Frigate Speed Estimation Using CODLAG Propulsion System Parameters and Multilayer Perceptron
Procjena brzine fregate pomoću parametara CODLAG pogonskog sustava i višeslojnog perceptrona

Sandi Baressi Šegota, University of Rijeka Faculty of Engineering, Ivan Lorencin, Jelena Musulin, Daniel Štifanić, Zlatan Car
2020 Naše More (Dubrovnik)  
Authors present a Multilayer Perceptron (MLP) artifi cial neural network (ANN) method for the purpose of estimating a speed of a frigate using a combined diesel-electric and gas (CODLAG) propulsion system. Dataset used is publicly available, as conditionbased maintenance of naval propulsion plants dataset, out of which GT Compressor decay state coeffi cient and GT Turbine decay state coeffi cient are unused, while 15 features are used as input and ship speed is used as dataset output. Data set
more » ... t output. Data set consists of 11934 data points out of which 8950 (75%) are used as a training set and 2984 (25%) are used as a testing set. 26880 MLPs, with 8960 diff erent parameter combinations are trained using a grid search algorithm, quality of each solution being estimated with coeffi cient of determination (R2) and mean absolute error (MAE). Results show that a high-quality estimation can be made using an MLP, with best result having an error of just 3.4485x10 -5 knots (absolute error of 0.00014% of the range). This result was achieved with a MLP with three hidden layers containing 100 neurons each, logistic activation function, LBFGS solver, constant learning rate of 0.1 and no L2 regularization. Sažetak Autori predstavljaju metodu višeslojnog perceptrona (MLP) umjetne neuronske mreže (ANN) u svrhu procjene brzine fregate koristeći se kombiniranim dizel-električnim i plinskim pogonskim sustavom (CODLAG). Korišteni skup podataka javno je dostupan, poput skupa podataka o održavanju po stanju brodskih pogonskih postrojenja, od kojih se ne koriste koefi cijent raspadanja GT kompresora i koefi cijent stanja raspada GT Turbine, dok se 15 značajki koriste kao ulazni, a brzina broda kao izlazni podatak. Skup podataka sastoji se od 11934 podatkovne točke, od čega se 8950 (75 %) koristi kao skup za vježbu, a 2984 (25 %) kao testni skup. 26880 MLP-ova s 8960 različitih kombinacija parametara uvježbava se algoritmom pretraživanja energetske mreže, a kvaliteta svakog rješenja procjenjuje se koefi cijentom određivanja (R2) i prosječnom apsolutnom pogreškom (MAE). Rezultati pokazuju da se visokokvalitetna procjena može napraviti uz pomoć MLP-a, pri čemu će najbolji rezultat imati pogrešku od samo 3,4485x10 -5 čvorova (apsolutna pogreška raspona 0,00014 %). Za postizanje rezultata korišten je MLP s tri skrivena sloja koji sadrže po 100 neurona, logistička funkcija aktivacije, LBFGS rješavač, konstantna brzina učenja od 0,1 bez L2 regulacija. KEY WORDS artifi cial intelligence artifi cial neural networks CODLAG propulsion system multilayer perceptron speed estimation KLJUČNE RIJEČI umjetna inteligencija umjetne neuronske mreže CODLAG pogonski sustav višeslojni perceptron procjena brzine
doi:10.17818/nm/2020/2.4 fatcat:zek52myfbjaglalsgyqeosayeu