MARC

 008250123s2024        us                              c    eng  d
■001000017162821
■00520250211152059
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382739496
■035    ▼a(MiAaPQ)AAI31349001
■035    ▼a(MiAaPQ)umichrackham005493
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a620
■1001  ▼aOlson,  Stephen  A.
■24510▼aCreating  a  Multi-model  Artificial  Intelligence  Framework  to  Predict  the  Operational  Availability  of  a  Laboratory-Scale  Ship  Machinery  Plant
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a175  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Collette,  Matthew  D.;McCoy,  Timothy  J.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aIn  interests  of  autonomous  and  unmanned  operation  of  seagoing  vessels  by  both  commercial  entities  and  the  United  States  Government,  significant  research  has  been  conducted  for  safe  navigation  and  cybersecurity.  This  research  has  contributed  to  the  reduction  of  required  onboard  personnel.  However,  research  directed  toward  reducing  required  underway  personnel  ensuring  reliable  operation  of  shipboard  machinery  systems  is  limited.  Machinery  reliability  has  become  a  primary  restriction  for  unmanned  and  autonomous  operation.  Due  to  complexities  driven  by  plant  machinery  size  and  inter-connectivity  of  systems,  traditional  methods  for  improved  reliability  such  as  redundancy  and  component  design  for  high  reliability  are  insufficient  to  provide  necessary  reliability  for  achieving  unmanned  and  autonomous  operation  of  vessel  machinery  plants  over  desired  duration  of  deployment.  Given  the  inability  to  address  component  faults  and  failures,  a  need  exists  to  focus  research  efforts  on  operational  resilience,  or  the  ability  to  continue  operation  in  fault  prone  and  present  environments.To  improve  operational  resilience,  this  work  proposes  use  of  Artificial  Intelligence  (AI)  to  perform  prognostics  and  diagnostics  on  plant  machinery  systems  to  understand  state  of  health  and  predict  vessel  operational  availability.  With  knowledge  of  system  capabilities  until  failure,  fault  mitigation  techniques  may  be  employed.  These  techniques  include  modification  to  mission  operations  or  more  complex  applications  such  as  control  based  fault  mitigation  to  maintain  operational  capabilities.  Heretofore,  research  for  ship  machinery  system  prognostics  and  diagnostics  have  been  focused  at  component  and  subsystems  levels  to  acquire  input  data  from  hardware.  Applications  of  prognostics  and  diagnostics  at  the  system  level  are  prevalent  in  literature  in  instances  with  input  data  obtained  from  software  simulation  models  of  hardware  systems.  Due  to  the  lack  of  hardware  based  failure  data,  prognostics  and  diagnostics  of  ship  machinery  plants  is  largely  unexplored.  In  this  work,  a  laboratory  scale  ship  machinery  plant  (MLSMP)  is  designed,  constructed  and  leveraged  to  obtain  lacking  run  to  failure  (RTF)  data.  The  MLSMP  consisted  of  a  cooling  system,  fuel  system,  emulated  diesel  generator  sets,  energy  storage  system,  electrical  system,  mission  system,  propulsion  system,  and  real  time  control  and  data  acquisition  system.  The  MLSMP  was  used  to  obtain  100  RTF  profiles  for  common  faults  and  failures  of  machinery  systems  and  illustrate  three  potential  control  mitigation  strategies  for  the  fault  prone  environment.The  constructed  dataset  served  as  input  data  to  explore  potential  AI  models,  including  the  selected  Long  Short-term  Memory  (LSTM)  Recurrent  Neural  Network  (RNN)  model.  These  models  aimed  to  detect  individual  system  failures  and  predict  when  a  system  would  fail  to  support  operational  mission  demands,  which  are  utilized  to  create  a  multi-model  prediction  algorithm  for  the  MLSMP.  The  developed  plant-level  algorithm  is  tested  and  evaluated  using  the  100  RTF  profiles  to  demonstrate  successes  and  predict  accuracy  concerning  input  parameter  selection.  The  LSTM  model  performed  well  in  the  diagnostic  and  prognostic  tasks  for  the  cooling  system.  The  models  performed  well  for  the  more  complex  fuel  system,  although  errors  increased  as  system  complexity  increased.Efforts  under  this  PhD  research  provide  a  significant  step  towards  the  operation  of  unmanned  and  autonomous  operation  of  ship  machinery  plants.  These  efforts  include  the  construction  of  a  laboratory  based  ship  machinery  plant,  obtaining  run  to  failure  data  for  the  laboratory  based  plant,  constructing  and  evaluating  an  LSTM  driven  multi-model  framework  for  prognostics  and  diagnostics  of  the  MLSMP,  and  showcasing  the  potential  for  unconventional  control  methods  to  maintain  operational  availability  in  the  presence  of  machinery  system  faults.
■590    ▼aSchool  code:  0127.
■650  4▼aEngineering
■650  4▼aNaval  engineering
■653    ▼aShipboard  machinery
■653    ▼aLong  short-term  memory
■653    ▼aPrognostics  and  diagnostics
■653    ▼aRun  to  failure
■653    ▼aMachine  learning
■690    ▼a0537
■690    ▼a0468
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bNaval  Architecture  &  Marine  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162821▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books