Tilbake til søkeresultatene

NAERINGSPH-Nærings-phd

Statistical and machine learning for the analysis and prediction of faults and abnormalities in high dimensional sensor data on vessels

Alternativ tittel: Statistisk- og maskin-læring for analyse og prediksjon av feil og abnormaliteter i høydimensjonelle sensordata fra skip

Tildelt: kr 1,7 mill.

Forskningsarbeidet som pågår i dette prosjektet er relatert til å utvikle og anvende moderne statistiske og maskinlærings-analyser på store mengder tidsseriedata, samlet inn fra høydimensjonale marine fremdriftssystemer. Dette skal gjøres for å optimere ulike aspekter ved drift og vedlikehold av marinefartøyer. Innovativ, distribuert og intelligent sensorteknologi er nå tilgjengelig på de fleste skip. Vi har en unik tilgang til sensordata, som for første gang streames fra ulike fartøy i drift til landbaserte kontrollsentre. Formålet med arbidet er å undersøke hvordan disse dataene kan brukes til å generere dyp kunnskap om prosesser og dynamikk som kan fører til unormale operasjoner, eller til og med feil på fartøy Det marine forretningsområdet er for tiden i et skifte. Moderne fartøy er svært avanserte industrikomplekser som inneholder et bredt spekter av utstyr knyttet til kraftproduksjon, kraftfordeling, fremdrift og andre typer automatisering. Alt dette utstyret genererer en økende mengde data. For å optimalisere driften av fartøy er det behov for å utføre avansert analyse både på skipet og på land. Et annet viktig aspekt er viktigheten av avansert analyse av fartøyene for å optimalisere driften. For skipets eiere og operatører gir nye analyseløsninger mindre nedetid, unngåtte katastrofale feil, optimalisering av utstyrsytelse, fartøy og fartøysflåter, redusert energiforbruk, høyere ytelse og generelt forbedret operativ forutsigbarhet. For leverandørbedrifter som ABB er avanserte statistiske analyser ansett som avgjørende for å opprettholde den ledende posisjonen i markedet. Målet er å spille på spesialisert matematisk kompetanse til å utvikle tjenester og løsninger som kan lede fram en mer kostnadseffektiv og også mer bærekraftig maritime bransje. Forskningen som nå gjøres som en del av prosjektet konsentrerer seg nå om å utlede tilstanden til utstyr ombord basert på sensordata montert på roterende maskineri. Denne klassen med utstyr som for eksempel fremdriftsmotorer er særdeles kritisk for integreteten til operasjonen av og sikkerheten til disse skipene. Det å kunne oppdage begynnende feil og planlegge vedlikehold vil kunne redusere nedetid og øke sikkerheten under kritiske operasjoner.

-

This project contributes statistics and machine learning methodology for exploiting new high-dimensional and high-frequency sensor data on board vessels at sea, to improve marine safety, efficiency and availability. Shipping is and will be one of the leading Norwegian industries. This project develops innovative solutions for networks of sensors, programmed to measure many variables which are known to be important in describing the status of various types of machineries and components of a vessel. ABB has unique access to such sensor data, which are for the first time streamed from vessels in operation to ABB?s control centre in Norway. The purpose of the thesis is to investigate how these data can be used to generate deep knowledge about processes and dynamics, which lead to abnormal operations or even faults on vessels. This thesis focuses on two challeges: (i) Data management of huge data time series of different scale, collected over longer periods and on many vessels: how to organise, match and annotate such data in order to be able to investigate patterns and perform analysis? (ii) High dimensional, scalable statistical methods are needed, together with efficient machine learning approaches, in order to detect abnormalities or faults appearing in some components and in some scales, as rapidly as possible. The time series are high dimensional, with hundreds of sensors on each vessel and the signal of abnormality can reside in any of the stochastic multivariate structures of the time series. In addition, multivariate dependence can be at various lags. The series need to be analysed for surprising and abnormal behaviour. The sample frequency of the sensors varies very much. We will study how to handle these variable sample frequencies without resorting on massive missing values, both in storing and in analysing. Real time sensor data lead to huge data sets, which challenge storage and algorithms. All our methods and algorithms must scale computationally.

Budsjettformål:

NAERINGSPH-Nærings-phd