메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
박민규 (부경대학교) 김현주 (한국조선해양기자재연구원) 이상봉 (랩오투원) 이지환 (부경대학교)
저널정보
대한산업공학회 대한산업공학회지 대한산업공학회지 제49권 제5호
발행연도
2023.10
수록면
379 - 394 (16page)
DOI
10.7232/JKIIE.2023.49.5.379

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
The main engine of a ship plays a crucial role in providing propulsion. In recent times, there has been growing interest in a data-driven monitoring approach that utilizes sensor data to complement the preventive maintenance-centered maintenance strategy. Previous studies have proposed methodologies that apply anomaly detection algorithms to the sensor data within the main engine. However, these methodologies have limitations as they only focus on analyzing internal sensor data and fail to consider external factors such as operating conditions, marine environment, and weather. Additionally, the use of black-box approaches makes it challenging to determine the specific factors causing anomalies. To address these limitations, this study introduces a method that employs Explainable Artificial Intelligence (XAI) techniques to identify the causes of anomalies in ship main engines. The proposed method involves calculating anomaly scores using Variational AutoEncoder on collected sensor data and training a separate model to predict anomaly scores by considering external factors like operating conditions and weather. Furthermore, the SHAP (Shapley Additive Explanations) technique is utilized to quantify the contributions of external factors to the anomaly scores. This enables the analysis of individual data features and facilitates both local and global analysis for identifying the causes of anomalies and diagnosing faults. The proposed methodology was validated through a case study using data collected from a container ship over an 18-month period, demonstrating its effectiveness in identifying the causes of anomalies in the ship’s main engine.
#Vessel Main Engine #Anomaly Detection #Explainable AI #Root-cause Analysis

목차

1. 서론
2. 선행 연구
3. 연구 방법론
4. 실험
5. 결과 및 토의
6. 결론
참고문헌

참고문헌 (40)

참고문헌 신청
Aggarwal, C. C. (2017), Outlier Analysis, Springer International Publishing. https://doi.org/10.1007/978-3-319-47578-3. google schola An, J. and Cho, S. (2015), Variational autoencoder based anomaly detection using reconstruction probability, Special lecture on IE. http://dm.snu.ac.kr/static/docs/TR/SNUDM-TR-2015-03.pdf. google schola Bentéjac, C., Csörgő, A., and Martínez-Muñoz, G. (2021), A comparative analysis of gradient boosting algorithms, Artificial Intelligence Review, 54(3), 1937-1967. google schola Boullosa, D., Larrabe, J. L., Lopez, A., and Gomez, M. A. (2017), Monitoring through T2 Hotelling of cylinder lubrication process of marine diesel engine, Applied Thermal Engineering, 110, 32-38. google schola Bergman, L. and Hoshen, Y. (2020), Classification-Based Anomaly Detection for General Data (arXiv:2005.02359), arXiv. http://arxiv.org/abs/2005.02359. google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

GPT-API와 BERTopic을 활용한 Non-Continuous Ventilator의 사용성 문제 연구: MAUDE 데이터베이스의 사고 데이터 분석 및 토픽 모델링
김시은 ,  이지환 ,  유일선 대한산업공학회 추계학술대회 논문집 2023 .11
선박설계에 있어서 인공지능의 응용에 관하여
이동곤 대한조선학회지 1988 .03
대포병탐지레이더의 AI 기반 표적/클러터 분류모델에 관한 연구
김선진 ,  조용주 ,  김준환 외 2명 대한산업공학회지 2024 .02
심층 강화학습을 활용한 이미지 분류
고병은 ,  김성범 대한산업공학회지 2024 .02
XAI를 활용한 특별관리해역의 연안오염총량관리제 오염물질 대상항목 선정 및 해양오염 관리 방안 도출
김세상 한국해양환경·에너지학회지 2023 .11

최근 본 자료

전체보기

댓글(0)

0