Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
A Machine Learning Approach to Predictively Determine Filter Clogging in a Ballast Water Treatment System
KTH, School of Industrial Engineering and Management (ITM).
2019 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesisAlternative title
En maskininlärningsmetod för att prediktivt bestämma filterkloggning i ett barlastvattensystem (Swedish)
Abstract [en]

Since the introduction of the Ballast Water Management Convention, ballast water treatment systems are required to be used on ships for processing the ballast water to avoid spreading bacteria or other microbes which can destroy foreign ecosystems. One way of pre-processing the water for treatment is by straining the water through a filtration unit. When the filter mesh retains particles, it begins to clog and could potentially clog rapidly if the concentration of particles in the water is high. The clog jeopardises the system. The thesis aims at investigating if machine learning through neural networks can be implemented with the system to predictively determine filter clogging by investigating two popular network structures for time series analysis.

The problem came down to initially determine different grades of clogging for the filter element based on sampled sensor data from the ballast water treatment system. The data were then put through regression analysis through two neural networks for parameter prediction, one LSTM and one CNN. The LSTM predicted values of variable and clogging labels for the next 5 seconds and the CNN predicted values of variable and clogging labels for the next 30 seconds. The predicted data were then verified through classification analysis by an LSTM network and a CNN.

The LSTM regression network achieved an r 2 -score of 0.981 and the LSTM classification network achieved a classification accuracy of 99.5%. The CNN regression network achieved an r 2 -score of 0.876 and the CNN classification network achieved a classification accuracy of 93.3%. The results conclude that ML can be used for identifying different grades of clogging but that further research is required to determine if all clogging states can be classified.

Abstract [sv]

Sedan Ballast Water Management-konventionen introducerades har fartyg behövt använda barlastvattensystem för att behandla barlastvattnet i ett försök att hämma spridningen av bakterier och andra mikrober som kan vara farliga för främmande ecosystem. Ett sätt att förbehandla vattnet innan behandling är genom att låta det passera genom ett filter. När filtret samlar på sig partiklar börjar det att klogga och kan potentiellt klogga igen snabbt när koncentrationen av partiklar i vattnet är hög. Kloggning kan äventyra systemets säkerhet. Det här examensarbetet ämnar att undersöka om maskininlärning genom neurala nätvärk kan implementeras i systemet för att prediktivt bestämma filtrets kloggningsgrad genom att undersöka lämpligheten hos två populära nätverksstrukturer för tidsserieanalys.

Problemet handlade initialt om att bedömma olika kloggningsgrader för filterelementet baserat på samplade sensordata från barlastvattensystemet. Datan kördes sedan för regressionsanalys genom två neurala nätverk, ett av typen LSTM och ett av typen CNN för att prediktivt bestämma paramterarna. LSTM-nätvärket uppskattade variabelvärden och kloggningsgrad för de kommande 5 sekundrarna medan CNN:et uppskattade variabelvärden och kloggningsgrad för de kommande 30 sekunderna. Den uppskattade datan verifierades sedan genom klassificering av ett LSTM nätverk och två CNN.

LSTM nätverket för regression uppnådde ett r 2 -resultat på 0.981 och LSTM nätverket för klassificering uppnådde en klassificeringsgrad på 99.5%. CNN:et för regression uppn˚adde ett r 2 -resultat på 0.876 och CNN:et för klassificering uppnådde en klassificeringsgrad på 93.3%. Resultatet visar att ML kan användas för att identifiera olika kloggningsgrad men ytterligare forskning krävs för att bestämma om alla kloggningsstadier kan klassificeras.

Place, publisher, year, edition, pages
2019. , p. 62
Series
TRITA-ITM-EX ; 2019:606
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-263931OAI: oai:DiVA.org:kth-263931DiVA, id: diva2:1371211
External cooperation
Alfa Laval
Supervisors
Examiners
Available from: 2019-11-21 Created: 2019-11-19 Last updated: 2019-11-29Bibliographically approved

Open Access in DiVA

fulltext(2376 kB)19 downloads
File information
File name FULLTEXT01.pdfFile size 2376 kBChecksum SHA-512
7b7ce6017f2ec75191252152a55ca8e83b04a4791829beccf7e3efb5fbe78262feabe0a37e3bd513e1b47d99feea406b7755eb4ccb47c2170ac02d2c36f98685
Type fulltextMimetype application/pdf

By organisation
School of Industrial Engineering and Management (ITM)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 19 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 27 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf