論文の概要: On Using Machine Learning to Early Detect Catastrophic Failures in Marine Diesel Engines

• arxiv url: http://arxiv.org/abs/2603.12733v1
• Date: Fri, 13 Mar 2026 07:24:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.964072
• Title: On Using Machine Learning to Early Detect Catastrophic Failures in Marine Diesel Engines
• Title（参考訳）: 船舶用ディーゼル機関の破砕事故早期検出における機械学習の利用について
• Authors: Francesco Maione, Paolo Lino, Giuseppe Giannino, Guido Maione,
• Abstract要約: 海洋エンジンの破滅的な故障は、機能が著しく失われ、システムを破壊したり損傷させたりすることを暗示している。 本研究は破滅的故障を早期に検出するための新しい方法を提案する。 故障したエンジンの実際のデータに基づいて、実際のセンサ読み取りとエンジン変数の期待値との偏差の導出を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Catastrophic failures of marine engines imply severe loss of functionality and destroy or damage the systems irreversibly. Being sudden and often unpredictable events, they pose a severe threat to navigation, crew, and passengers. The abrupt nature makes early detection the only effective countermeasure. However, research has concentrated on modeling the gradual degradation of components, with limited attention to sudden and anomalous phenomena. This work proposes a new method for early detection of catastrophic failures. Based on real data from a failed engine, the approach evaluates the derivatives of the deviation between actual sensor readings and expected values of engine variables. Predictions are obtained by a Random Forest, which is the most suitable Machine Learning algorithm among the tested ones. Traditional methods focus on deviations of monitored signals, whereas the proposed approach employs the derivatives of the deviations to provide earlier indications of abnormal dynamics, and to alert that a rapid and dangerous event is breaking out within the system. The method allows the detection of anomalies before measurements reach critical thresholds and alarms are triggered, which is the common method in industry. Consequently, operators can be warned in advance and shut down the engine, then prevent damage and unexpected power loss. Moreover, they have the time to safely change the ship route and avoid potential obstacles. Simulation results conf irm the effectiveness of the proposed approach in anticipating occurrence of catastrophic failures. Validation on real-world data further reinforces the robustness and practical applicability of the method. It is worth noting that data acquisition to train the predictive algorithm is not a problem, since a Deep Learning-based data augmentation procedure is used.
• Abstract（参考訳）: 海洋エンジンの破滅的な故障は、機能が著しく失われ、システムを破壊したり損傷させたりすることを暗示している。 突然、しばしば予測不可能な出来事であり、航海、乗組員、乗客に深刻な脅威をもたらす。 急激な性質は早期発見を唯一の効果的な対策にしている。 しかし、研究はコンポーネントの段階的な劣化をモデル化することに集中しており、突然の現象や異常な現象に限られた注意を払っている。 本研究は破滅的故障を早期に検出するための新しい方法を提案する。 故障したエンジンの実際のデータに基づいて、実際のセンサ読み取りとエンジン変数の期待値との偏差の導出を評価する。 予測は、テスト対象の中で最も適した機械学習アルゴリズムであるランダムフォレストによって得られる。 従来の方法では、監視された信号の偏差に重点を置いているが、提案手法では、偏差の導出を利用して、異常なダイナミクスの早期の兆候を提供し、システム内で急速かつ危険な事象が発生していることを警告する。 この方法では、測定が臨界しきい値に達する前に異常を検出することができ、アラームがトリガーされる。 その結果、オペレーターは事前に警告され、エンジンをシャットダウンし、損傷や予期せぬ電力損失を防止できる。 さらに、船のルートを安全に変更し、潜在的な障害物を避けるための時間もある。 シミュレーションの結果, 破滅的故障の発生を予測するための提案手法の有効性が示唆された。 実世界のデータに対する検証は、この手法の堅牢性と実用性をさらに強化する。 ディープラーニングベースのデータ拡張手順を使用するため、予測アルゴリズムをトレーニングするためのデータ取得は問題ではないことに注意する必要がある。

関連論文リスト

• ResAD: Normalized Residual Trajectory Modeling for End-to-End Autonomous Driving [64.42138266293202]
  ResADは正規化された残留軌道モデリングフレームワークである。 学習タスクを再編成し、慣性参照からの残留偏差を予測する。 NAVSIMベンチマークでは、ResADはバニラ拡散ポリシーを用いて最先端のPDMS 88.6を達成している。
  論文  参考訳（メタデータ） (2025-10-09T17:59:36Z)
• Can We Detect Failures Without Failure Data? Uncertainty-Aware Runtime Failure Detection for Imitation Learning Policies [19.27526590452503]
  FAIL-Detectは、模倣学習に基づくロボット操作における障害検出のための2段階のアプローチである。 まず、政策失敗と相関し、不確実性を捉えるスカラー信号にポリシー入力と出力を蒸留する。 我々の実験は、新しいフローベース密度推定器を使用する場合、学習信号がほぼ一貫した効果を示す。
  論文  参考訳（メタデータ） (2025-03-11T15:47:12Z)
• Fault detection in propulsion motors in the presence of concept drift [0.0]
  海上電気推進モータの固定子巻線における過熱を検出するための機械学習手法を提案する。 操作データに注入された過熱断層を模擬し, 従来手法と比較して早期検出が可能であった。
  論文  参考訳（メタデータ） (2024-06-12T09:31:03Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
  物体検出と追跡から得られる軌道は、必然的にうるさい。 本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
  論文  参考訳（メタデータ） (2022-02-03T09:09:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。