review is based on the lack of a comprehensive analysis of the best neural network architectures for predicting the failures of such critical nodes within the maritime industry, for example, including diesel generators and transformers. We consider how deep learning architectures evolved, with an increasing importance to consider how attention is being used to analyze complex time series, from simple Recurrent networks to state-of-the-art transformers. Specifically, we compare the Informer, PatchTST, and Autoformer models, emphasizing that the latter have a 38% enhancement in forecasting accuracy achieved by the addition of trend and seasonality decomposition blocks. The merits of neural network architectures (LSTMs) compared to classical statistical-based models (ARIMA) for modeling high-dimensional data in a precise maritime environment, such as maritime data, were highlighted. Finally, we introduce a new method of diesel engine fault detection based on SqueezeNet and IVY-RF algorithms. The Random Forest ensemble method has an accuracy for dissolved gas analysis (95.2%-100%) in transformer diagnostics. We further describe the employment of multi-task multilayer task networks MTL-DNN for electrical network protection against arcing and a method of analyzing circuit breaker fault contact wear without disassembly. The results are verified using testing. In summary, as a result of the present limitations, the future of marine predictive analytics is to create hybrid systems that will utilize the dynamic aspect that the machine learning method provides and the subject-matter knowledge that the user of the expert system has, in order to enhance safety and competitiveness in shipping. Метою цієї статті є аналіз та систематизація методів штучного інтелекту для прогнозної аналітики технічного стану судна. Потреба виникає через такі типи відмов технічного обладнання, які становлять понад чверть усіх інцидентів у морі. Наукова новизна цього огляду ґрунтується на відсутності комплексного аналізу найкращих архітектур нейронних мереж для прогнозування відмов таких критичних вузлів у морській галузі, наприклад, включаючи дизель-генератори та трансформатори. Ми розглядаємо, як розвивалися архітектури глибокого навчання, при цьому зростає важливість розгляду того, як увага використовується для аналізу складних часових рядів, від простих рекурентних мереж до сучасних трансформаторів. Зокрема, ми порівнюємо моделі Informer, PatchTST та Autoformer, підкреслюючи, що останні мають 38% підвищення точності прогнозування, досягнуте завдяки додаванню блоків декомпозиції трендів та сезонності. Були виділені переваги архітектур нейронних мереж (LSTM) порівняно з класичними статистичними моделями (ARIMA) для моделювання високовимірних даних у точному морському середовищі, такому як морські дані. Нарешті, ми представляємо новий метод виявлення несправностей дизельного двигуна на основі алгоритмів SqueezeNet та IVY-RF. Метод ансамблю Random Forest має точність аналізу розчиненого газу (95,2%-100%) у діагностиці трансформаторів. Далі ми описуємо використання багатозадачних багатошарових мереж завдань MTL-DNN для захисту електричних мереж від дугового утворення та метод аналізу зносу контактів несправності автоматичного вимикача без розбирання. Результати перевіряються за допомогою тестування. Підсумовуючи, внаслідок існуючих обмежень, майбутнє морської прогнозної аналітики полягає у створенні гібридних систем, які використовуватимуть динамічний аспект, що забезпечує метод машинного навчання, та предметні знання, які має користувач експертної системи, для підвищення безпеки та конкурентоспроможності у судноплавстві.