aalto1 untyped-item.component.html
Virtual sensor for estimating maritime engine vibration data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Engineering |
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
Degree programme
Language
en
Pages
59
Series
Abstract
Ensuring maritime engine vibrations stay within recommended levels is vital for longevity, reliability, efficiency, and comfort for passengers. To assess the vibration levels of new engines, extensive measurements are needed. However, due to tight production schedule and time-consuming measurement setups, it simply takes too long to measure every point. Another factor for insufficient measurements comes down to the costs of running the engine for testing. To compensate for missed or unmeasurable measurement points, researchers have lately taken interest in developing data-driven virtual sensors. Data-driven virtual sensors are machine learning-based model that are trained on historical data to estimate physical quantities.
This thesis explores the use of long-short term memory(LSTM) architecture model for estimating maritime engine block vibration signals. The LSTM model is a recurrent neural network (RNN) that builds on the idea of parameter sharing between cells in the network, which means that the input at one time step, effects the output of the next cell. Thus, giving the model the ability to learn from features in the input that are context-dependent. By utilizing LSTM virtual sensors, it can allow for shorter measurements, as well as possible decrease the amount of measured sensor positions on the engine block. Since, data-driven virtual sensors are often sensitive to the choosing of which sensors to minimise, as well as to optimize setup durations for measurement, the thesis discusses the approach to which sensors to choose to estimate. The thesis also answers the question regarding the quality of using estimated vibration data for evaluating if vibration levels are within recommended levels.
Three different research scenarios were studied using the LSTM architecture for estimating vibrations. The first scenario used simulated beam data. The second scenario utilized actual measured data from an excited beam. The last scenario utilized actual maritime engine data.
Each scenario shows a positive result. Indicating that there is a possibility to train a LSTM virtual sensor to estimate vibrations for maritime engines. The results also show that generalization of one model over systems with different dynamics is possible to some extent.
Det är viktigt att vibrationer från maritima motorer hålls på en rekommenderad nivå för att förlänga livslängd, förbättra effektivitet och garantera passagerare bekvämlighet.Omfattande mätningar krävs för att bedöma vibrationsnivåerna av nya motorer, men tajta produktionsscheman och långa förberedelser gör att alla begärda punkter inte kan mätas. Stora kostnaderna för att köra motorerna för mätningar är en annan faktor som leder till ofullständiga mätningarna. Forskning för datadrivna virtuella sensorer har vuxit på senaste tiden, för att kunna kompensera för ofullständiga mätningar. Datadrivna virtuella sensorer använder maskininlärningsalgoritmer tränade på historisk data för att estimera fysikaliska storheter.
Detta diplomarbete utforskar användningen av lång-korttidsminne (LSTM) arkitektur för att estimera vibrationer av maritima motorblock. Arkiteturen är ett rekurrent neuronnät (RNN), vilket bygger på idén av parameterdelning mellan celler i nätverket. Detta betyder att inmatningen i en cell påverkar utmatningen av följande cell. Detta ger modellen möjlighet att lära sig funktioner där inmatningar är kontextuellt beroende. Med hjälp av en tränad LSTM virtuell sensor kan vi därför minska på mätningars längd, samt på den totala mängden mätpunkter på motorblocket.I denna avhandling diskuteras vilka sensorpositioner som är möjliga att estimera, eftersom datadrivna virtuella sensorer är beroende av valet av sensorernas placering. Dessutom behandlas vilka positioner som är mest fördelaktiga att estimera för att optimera mätförberedelserna. Arbetet utvärderar ifall estimerad vibrationsdata kan användas för att kunna bedöma ifall vibrationsnivåerna hålls inom rekommenderade nivåer.
Arbetet behandlade tre forskningsscenarion där LSTM-arkitektur används för att estimera vibrationer. Första scenariot undersöker dess förmåga att estimera simulerade vibrationer för en stålbalk. Andra scenariot undersöker förmågan att estimera riktiga vibrationer av en stålbalk. Sista scenariot undersöker förmågan att estimera vibrationer av förbränningsmotorblock. Alla scenarion gav positiva resultat, vilket förespråkar användningen av LSTM arkitektur för att träna virtuella sensorer och kunna estimera vibrationer av maritima motorer. Resultaten visar också att generalisering av en modell över system med olika dynamik är möjlig i viss utsträckning.
Description
Supervisor
Viitala, RaineThesis advisor
Karhinen, AkuJohansson, Antti