Detección de Anomalías y Diagnóstico de Fallas Basados en IA/ML de Motores Diésel Marinos Turboalimentados: Estudio Experimental en el Motor de un Buque en Operación
Autores: Upadrashta, Deepesh; Wijaya, Tomi
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección de Anomalías y Diagnóstico de Fallas Basados en IA/ML de Motores Diésel Marinos Turboalimentados: Estudio Experimental en el Motor de un Buque en Operación
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Motores diésel sobrealimentados
Detección de anomalías
Diagnóstico de fallos
Inteligencia artificial
Aprendizaje automático
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Los motores diésel sobrealimentados se utilizan ampliamente para la propulsión y como generadores para alimentar sistemas auxiliares en aplicaciones marinas. Se han publicado muchos trabajos sobre el desarrollo de herramientas de diagnóstico para los motores utilizando datos de modelos de simulación o de experimentos en un banco de pruebas de motores sofisticado. Sin embargo, los datos de simulación varían mucho con respecto a los datos operacionales reales, y los datos de sensores disponibles en el buque real son mucho menores en comparación con los datos de los bancos de pruebas. Por lo tanto, es necesario desarrollar modelos de predicción de anomalías y diagnóstico de fallos a partir de los datos limitados disponibles de los motores. En este artículo, se desarrolló un modelo de detección de anomalías basado en inteligencia artificial (IA) y un modelo de diagnóstico de fallos basado en aprendizaje automático (ML) utilizando los datos reales adquiridos de un motor diésel de un buque de carga. A diferencia de los trabajos anteriores, el estudio utiliza datos operacionales, termodinámicos y de vibración para la detección de anomalías y el diagnóstico de fallos. El artículo proporciona la arquitectura general del sistema de mantenimiento predictivo propuesto, incluidos los detalles sobre la sensoración de activos, la adquisición de datos, la computación en el borde y el modelo de IA para la predicción de anomalías y el algoritmo de ML para el diagnóstico de fallos. Se indujeron fallos con diferentes niveles de severidad en los subcomponentes del motor para validar la precisión de los modelos de detección de anomalías y diagnóstico de fallos. El modelo de IA de autoencoder apilado no supervisado predice las anomalías del motor con un 87.6% de precisión. La precisión equilibrada del modelo de diagnóstico de fallos supervisado utilizando el algoritmo de Máquina de Soporte Vectorial es del 99.7%. Los modelos propuestos son vitales para avanzar hacia un transporte marítimo sostenible y tienen el potencial de ser implementados en diversas aplicaciones.
Descripción
Los motores diésel sobrealimentados se utilizan ampliamente para la propulsión y como generadores para alimentar sistemas auxiliares en aplicaciones marinas. Se han publicado muchos trabajos sobre el desarrollo de herramientas de diagnóstico para los motores utilizando datos de modelos de simulación o de experimentos en un banco de pruebas de motores sofisticado. Sin embargo, los datos de simulación varían mucho con respecto a los datos operacionales reales, y los datos de sensores disponibles en el buque real son mucho menores en comparación con los datos de los bancos de pruebas. Por lo tanto, es necesario desarrollar modelos de predicción de anomalías y diagnóstico de fallos a partir de los datos limitados disponibles de los motores. En este artículo, se desarrolló un modelo de detección de anomalías basado en inteligencia artificial (IA) y un modelo de diagnóstico de fallos basado en aprendizaje automático (ML) utilizando los datos reales adquiridos de un motor diésel de un buque de carga. A diferencia de los trabajos anteriores, el estudio utiliza datos operacionales, termodinámicos y de vibración para la detección de anomalías y el diagnóstico de fallos. El artículo proporciona la arquitectura general del sistema de mantenimiento predictivo propuesto, incluidos los detalles sobre la sensoración de activos, la adquisición de datos, la computación en el borde y el modelo de IA para la predicción de anomalías y el algoritmo de ML para el diagnóstico de fallos. Se indujeron fallos con diferentes niveles de severidad en los subcomponentes del motor para validar la precisión de los modelos de detección de anomalías y diagnóstico de fallos. El modelo de IA de autoencoder apilado no supervisado predice las anomalías del motor con un 87.6% de precisión. La precisión equilibrada del modelo de diagnóstico de fallos supervisado utilizando el algoritmo de Máquina de Soporte Vectorial es del 99.7%. Los modelos propuestos son vitales para avanzar hacia un transporte marítimo sostenible y tienen el potencial de ser implementados en diversas aplicaciones.