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
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Predictive maintenance in internal combustion engines can be enhanced by accurately identifying the fuel type based on data collected from sensors or electronic control units (ECUs). This paper presents a study that aims to predict the fuel type (HVO100 or EN590) using machine learning techniques, specifically based only on the engine's rotational speed. The rotational speed data of a heavy-duty 6-cylinder diesel engine is measured and downsampled to frequencies of 100, 1000, and 10,000 Hz. To extract relevant features from the time series data, hundreds of features are extracted using hypothesis tests via the tsfresh library. Subsequently, selected features are trained using Databricks' automated machine learning (AutoML) platform. The study explores the relationships between the number of features, downsampling frequency, and the choice of machine learning models. The results indicate that, under the current configuration, the best test F1 score of 0.995 is achieved using logistic regression with 20 features and a downsampling frequency of 10,000 Hz. The analysis of SHAP values and p-values revealed that components of the Fourier transform and wavelet transform of the rotational speed play crucial roles in distinguishing between the fuel types. It is our hypothesis that the differences observed in the frequency domain are related to variations in fuel characteristics. Overall, this study presents a simple, interpretable, and computationally cost-efficient machine learning solution for predicting fuel type in industrial engines. The findings demonstrate the potential of applying this approach in real-world production environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle