Machine learning algorithms in shipping: improving engine fault detection and diagnosis via ensemble methods

Tsaganos, G.; Nikitakos, Nikitas; Dalaklis, Dimitrios; Ölçer, Aykut I.

doi:10.1007/s13437-019-00192-w

Cited by 18 publications

(9 citation statements)

References 15 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Finally, the aforementioned individual but interconnected layers facilitate data acquisition from the physical world, which are fed to the application layer for observation. The advancements through machine learning (ML), a branch of artificial intelligence, are seen to have revolutionized the IoRT architecture with fast and smooth fault diagnosis, making "ships safer, easier to use and more efficient" [51,52].…”

Section: Ras and The Internet Of Robotic Things: Through The Prism Of Datamentioning

confidence: 99%

Maritime Robotics and Autonomous Systems Operations: Exploring Pathways for Overcoming International Techno-Regulatory Data Barriers

Johansson¹,

Dalaklis²,

Pastra³

2021

JMSE

View full text Add to dashboard Cite

The current regulatory landscape that applies to maritime service robotics, aptly termed as robotics and autonomous systems (RAS), is quite complex. When it comes to patents, there are multifarious considerations in relation to vessel survey, inspection, and maintenance processes under national and international law. Adherence is challenging, given that the traditional delivery methods are viewed as unsafe, strenuous, and laborious. Service robotics, namely micro aerial vehicles (MAVs) or drones, magnetic-wheeled crawlers (crawlers), and remotely operated vehicles (ROVs), function by relying on the architecture of the Internet of Robotic Things. The aforementioned are being introduced as time-saving apparatuses, accompanied by the promise to acquire concrete and sufficient data for the identification of vessel structural weaknesses with the highest level of accuracy to facilitate decision-making processes upon which temporary and permanent measures are contingent. Nonetheless, a noticeable critical issue associated with RAS effective deployment revolves around non-personal data governance, which comprises the main analytical focus of this research effort. The impetus behind this study stems from the need to enquire whether “data” provisions within the realm of international technological regulatory (techno-regulatory) framework is sufficient, well organized, and harmonized so that there are no current or future conflicts with promulgated theoretical dimensions of data that drive all subject matter-oriented actions. As is noted from the relevant expository research, the challenges are many. Engineering RAS to perfection is not the end-all and be-all. Collateral impediments must be avoided. A safety net needs to be devised to protect non-personal data. The results here indicate that established data decision dimensions call for data security and protection, as well as a consideration of ownership and liability details. An analysis of the state-of-the-art and the comparative results assert that the abovementioned remain neglected in the current international setting. The findings reveal specific data barriers within the existing international framework. The ways forward include strategic actions to remove data barriers towards overall efficacy of maritime RAS operations. The overall findings indicate that an effective transition to RAS operations requires optimizing the international regulatory framework for opening the pathways for effective RAS operations. Conclusions were drawn based on the premise that policy reform is inevitable in order to push the RAS agenda forward before the emanation of 6G and the era of the Internet of Everything, with harmonization and further standardization being very high priority issues.

show abstract

Section: Ras and The Internet Of Robotic Things: Through The Prism Of Datamentioning

confidence: 99%

Maritime Robotics and Autonomous Systems Operations: Exploring Pathways for Overcoming International Techno-Regulatory Data Barriers

Johansson¹,

Dalaklis²,

Pastra³

2021

JMSE

View full text Add to dashboard Cite

show abstract

“…The newly proposed approach demonstrates not only higher accuracy, but also better generalization under different training paradigms. Tsaganos et al (2020) [16] demonstrated the application of AdaBoost classifier for the improvement of engine fault detection. Based on the achieved performance, with an accuracy of 96.5%, the authors concluded that the ensemble methods such as used are an appropriate choice for the given problem.…”

Section: Literature Reviewmentioning

confidence: 99%

Use of Genetic Programming for the Estimation of CODLAG Propulsion System Parameters

Anđelić

Šegota

Lorencin

et al. 2021

JMSE

View full text Add to dashboard Cite

In this paper, the publicly available dataset for the Combined Diesel-Electric and Gas (CODLAG) propulsion system was used to obtain symbolic expressions for estimation of fuel flow, ship speed, starboard propeller torque, port propeller torque, and total propeller torque using genetic programming (GP) algorithm. The dataset consists of 11,934 samples that were divided into training and testing portions in an 80:20 ratio. The training portion of the dataset which consisted of 9548 samples was used to train the GP algorithm to obtain symbolic expressions for estimation of fuel flow, ship speed, starboard propeller, port propeller, and total propeller torque, respectively. After the symbolic expressions were obtained the testing portion of the dataset which consisted of 2386 samples was used to measure estimation performance in terms of coefficient of correlation (R2) and Mean Absolute Error (MAE) metric, respectively. Based on the estimation performance in each case three best symbolic expressions were selected with and without decay state coefficients. From the conducted investigation, the highest R2 and lowest MAE values were achieved with symbolic expressions for the estimation of fuel flow, ship speed, starboard propeller torque, port propeller torque, and total propeller torque without decay state coefficients while symbolic expressions with decay state coefficients have slightly lower estimation performance.

show abstract

“…Χρησιμοποιεί στοιχεία από αυτά τα πεδία για να επεξεργάζεται δεδομένα με τέτοιο τρόπο, ώστε να μπορεί να ανιχνεύει και να μαθαίνει από μοτίβα, να προβλέπει μελλοντική δραστηριότητα ή να λαμβάνει αποφάσεις (Shalev-Schwartz & Ben-David, 2014). Η μηχανική μάθηση θεωρείται μια αποτελεσματική εμπειρική προσέγγιση, τόσο για την ανάλυση παλινδρόμησης (regression), όσο και για την ταξινόμηση (classification), υπό εποπτεία ή χωρίς εποπτεία, μη γραμμικών συστημάτων (Tsaganos et al, 2020, Lary et al, 2016, Mohammed et al, 2016.…”

Section: η μηχανική μάθηση (Machine Learning)unclassified

“…Παρά τις δυνατότητες της μηχανικής μάθησης στην ανάλυση μεγάλων όγκων δεδομένων και των αναγκών της ναυτιλίας για επεξεργασία ανάλογων όγκων δεδομένων, οι εφαρμογές της μηχανικής μάθησης στον κλάδο της ναυτιλίας παραμένουν περιορισμένες (Tsaganos et al, 2020 (Dalaklis et al, 2018).…”

Section: εφαρμογές της μηχανικής μάθησης στον κλάδο της ναυτιλίαςunclassified

“…Η τεχνητή νοημοσύνη και η μηχανική μάθηση έχουν την ικανότητα να διαδραματίσουν έναν κρίσιμο ρόλο στο πρόβλημα του χειρισμού αυτών των τεράστιων ποσοτήτων δεδομένων, τα οποία θα συσχετιστούν με ναυτιλιακές επιχειρήσεις στο μέλλον (Tsaganos et al, 2020). Η επιστημονική έρευνα, σε συνάφεια με την πρακτική εφαρμογή των μεθόδων μηχανικής μάθησης, παραμένει ακόμη σε αρχικό στάδιο (Tsaganos et al, 2020, Coraddu et al, 2016.…”

Section: εφαρμογές της μηχανικής μάθησης στον κλάδο της ναυτιλίαςunclassified

See 1 more Smart Citation

Διαχείριση Χρηματοοικονομικών Κινδύνων Στη Ναυτιλία Με Εφαρμογή Δυναμικών Ποσοτικών Υποδειγμάτων

Tsatsaronis¹,

Τσατσαρώνης²

View full text Add to dashboard Cite

Η εμπειρική αξιολόγηση και υλοποίηση αποτελεσματικών προσεγγίσεων στη διαχείριση κινδύνων που αντιμετωπίζουν οι επιχειρήσεις με διεθνείς δραστηριότητες, παραμένει ένα ερευνητικό πεδίο εξαιρετικής σημασίας, για τις στρατηγικές αποφάσεις της Διοίκησης. Η ανάγκη ανάληψης αποτελεσματικών δράσεων στον τομέα αυτό καθίσταται ακόμα πιο επιτακτική, ιδίως μετά την πρόσφατη χρηματοοικονομική κρίση του 2008 και προσφάτως την - ακόμα σε εξέλιξη - παγκόσμια υγειονομική πανδημία. Για την αποτελεσματική διαχείριση διαφορετικών τύπων κινδύνων απαιτούνται πλέον σύγχρονες, δυναμικές και επικαιροποιημένες, συνδυαστικές, προσεγγίσεις. Οι αγορές προϊόντων και θαλασσίων μεταφορών, ειδικότερα, αποτελούν ζωτικούς οικονομικούς τομείς, με κομβικό ρόλο στην προώθηση ισχυρής οικονομικής ανάπτυξης σε παγκόσμιο επίπεδο. Στο πλαίσιο αυτό, ιδιαίτερο ενδιαφέρον μελέτης παρουσιάζουν οι ναυτιλιακές αγορές, που υπόκεινται σε έντονες διακυμάνσεις, επηρεαζόμενες από σύνθετους παράγοντες κινδύνου, όπως ο επιχειρηματικός κίνδυνος, ο κίνδυνος αγοράς, ο χρηματοοικονομικός, ο πιστωτικός, ο λειτουργικός, ο τεχνικός, ο νομικός, ή ο περιβαλλοντολογικός κίνδυνος, μεταξύ άλλων. Η συστηματική προσπάθεια μέτρησης και αντιστάθμισης χρηματοοικονομικών κινδύνων με τη χρήση των κατάλληλων ποσοτικών εργαλείων, σε συνδυασμό με την εφαρμογή αποτελεσματικών στρατηγικών διαχείρισής τους, αποτελεί αξιοσημείωτο και διαρκώς εξελισσόμενο αντικείμενο επιστημονικής και πρακτικής μελέτης. Η παρούσα Διδακτορική Διατριβή φιλοδοξεί να συνεισφέρει στη χρηματοοικονομική διοίκηση των ναυτιλιακών εταιρειών προτείνοντας, αναπτύσσοντας και αξιολογώντας μια ολοκληρωμένη μεθοδολογική προσέγγιση σε επιλεγμένα ζητήματα διαχείρισης χρηματοοικονομικών κινδύνων. Έμφαση δίνεται σε τρεις κρίσιμες μορφές κινδύνου με στόχο την αποτελεσματική διαχείρισή τους από τις διοικήσεις των ναυτιλιακών εταιρειών και συγκεκριμένα: τον κίνδυνο αγοράς, τον χρηματοοικονομικό κίνδυνο και τον επενδυτικό κίνδυνο. Διερευνώνται, ειδικότερα, η διαχείριση του κινδύνου αγοράς, λόγω έντονων διακυμάνσεων των ναύλων, με τη χρήση σύγχρονων παραγώγων εργαλείων, η αξιολόγηση των χρηματοοικονομικών συνεπειών της κεφαλαιακής διάρθρωσης και η διαχείριση του επενδυτικού κινδύνου, λόγω μεταβολών στις τιμές των πλοίων. Η ευρύτερη μελέτη του κινδύνου των ναυλαγορών επιτυγχάνεται με σύγχρονες και πρωτότυπες μαθηματικές, οικονομετρικές και στατιστικές μεθόδους, όπως ανάλυση χρονοσειρών, επεξεργασία διαστρωματικών δεδομένων, υποδείγματα ανάλυσης διακύμανσης και δυναμικά μοντέλα προβλέψεων μέσω τεχνητής νοημοσύνης και μηχανικής μάθησης.

show abstract

Machine learning algorithms in shipping: improving engine fault detection and diagnosis via ensemble methods

Cited by 18 publications

References 15 publications

Maritime Robotics and Autonomous Systems Operations: Exploring Pathways for Overcoming International Techno-Regulatory Data Barriers

Maritime Robotics and Autonomous Systems Operations: Exploring Pathways for Overcoming International Techno-Regulatory Data Barriers

Use of Genetic Programming for the Estimation of CODLAG Propulsion System Parameters

Διαχείριση Χρηματοοικονομικών Κινδύνων Στη Ναυτιλία Με Εφαρμογή Δυναμικών Ποσοτικών Υποδειγμάτων

Contact Info

Product

Resources

About