Remote fault diagnostic model for tribological systems in marine diesel engine with two-level self-organizing map network

Abstract

Many researches indicate that a great number of failures occur in the tribological system which will reduce the reliability of the marine diesel engine. Therefore, it is necessary to monitor the condition and identify the fault mode of the engine. In this paper, remote fault diagnostic technology is developed to take full advantage of the online oil monitoring system and the laboratory analysis for the tribological systems. To increase the efficiency of fault diagnosis, a two-level fault diagnostic model based on self-organizing map (SOM) was established with the oil parameters from the online oil system and the experimental data from the laboratory. Based on the component map of SOM network , the attributes of the feature vector in the second level were reduced to simplify the model and the trajectory of the samples was tracked during the application of the system. The diagnostic result indicates that the remote fault diagnosis technology benefits the full acquirement of the information reflecting the engine condition and the two level fault diagnostic model can be well applied in fault diagnosis for the tribological systems in marine diesel engine with satisfactory result.

Metodologias para desenvolvimento de mapas auto-organizáveis de Kohonen executados em FPGA.

“…descrito na seção 3.4, o primeiro processo computacional dos algoritmos de treinamento e operação do SOM é o cálculo de distância entre o vetor de entrada e o vetor peso de cada neurônio da rede, para determinação do neurônio de maior similaridade. Tradicionalmente em execuções em software, emprega-se a distância Euclidiana neste processo(HAYKIN, 2007;XIAOJIAN et al, 2014;KOHONEN, 2014). Porém, em execuções do SOM diretamente em hardware, a distância de Manhattan é a opção mais frequente (por exemplo, RÜPING; RÜCKERT;GOSER, 1993;HIKAWA, 2005;.…”

“…O fator de aprendizagemcoeficiente de valor entre 0 (zero) e 1 (um) utilizado para regular a intensidade do ajuste dos pesosdeve ser uma função escalar monótona decrescente, conforme apresentado na seção 3.4. Em execuções do SOM em software geralmente se utilizam funções hiperbólicas ou exponenciais para execução de ( )(HAYKIN, 2007), como, por exemplo, emXiaojian et al (2014). Entretanto, funções alternativas para computação do fator de aprendizagem também são possíveis, como, por exemplo, as funções compostas por segmentos lineares (em inglês, "piecewise linear function") utilizadas em experimentos reportados porKohonen (2014).…”