A new intelligentapproach in predictive maintenance of separation system

• Autorzy: Marichal G. N. , Ávila D. , Hernández A. , Padrón I.

Identyfikatory

DOI

10.12716/1001.14.02.15

• Języki publikacji: EN

Abstrakty

EN

Reducing contaminant emissions is an important task of any industry, included the maritime one. In fact, in April 2018, IMO (International Maritime Organization) adopted an Initial Strategy on reduction of Greenhouse gas (GHG) emissions from ships. An essential part responsible for producing these emissions is the diesel engine. For that reason vessels include separation systems for heavy fuel oils. The purpose of this work is to improve the predictive maintenance techniques incorporating new intelligent approaches. An analysis of vibrations of this separation system was made and their characteristics were used in a Genetic Neuro-Fuzzy System in order to design an intelligent maintenance based on condition monitoring. The achieved results show that the proposed method provides an improvement since it indicates if a maintenance operation is necessary before the schedule one or if it could be possible extend the next maintenance service.

Słowa kluczowe

EN

marine fuel separators; separation system; predictive maintenance; greenhouse gas (GHG); Fast Fourier Transformation (FFT); genetic neuro-fuzzy system; genetic algorithm; supervised learning

• Wydawca: Faculty of Navigation, Gdynia Maritime University
• Czasopismo: TransNav : International Journal on Marine Navigation and Safety of Sea Transportation
• Rocznik: 2020
• Tom: Vol. 14, no. 2
• Strony: 385--390
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Marichal G. N.

• University of La Laguna, San Cristóbal de La Laguna, Tenerife, Spain 

autor

Ávila D.

• University of La Laguna, San Cristóbal de La Laguna, Tenerife, Spain 

autor

Hernández A.

• University of La Laguna, San Cristóbal de La Laguna, Tenerife, Spain

autor

Padrón I.

• University of La Laguna, San Cristóbal de La Laguna, Tenerife, Spain 

Bibliografia

• 1. Baojia, C., Baojia, S., Fafa, C., Hongliang, T., Wenrong, X.,  Zhang, F., Zhao, C., 2018. Fault diagnosis method based  on integration of RSSD and wavelet transform to rolling  bearing. Measurement.
• 2. Cerrada,  M.,  Sánchez,  R.,  Cabrera,  D.,  Zurita,  G.,  Li,  C.,  Cerrada, M., Sánchez, R.V., Cabrera, D., Zurita, G., Li,  C., 2015. Multi‐Stage Feature Selection by Using Genetic  Algorithms for Fault Diagnosis in Gearboxes Based on  Vibration Signal. Sensors 15, 23903–23926. 
• 3. Chen, S., Cowan, C.F.N., Grant, P.M., 1991. Orthogonal least  squares  learning  algorithm  for  radial  basis  function  networks. IEEE Trans. Neural Networks 2, 302–309
• 4. Cordón,  O.,  Gomide,  F.,  Herrera,  F.,  Hoffmann,  F.,  Magdalena, L., 2004. Ten years of genetic fuzzy systems:  current framework and new trends. Fuzzy Sets Syst. 141,  5–31
• 5. Gkerekos,  C.,  Lazakis,  I.,  Theotokatos,  G.,  2017.  Ship  Machinery  condition  monitoring  using  performance  data  through  supervised  learning.  ISBN  Smart  Sh.  Technol. 9781909024632, 105–111
• 6. Go,  H.,  Kim,  J.‐S.,  Lee,  D.‐H.,  2013.  Operation  and  preventive maintenance scheduling for containerships:  Mathematical  model  and  solution  algorithm.  Eur.  J.  Oper. Res. 229, 626–636. 
• 7. Gou, X., Bian, C., Zeng, F., Xu, Q., Wang, W., Yang, S., 2018.  A  Data‐Driven  Smart  Fault  Diagnosis  Method  for  Electric Motor, in: 2018 IEEE International Conference  on  Software  Quality,  Reliability  and  Security  Companion (QRS‐C). IEEE, pp. 250–257
• 8. He, J., Yang, S., Gan, C., He, J., Yang, S., Gan, C., 2017.  Unsupervised Fault Diagnosis of a Gear Transmission  Chain Using a Deep Belief Network. Sensors 17, 1564
• 9. Jakovlev,  S.,  Andziulis,  A.,  Daranda,  A.,  Voznak,  M.,  Eglynas, T., 2017. Research on ship autonomous steering  control for short‐sea shipping problems. Transport 32,  198–208
• 10. Jang,  J.‐S.R.,  1993.  ANFIS:  adaptive‐network‐based  fuzzy  inference  system.  IEEE  Trans.  Syst.  Man.  Cybern.  23,  665–685
• 11. M. Samhouri , A. Al‐Ghandoor , S. Alhaj Ali , I. Hinti, W.M.  a, 2009. An Intelligent Machine Condition Monitoring  System  Using  Time‐Based  Analysis:  Neuro‐Fuzzy  Versus Neural Network. Jordan J. Mech. Ind. Eng. 3,  294–305. 
• 12. Marichal,  G.N.,  Hernández,  A.,  Rojas,  J.A.,  Melón,  E.,  Rodríguez, J.A., Padrón, I., 2016. Sistema Inteligente de  apoyo a maniobras de grandes buques en puertos. RIAI ‐  Rev. Iberoam. Autom. e Inform. Ind.
• 13. Martini, A., Troncossi, M., 2016. Upgrade of an automated  line for plastic cap manufacture based on experimental  vibration analysis. Case Stud. Mech. Syst. Signal Process.  3, 28–33.
• 14. Muszynska, A., 2005. Rotordynamics, CRC Taylor & Francis  Group. New York. 
• 15. Nobre,  F.S.M.,  1995.  Genetic‐neuro‐fuzzy  systems:  a  promising  fusion,  in:  Proceedings  of  1995  IEEE  International  Conference  on  Fuzzy  Systems.  The  International  Joint  Conference  of  the  Fourth  IEEE  International  Conference  on  Fuzzy  Systems  and  The  Second  International  Fuzzy  Engineering  Symposium.  IEEE, pp. 259–266
• 16. Rajasekaran, S., Pai, G.A.V., 2003. Neural Networks, Fuzzy  Logic  and  Genetic  Algorithm:  Synthesis  and  applications.
• 17. Simani, S., Fantuzzi, C., Patton, R.J., 2003. Model-based Fault Diagnosis in Dynamic Systems Using Identification Techniques. - doi:10.1007/978-1-4471-3829-7
• 18. Wang, J., Zhang, L., Duan, L., Gao, R.X., 2017. A new paradigm of cloud-based predictive maintenance for intelligent manufacturing. J. Intell. Manuf. 28, 1125–1137. - doi:10.1007/s10845-015-1066-0
• 19. White, G., 2010. Introducción al Análisis de Vibraciones. AZIMA, 16-98.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020)