Диагностика неисправностей и восстановление сигналов мониторинга структуры судна на основе машинного обучения
Изображение создано Gemini AI
Новый метод диагностики неисправностей и восстановления для систем мониторинга кораблей использует машинное обучение, применяя вейвлет-преобразования и специализированную нейронную сеть. Он достигает более 98% точности диагностики в различных условиях, превосходя LSTM и Random Forest по устойчивости к шуму. Этот метод значительно снижает среднеквадратичную ошибку (RMSE) для смещения, дрейфа и импульсных неисправностей, что повышает надежность мониторинга состояния структур и способствует более безопасной интеллектуальной навигации.
Машинное обучение улучшает мониторинг структурного состояния судов
Разработан новый метод диагностики и восстановления неисправностей с использованием машинного обучения, который направлен на повышение надежности систем мониторинга структурного состояния судов. Этот подход нацелен на снижение риска неисправностей сигналов, которые могут привести к ошибочным выводам о структурной целостности судна.
Анализ производительности
Для оценки эффективности данного метода был проведен анализ воздействия с использованием данных мониторинга из модельного испытания. Результаты показали диагностическую точность свыше 98% на различных позициях мониторинга, что указывает на надежную работу в обнаружении неисправностей. Метод продемонстрировал высокую устойчивость к шумам по сравнению с существующими алгоритмами, такими как Long Short-Term Memory (LSTM) и Random Forest.
Эффективность восстановления
Метод также превосходит в восстановлении сигналов. Он достиг значительных сокращений в корне среднего квадратичного отклонения (RMSE) для различных типов неисправностей:
- Снижение на 73.86% для смещений
- Снижение на 75.49% для дрейфов
- Снижение на 19.55% для импульсных неисправностей
Это улучшение в эффективности восстановления подчеркивает способность метода повышать стабильность систем мониторинга структурного состояния судов, что крайне важно для безопасной навигации.
Связанные темы:
📰 Первоисточник: https://doi.org/10.21278/brod77301
Все права и авторство принадлежат первоначальному издателю.