ПРОГНОЗУВАННЯ ВІДМОВ СУДНОВИХ НАВІГАЦІЙНИХ СИСТЕМ З ВИКОРИСТАННЯМ МЕТОДІВ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.26906/SUNZ.2023.3.037Ключові слова:
система навігації суден, алгоритм випадкового лісу, прогнозування відмов, безпека на морі, машинне навчання, точність, ефективністьАнотація
Метою статті є розробка методу використання випадкового лісу для прогнозування відмов суднових навігаційних систем з високим ступенем точності для підвищення безпеки на морі. Суднові навігаційні системи відіграють важливу роль у безпеці судноплавства. Вони надають капітанам суден інформацію про їх місцезнаходження, погоду та інші умови, які можуть вплинути на безпеку судна. Однак навігаційні системи суден також схильні до збоїв. Помилки в навігаційних системах можуть призвести до зіткнень, затоплення та інших небезпечних ситуацій. У статті запропоновано використовувати алгоритм випадкового лісу для прогнозування відмов суднових навігаційних систем. Алгоритм випадкового лісу – це техніка машинного навчання, яка може бути використана для побудови моделей, здатних передбачити ймовірність події. У даному випадку подією є вихід з ладу навігаційної системи. Алгоритм випадкового лісу працює шляхом побудови ряду дерев рішень. Кожне дерево рішень будується на підвибірці даних. Підвибірка даних здійснюється випадковим чином. Потім алгоритм об'єднує передбачення всіх дерев рішень для отримання остаточного прогнозу. У статті продемонстровано, що алгоритм випадкового лісу може бути використаний для прогнозування відмов суднових навігаційних систем з високим ступенем точності. Використовувався набір даних з 1 000 записів. Набір даних містив дані з датчиків, а також мітку, яка вказувала, чи була навігаційна система справною на той момент часу. Модель була навчена на 80% набору даних, а 20% набору даних було використано для перевірки точності моделі. Точність моделі на тестовому наборі склала 95%. Таким чином, результати показують, що алгоритм випадкового лісу може бути використаний для підвищення безпеки на морі. З його допомогою можна запобігти відмовам навігаційних систем суден, що може запобігти зіткненням, затопленням та іншим небезпечним ситуаціям.Завантаження
Посилання
1 Tsaganos, G., Nikitakos, N., Dalaklis, D. et al. Machine learning algorithms in shipping: improving engine fault detection and diagnosis via ensemble methods. WMU J Marit Affairs 19, 51–72 (2020). https://doi.org/10.1007/s13437-019-00192-w.
Xiao Lang, Da Wu, Wengang Mao Comparison of supervised machine learning methods to predict ship propulsion power at sea, Ocean Engineering, Volume 245, 2022, 110387, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2021.110387.
Christos Gkerekos, Iraklis Lazakis, Gerasimos Theotokatos, Machine learning models for predicting ship main engine Fuel Oil Consumption: A comparative study, Ocean Engineering, Volume 188, 2019, 106282, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2019.106282.
D. Li, J. Xu, H. He and M. Wu, "An Underwater Integrated Navigation Algorithm to Deal With DVL Malfunctions Based on Deep Learning," in IEEE Access, vol. 9, pp. 82010-82020, 2021, doi: 10.1109/ACCESS.2021.3083493.
Yiqing Yao, Xiang Xu, Xiaosu Xu, Itzik Klein, "Virtual Beam Aided SINS/DVL Tightly Coupled Integration Method with Partial DVL Measurements", IEEE Transactions on Vehicular Technology, vol.72, no.1, pp.418-427, 2023.
Kim, Y.-R.; Jung, M.; Park, J.-B. Development of a Fuel Consumption Prediction Model Based on Machine Learning Using Ship In-Service Data. J. Mar. Sci. Eng. 2021, 9, 137. https://doi.org/10.3390/jmse9020137.
Zhu, J.; Li, A.; Qin, F.; Che, H.; Wang, J. A Novel Hybrid Method Based on Deep Learning for an Integrated Navigation System during DVL Signal Failure. Electronics 2022, 11, 2980. https://doi.org/10.3390/electronics11192980.
Yuchao Wang, Hui Wang, Bin Zhou, Huixuan Fu, Multi-dimensional prediction method based on Bi-LSTMC for ship roll, Ocean Engineering, Volume 242, 2021, 110106, ISSN 0029-8018, https://doi.org/10.1016/j.oceaneng.2021.110106. (https://www.sciencedirect.com/science/article/pii/S002980182101430X).
9 Hastie, Trevor, Robert Tibshirani, and Jerome Friedman. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. Springer-Verlag New York, 2009.
Bishop, Christopher M. Pattern Recognition and Machine Learning. Springer-Verlag New York, 2006.
