关于利用机器学习早期检测海洋柴油机灾难性故障
人工智能
2026-03-16 v1
摘要
海洋机械的灾难性故障意味着功能严重丧失且系统不可逆地损坏或毁坏。由于其突发性和往往不可预测的特性，这类故障对航行、船员和乘客构成严重威胁。其突发性使得早期检测成为唯一有效的防御措施。然而，现有研究集中于建模组件的渐进性 Degradation，针对突发性和异常现象的关注有限。本文提出一种新的早期检测灾难性故障的方法。基于实际故障发动机的数据，该方法评估实际传感器读数与发动机变量预期值偏差的导数。通过实验，确定 Random Forest 是经过测试的各种机器学习算法中最合适的预测算法。传统方法关注监控信号的偏差，而所提出的方法则采用偏差的导数，以提供异常动力学的更早指示，并警报系统正在发生快速且危险的事件。该方法允许在测量达到临界阈值并触发报警之前检测到异常，从而提前警告操作员可进行停机，以防止损坏和意外功率丢失。此外，操作员有时间安全地更改船舶路线，避免潜在障碍。仿真结果确认了该方法在预判灾难性故障发生方面的有效性。现实数据验证进一步强化了该方法的稳健性和实际适用性。值得注意的是，训练预测算法的数据获取不是问题，因为采用基于深度学习的数据增强程序。
引用
@article{arxiv.2603.12733,
title = {On Using Machine Learning to Early Detect Catastrophic Failures in Marine Diesel Engines},
author = {Francesco Maione and Paolo Lino and Giuseppe Giannino and Guido Maione},
journal= {arXiv preprint arXiv:2603.12733},
year = {2026}
}