Health Management - Anomaly Detection and Classification

Abstract

Deteksjon og klassifisering av anomalier er et viktig aspekt innen maskinlæring, spesielt for å forbedre tilstandsovervåkingstjenester i marine fartøyer. Kongsberg Maritime ønsker å utforske implementeringen av disse teknologiene. Denne oppgaven tar for seg denne utfordringen ved å foreslå et rammeverk for deteksjon og klassifisering av anomalier i skipsmotorer.

dette prosjektet forsøker gruppen å oppdage anomalier i skipsmotorer ved å bruke en Long Short-Term Memory modell. Dette ble gjort ved å dele motoren inn i fem forskjellige delsystemer, og trene en Long Short-Term Memory modell for hvert delsystem som predikerer systemets tilstand. Prediksjonene sammenlignes med den faktiske tilstanden til delsystemene for å oppdage uregelmessigheter. Denne tilnærmingen viste seg å være tilstrekkelig for anomalideteksjon, og alle modellene oppnådde gode resultater i form av gjennomsnittlig kvadratfeil (MSE) og r-kvadrat.

Selv om prosjektet har etablert en deteksjonsløsning for anomalier, kunne ikke anomaliklassifisering implementeres på grunn av utilstrekkelig data. Kongsberg Maritime er likevel fornøyd med anomalideteksjonstilnærmingen og er interessert i å utforske potensialet for anomaliklassifisering ytterligere ved å bruke rammeverket for anomalideteksjon som grunnlag.

Teamet brukte tradisjonelle smidige metodikkprinsipper gjennom hele prosjektet, og tilpasset dem til konteksten for maskinlæring. Til tross for noen utfordringer ble denne tilnærmingen ansett som vellykket.

Anomaly detection and classification is an important aspect of machine learning, particularly for enhancing condition monitoring services in marine vessels. Kongsberg Maritime is exploring the implementation of these technologies. This thesis addresses this challenge by proposing a framework for anomaly detection and classification in marine vessels.

In this project, the team aimed to detect anomalies in ship engines using a Long Short-Term Memory (LSTM) model. The engine was divided into five subsystems, with an LSTM model trained for each subsystem to predict its state. Anomalies were detected by comparing the predicted states with the actual states. This method proved effective, with all models achieving strong results in terms of Mean Squared Error and r-squared.

While the project successfully established an anomaly detection solution, anomaly classification could not be implemented due to insufficient data. Nonetheless, Kongsberg Maritime is satisfied with the anomaly detection approach and is interested in further exploring the potential for anomaly classification using the anomaly detection framework as a basis.

The team employed traditional agile methodology principles throughout the project, adapting them to the context of machine learning. Despite some challenges, this approach was deemed successful.