|
DOI: 10.14489/hb.2026.04.pp.028-042
Щербань П. С., Мазур Е. В., Пискун Ф. В.
УПРАВЛЕНИЕ КАЧЕСТВОМ В ОЦЕНКЕ УСТОЙЧИВОГО СОСТОЯНИЯ РАБОТЫ СУДОВОГО ДВИГАТЕЛЯ
(c. 28-42)
Аннотация. Одним из подходов обеспечения низкой аварийности судов, позволяющих проводить предиктивную аналитику, является исследование накапливаемых в процессе эксплуатации статистических данных о параметрах работы судовых двигателей. В последние годы для проведения статистических исследований отклонений в работе двигательных установок все чаще стали применяться методы машинного обучения, в частности корреляционно-регрессионный и кластерный анализы. Это связано с развитием полноценной программной базы для исследования изменений рабочих характеристик двигателей в процессе эксплуатации, а также с расширением аналитических возможностей логико-ориентированного метода для интерпретации получаемых результатов. В настоящем исследовании для апробации возможностей методов машинного обучения к анализу изменений параметров работы судовых двигателей был использован набор данных «Профилактическое обслуживание: состояние морских судов», который включает информацию о 16 функциональных векторах измерений газотурбинных установок в устойчивом состоянии. Набор данных содержит ключевые параметры, такие как скорость судна, коэффициенты деградации компрессора и турбины, крутящий момент тяги, частота вращения газогенератора и управление системой впрыска топлива. Эти параметры позволяют оценить состояние установки и выявить отклонения, которые могут свидетельствовать о потенциальном развитии неисправностей. Набор данных включал в себя 11 935 строк и 19 столбцов. Год последней актуализации – 2023. Для обработки данных использовались инструменты корреляционно-регрессионного и кластерного анализов. Полученные результаты позволяют сделать вывод о высокой эффективности комбинации корреляционно-регрессионного анализа и кластеризации для прогностики состояния судовых двигателей на основе больших наборов статистических данных. Интеграция этих методов в системы мониторинга обеспечит своевременное выявление аномалий и оптимизацию технического обслуживания судов. Результаты обработки статистических данных по параметрам эксплуатации судовых двигателей кластерным и корреляционно-регрессионным анализом могут служить основой для формирования комплексных прогностических моделей и создания систем мониторинга на основе искусственного интеллекта.
Ключевые слова: судовой двигатель; газотурбинная установка; логико-ориентированный метод; кластерный анализ; корреляционно-регрессионный анализ; параметры работы двигателя; предиктивные исследования.
Shcherban P. S., Mazur E. V., Piskun F. V.
QUALITY MANAGEMENT IN ASSESSING THE STABLE PERFORMANCE OF A MARINE ENGINE
(pp. 28-42)
Abstract. One approach to ensuring a low accident rate on ships, enabling predictive analytics, is the study of statistical data on the operating parameters of marine engines accumulated during operation. In recent years, machine learning methods, in particular correlation-regression and cluster analyses, have increasingly been used to conduct statistical studies of deviations in the operation of propulsion systems. This is due to the development of a comprehensive software base for studying changes in engine operating characteristics during operation, as well as the expansion of the analytical capabilities of the logic-oriented method for interpreting the obtained results. In this study, the capabilities of machine learning methods for analyzing changes in the operating parameters of marine engines were tested using the “Preventive Maintenance: Condition of Marine Vessels” dataset, which includes information on 16 functional vectors of gas turbine unit measurements in a steady state. The dataset contains key parameters such as vessel speed, compressor and turbine degradation factors, thrust torque, gas generator speed, and fuel injection system control. These parameters make it possible to assess the condition of the unit and identify deviations that may indicate potential malfunctions. The dataset consisted of 11,935 rows and 19 columns. The year of the last update was 2023. Correlation-regression and cluster analysis tools were used for data processing. The obtained results demonstrate the high effectiveness of the combination of correlation-regression analysis and clustering for predicting the condition of marine engines based on large statistical datasets. Integration of these methods into monitoring systems will ensure the timely detection of anomalies and optimize vessel maintenance. The results of processing statistical data on marine engine operating parameters using cluster and correlation-regression analysis can serve as the basis for developing comprehensive predictive models and creating monitoring systems based on artificial intelligence.
Keywords: Marine engine; Gas turbine unit; Logic-oriented method; Cluster analysis; Correlation-regression analysis; Engine operating parameters; Predictive research.
П. С. Щербаньм (Балтийский федеральный университет им. И. Канта, ОНК «Институт высоких технологий», Калининград, Россия,)
Е. В. Мазур (Калининградский государственный технический университет, Калининград, Россия)
Ф. В. Пискун (МИРЭА – Российский технологический университет, Москва, Россия) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
P. S. Shcherban (IKBFU I. Kanta, PSC “Institute of High Technologies”, Kaliningrad, Russia)
E. V. Mazur (Kaliningrad State Technical University, Kaliningrad, Russia)
F. V. Piskun (MIREA – Russian Technological University, Moscow, Russia) E-mail:
Данный адрес e-mail защищен от спам-ботов, Вам необходимо включить Javascript для его просмотра.
1. Половинкин В. Н., Барановский В. В., Колодяжный Д. Ю. Оценка целесообразности и способов разработки и создания корабельного газотурбинного двигателя 5-го поколения // Судостроение. 2019. № 1(842). С. 11–31. EDN CAROPZ.
2. Безюков О. К., Жуков В. А., Капустянский М. С. Газотурбинные двигатели на флоте: история и перспективы // Вестник государственного университета морского и речного флота им. адмирала С. О. Макарова. 2021. Т. 13, № 2. С. 244–256. DOI 10.21821/2309-5180-2021-13-2-244-256. EDN SQWJCB.
3. Campora U., Cravero C., Zaccone R. Marine Gas Turbine Monitoring and Diagnostics by Simulation and Pattern Recognition // International journal of naval architecture and ocean engineering. 2018. Vol. 10, No. 5. P. 617–628.
4. Равин А. А. Актуальные задачи диагностики морских газотурбинных двигателей // Судостроение. 2012. № 3. С. 42–44. EDN: OZCVSJ.
5. Профилактическое техническое обслуживание: Состояние морского судна: [Электронный ресурс]. URL: https://www.kaggle.com/datasets/thedevastator/improving-naval-vessel-condition-through-machine.
6. De Castro-Cros M., Velasco M., Angulo C. Machine-Learning-Based Condition Assessment of Gas Turbines – A Review // Energies. 2021. Vol. 14, No. 24. P. 8468.
7. Borguet S., Léonard O., Dewallef P. Regression-based Modeling of a Fleet of Gas Turbine Engines for Performance Trending // Journal of Engineering for Gas Turbines and Power. 2016. Vol. 138, No. 2. P. 021201.
8. Yüksel O., Köseoğlu B. Regression Modelling Estimation of Marine Diesel Generator Fuel Consumption and Emissions // Transactions on Maritime Science. 2022. Vol. 11, No. 01. P. 79–94.
9. Goyal V. et al. Prediction of Gas Turbine Performance Using Machine Learning Methods // Turbo Expo: Power for Land, Sea, and Air. American Society of Mechanical Engineers. 2020. Vol. 84157. P. V006T09A004.
10. Deliś M., Kłysz S., Przysowa R. Correlative Method for Diagnosing Gas-Turbine Tribological Systems // Sensors. 2023. Vol. 23, No. 12. P. 5738.
11. Öztürk O. B., Başar E. Multiple Linear Regression Analysis and Artificial Neural Networks Based Decision Support System for Energy Efficiency in Shipping // Ocean Engineering. 2022. Vol. 243. P. 110209.
12. Montgomery D. C., Peck E. A., Vining G. G. Introduction to Linear Regression Analysis. – John Wiley & Sons. 2021. 254 p.
13. Jaeger A., Banks D. Cluster Analysis: A Modern Statistical Review // Wiley Interdisciplinary Reviews: Computational Statistics. 2023. Vol. 15, No. 3. P. e1597.
14. Bagherzade Ghazvini M. et al. Operational Modes Detection in Industrial Gas Turbines Using an Ensemble of Clustering Methods // Sensors. 2021. Vol. 21, No. 23. P. 8047.
15. Taghavi M., Perera L. P. Advanced Data Cluster Analyses in Digital Twin Development for Marine Engines Towards Ship Performance Quantification // Ocean Engineering. 2024. Vol. 298. P. 117098.
16. İnceişçi F. K., Ayça A. K. Fault Analysis of Ship Machinery Using Machine Learning Techniques // International Journal of Maritime Engineering. 2022. Vol. 164, No. A1.
17. Сербиновский М. Ю., Черкалина Н. А., Дегтярева И. Н. Автоматизация процессов обработки информации в статистике. Пятигорск: ООО «Рекламно-информационное агентство на КМВ». 2014. 228 с. ISBN 978-5-89314-643-1. EDN TFPOXD.
18. Мясников Ю. Н., Никитин В. С., Равин А. А. Эксплуатационные дефекты судовых дизельных и газотурбинных двигателей // Труды Крыловского государственного научного центра. 2018. № 3(385). С. 85–96. DOI: 10.24937/2542-2324-2018-3-385-85-96. EDN: UWOQDT.
1. Polovinkin, V. N., Baranovsky, V. V., & Kolodyazhny, D. Yu. (2019). Assessment of feasibility and methods for developing and creating a 5th generation marine gas turbine engine. Sudostroenie, (1), 11–31. [in Russian language].
2. Bezyukov, O. K., Zhukov, V. A., & Kapustyansky, M. S. (2021). Gas turbine engines in the navy: History and prospects. Vestnik gosudarstvennogo universiteta morskogo i rechnogo flota imeni admirala S. O. Makarova, 13(2), 244–256. [in Russian language]. https://doi.org/10.21821/2309-5180-2021-13-2-244-256
3. Campora, U., Cravero, C., & Zaccone, R. (2018). Marine gas turbine monitoring and diagnostics by simulation and pattern recognition. International Journal of Naval Architecture and Ocean Engineering, 10(5), 617–628.
4. Ravin, A. A. (2012). Current tasks of marine gas turbine engine diagnostics. Sudostroenie, (3), 42–44. [in Russian language].
5. Preventive technical maintenance: Condition of naval vessel. (n.d.). Kaggle. Retrieved from https://www.kaggle.com/datasets/thedevastator/improving-naval-vessel-condition-through-machine
6. De Castro-Cros, M., Velasco, M., & Angulo, C. (2021). Machine-learning-based condition assessment of gas turbines – A review. Energies, 14(24), Article 8468.
7. Borguet, S., Léonard, O., & Dewallef, P. (2016). Regression-based modeling of a fleet of gas turbine engines for performance trending. Journal of Engineering for Gas Turbines and Power, 138(2), Article 021201.
8. Yüksel, O., & Köseoğlu, B. (2022). Regression modelling estimation of marine diesel generator fuel consumption and emissions. Transactions on Maritime Science, 11(1), 79–94.
9. Goyal, V., et al. (2020). Prediction of gas turbine performance using machine learning methods. Turbo Expo: Power for Land, Sea, and Air, Vol. 84157, V006T09A004. American Society of Mechanical Engineers.
10. Deliś, M., Kłysz, S., & Przysowa, R. (2023). Correlative method for diagnosing gas-turbine tribological systems. Sensors, 23(12), Article 5738.
11. Öztürk, O. B., & Başar, E. (2022). Multiple linear regression analysis and artificial neural networks based decision support system for energy efficiency in shipping. Ocean Engineering, 243, Article 110209.
12. Montgomery, D. C., Peck, E. A., & Vining, G. G. (2021). Introduction to linear regression analysis. John Wiley & Sons.
13. Jaeger, A., & Banks, D. (2023). Cluster analysis: A modern statistical review. Wiley Interdisciplinary Reviews: Computational Statistics, 15(3), Article e1597.
14. Bagherzade Ghazvini, M., et al. (2021). Operational modes detection in industrial gas turbines using an ensemble of clustering methods. Sensors, 21(23), Article 8047.
15. Taghavi, M., & Perera, L. P. (2024). Advanced data cluster analyses in digital twin development for marine engines towards ship performance quantification. Ocean Engineering, 298, Article 117098.
16. İnceişçi, F. K., & Ayça, A. K. (2022). Fault analysis of ship machinery using machine learning techniques. International Journal of Maritime Engineering, 164(A1).
17. Serbinovsky, M. Yu., Cherkalina, N. A., & Degtyareva, I. N. (2014). Automation of information processing processes in statistics. Reklamno-informatsionnoe agentstvo na KMV. [in Russian language].
18. Myasnikov, Yu. N., Nikitin, V. S., & Ravin, A. A. (2018). Operational defects of marine diesel and gas turbine engines. Trudy Krylovskogo gosudarstvennogo nauchnogo tsentra, (3), 85–96. [in Russian language]. https://doi.org/10.24937/2542-2324-2018-3-385-85-96
Статью можно приобрести в электронном виде (PDF формат).
Стоимость статьи 700 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.
После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.
Для заказа скопируйте doi статьи:
10.14489/hb.2026.04.pp.028-042
и заполните форму
Отправляя форму вы даете согласие на обработку персональных данных.
.
This article is available in electronic format (PDF).
The cost of a single article is 700 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.
After depositing your payment on our bank account we send you file of the article by e-mail.
To order articles please copy the article doi:
10.14489/hb.2026.04.pp.028-042
and fill out the form
.
|
Текущий номер
Разработка концепции и создание сайта - ООО «Издательский дом «СПЕКТР»