基于假设检验和自动化机器学习的时间序列特征提取方法,用于海洋和工业发动机中燃料类型的分类以实现预测性维护

《Applications in Energy and Combustion Science》:Classification of fuel type for predictive maintenance in marine and industrial engines using time series feature extraction based on hypothesis tests and automated machine learning

【字体: 大 中 小 】 时间:2026年01月28日 来源:Applications in Energy and Combustion Science 6

编辑推荐:

  宁国 | 埃里克·詹松 | 马蒂亚斯·约翰松 | 罗尼·林德格伦 | 安德烈亚斯·尼曼 | 乔纳斯·谢布洛姆AB沃尔沃Penta公司,Gropeg?rdsgatan 11号,417 15号,哥德堡,瑞典摘要通过基于传感器或电子控制单元(ECU)收集的数据准确识别燃料类型,可以提升

  
宁国 | 埃里克·詹松 | 马蒂亚斯·约翰松 | 罗尼·林德格伦 | 安德烈亚斯·尼曼 | 乔纳斯·谢布洛姆
AB沃尔沃Penta公司,Gropeg?rdsgatan 11号,417 15号,哥德堡,瑞典

摘要

通过基于传感器或电子控制单元(ECU)收集的数据准确识别燃料类型,可以提升内燃机的预测性维护水平。本文介绍了一项研究,旨在仅利用发动机的转速数据,通过机器学习技术预测燃料类型(HVO100或EN590)。研究人员测量了一台重型六缸柴油发动机的转速数据,并将其下采样至100 Hz、1000 Hz和10,000 Hz的频率。为了从时间序列数据中提取相关特征,使用tsfresh库通过假设检验提取了数百个特征。随后,利用Databricks的自动化机器学习(AutoML)平台对这些特征进行了训练。该研究探讨了特征数量、下采样频率以及机器学习模型选择之间的关系。结果表明,在当前配置下,使用20个特征和10,000 Hz的下采样频率时,逻辑回归模型的测试F1分数最高,达到0.995。通过对SHAP值和p值的分析发现,转速的傅里叶变换和小波变换成分在区分燃料类型方面起着关键作用。我们的假设是,频域中观察到的差异与燃料特性的变化有关。总体而言,本研究提出了一种简单、易于解释且计算成本效益高的机器学习方法,可用于预测工业发动机中的燃料类型。研究结果展示了该方法在实际生产环境中的应用潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号