Hybrid AI-driven condition monitoring and RUL forecasting for multi-fault diagnosis in two-stroke marine diesel engines
Notice bibliographique
Résumé
This study proposes a unified, load-aware condition-based monitoring (CBM) framework for two-stroke marine diesel engines that integrates data-driven intelligence with physical interpretability. The methodology establishes a modular architecture comprising four interactive layers: ensemble-based anomaly detection, unsupervised fault clustering and fault labeling, context-aware supervised fault classification, and calibrated remaining useful life (RUL) prognostic predictions. Each pipeline is designed to maintain thermodynamic and mechanical consistency while adjusting to the nonlinear and load-dependent behavior of marine propulsion systems. Anomaly detection combines density-, partition-, and subspace-based models through weighted consensus to ensure robust fault localization with minimal false alarms. The clustering module transforms anomaly patterns into physically meaningful fault signatures, providing training targets for the supervised classifier, which employs load segmentation and direction coupled with probabilistic calibration to achieve interpretable fault classes. The prognostic layer integrates per-cylinder contextual embeddings, SHAP-based feature attribution, and Monte Carlo dropout for uncertainty quantification, producing stable and physically consistent RUL trajectories across the varying load conditions. Validation on data collected from a low-speed two-stroke testbed confirmed the framework’s robustness and interpretability, with representative RUL predictions achieving a mean RMSE and R² of 0.215 and 0.413, respectively. The results demonstrate that the framework offers a reproducible pathway toward intelligent, load-aware CBM systems for maritime applications.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».