Diagnóstico de falhas e restauração de sinais de monitoramento da estrutura de embarcações com base em aprendizado de máquina

O Aprendizado de Máquina Melhora a Monitorização da Saúde Estrutural de Navios

Um novo método de diagnóstico e restauração de falhas utilizando aprendizado de máquina foi desenvolvido para melhorar a confiabilidade dos sistemas de monitoramento da saúde estrutural de navios. Esta abordagem visa mitigar o risco de falhas de sinal que podem levar a equívocos sobre a integridade estrutural de um navio.

Análise de Desempenho

Para avaliar a eficácia deste método, foi realizada uma análise de impacto utilizando dados de monitoramento de um teste em modelo. Os resultados revelaram uma taxa de diagnóstico superior a 98% em várias posições de monitoramento, indicando um desempenho robusto na detecção de falhas. O método demonstrou resistência ao ruído superior em comparação com algoritmos existentes, como Memória de Longo e Curto Prazo (LSTM) e Floresta Aleatória.

Eficácia da Restauração

O método também se destaca na restauração de sinais. Ele alcançou reduções significativas no erro quadrático médio (RMSE) em diferentes tipos de falhas:

• Redução de 73,86% para falhas de viés
• Redução de 75,49% para falhas de deriva
• Redução de 19,55% para falhas de impulso

Essa melhoria na eficácia da restauração ressalta a capacidade do método de aumentar a estabilidade dos sistemas de monitoramento da saúde estrutural de navios, crucial para uma navegação segura.