Klusterianalyysi hinaajan ohjausjärjestelmän käyttödatalle
Vänttinen, Taru (2023)
2023
Teknis-luonnontieteellinen DI-ohjelma - Master's Programme in Science and Engineering
Tekniikan ja luonnontieteiden tiedekunta - Faculty of Engineering and Natural Sciences
This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Hyväksymispäivämäärä
2023-11-17
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:tuni-202311109569
https://urn.fi/URN:NBN:fi:tuni-202311109569
Tiivistelmä
Työn tarkoituksena on tutustua erilaisiin klusteroinnin menetelmiin ja hinaajien toimintaan, sekä tutkia, voidaanko hinaajan ohjausjärjestelmästä kerättyä dataa analysoida klusteroinnin avulla. Klusteroinnin tarkoituksena on luoda joukkoja, joissa datapisteet muistuttavat jollain tapaa toisiaan. Klusterianalyysin lisäksi työssä toteutettiin kirjallisuuskatsaus klusterianalyysin ominaisuuksiin ja hinaajien toimintaan liittyen.
Hinaajalla tarkoitetaan alusta, joka voi toimia meriliikenteessä monissa avustavissa tehtävissä, mutta erityisesti se on suunniteltu toisten alusten hinaamiseen. Hinaajien työtehtävät vaihtelevat paljon esimerkiksi ympäristön, aluksen rakenteen, propulsioyksiköiden tyypin ja sääolosuhteiden mukaan. Analyysissä tarkasteltava alus on tyypiltään ASD-hinaaja eli aluksen perän alle on sijoitettu kaksi atsimuuttista propulsiolaitetta. Lisäksi aluksessa on käytössä Kongsberg Maritime Finland Oy:n toimittama Aquapilot-ohjausjärjestelmä. Näiden avulla aluksen työntövoima voidaan ohjata mihin tahansa suuntaan, koska propulsiolaitetta voidaan kääntää pystyakselinsa ympäri ohjausjärjestelmän avulla. Aluksen käytöstä kertova data on kerätty vuosilta 2022-2023. Tutkimusta varten aluksesta kerättiin molempien propulsiolaitteiden toiminnasta useita ohjelmiston signaaleja, joista jatkojalostettiin seitsemän muuttujaa klusterianalyysin käyttöön. Näiden tarkoituksena oli kuvata ohjausjärjestelmän käyttöä eri tilanteissa.
Tutkimuksessa datan esikäsittelyyn hyödynnettiin Python-ohjelmointikieltä ja varsinaiseen analyysiin Matlab-ohjelmistoa. Klusteroinnin tuloksia ja onnistumista vertailtiin signaalikohtaisten pistekaavioiden, klusterien keskipisteiden, pääkomponenttianalyysin ja siluettikuvaajien avulla. Tutkimuksen alkuvaiheessa myös huomattiin, että ohjausjärjestelmän lepotilanteet erottuvat selkeästi klusteroinnin avulla, mutta ne jätettiin pois varsinaisesta datasta, jotta analyysissä voitiin keskittyä paremmin ajonaikaisiin tapahtumiin.
Tuloksissa kerätty data jaettiin kolmeen ja kahdeksaan klusteriin. Analyysin mukaan k-means klusterointialgoritmi sopii satamahinaajan käyttödatan tutkimiseen ja muodostuneet klusterit antavat lisätietoa aluksen ja ohjausjärjestelmän käyttötavoista. Datassa on selkeä klusterirakenne, joka soveltuu jaettavaksi myös eri määrille klustereita. K-means on myös iteratiivinen algoritmi, joten tulokset muokkautuvat aina tarkasteltavan datan mukaan. Kun data jaettiin kolmeen klusteriin, voitiin klusteroinnin avulla erotella tilanteet, joissa alus etenee suoraan, ajaa kytkimen liukualueella tai peruuttaa. Kahdeksalla klusterilla datasta erottui tarkemmin etenemissuunnan lisäksi moottorien ja potkurien käyttöalueet sekä voimakkaat käännnökset.
Hinaajalla tarkoitetaan alusta, joka voi toimia meriliikenteessä monissa avustavissa tehtävissä, mutta erityisesti se on suunniteltu toisten alusten hinaamiseen. Hinaajien työtehtävät vaihtelevat paljon esimerkiksi ympäristön, aluksen rakenteen, propulsioyksiköiden tyypin ja sääolosuhteiden mukaan. Analyysissä tarkasteltava alus on tyypiltään ASD-hinaaja eli aluksen perän alle on sijoitettu kaksi atsimuuttista propulsiolaitetta. Lisäksi aluksessa on käytössä Kongsberg Maritime Finland Oy:n toimittama Aquapilot-ohjausjärjestelmä. Näiden avulla aluksen työntövoima voidaan ohjata mihin tahansa suuntaan, koska propulsiolaitetta voidaan kääntää pystyakselinsa ympäri ohjausjärjestelmän avulla. Aluksen käytöstä kertova data on kerätty vuosilta 2022-2023. Tutkimusta varten aluksesta kerättiin molempien propulsiolaitteiden toiminnasta useita ohjelmiston signaaleja, joista jatkojalostettiin seitsemän muuttujaa klusterianalyysin käyttöön. Näiden tarkoituksena oli kuvata ohjausjärjestelmän käyttöä eri tilanteissa.
Tutkimuksessa datan esikäsittelyyn hyödynnettiin Python-ohjelmointikieltä ja varsinaiseen analyysiin Matlab-ohjelmistoa. Klusteroinnin tuloksia ja onnistumista vertailtiin signaalikohtaisten pistekaavioiden, klusterien keskipisteiden, pääkomponenttianalyysin ja siluettikuvaajien avulla. Tutkimuksen alkuvaiheessa myös huomattiin, että ohjausjärjestelmän lepotilanteet erottuvat selkeästi klusteroinnin avulla, mutta ne jätettiin pois varsinaisesta datasta, jotta analyysissä voitiin keskittyä paremmin ajonaikaisiin tapahtumiin.
Tuloksissa kerätty data jaettiin kolmeen ja kahdeksaan klusteriin. Analyysin mukaan k-means klusterointialgoritmi sopii satamahinaajan käyttödatan tutkimiseen ja muodostuneet klusterit antavat lisätietoa aluksen ja ohjausjärjestelmän käyttötavoista. Datassa on selkeä klusterirakenne, joka soveltuu jaettavaksi myös eri määrille klustereita. K-means on myös iteratiivinen algoritmi, joten tulokset muokkautuvat aina tarkasteltavan datan mukaan. Kun data jaettiin kolmeen klusteriin, voitiin klusteroinnin avulla erotella tilanteet, joissa alus etenee suoraan, ajaa kytkimen liukualueella tai peruuttaa. Kahdeksalla klusterilla datasta erottui tarkemmin etenemissuunnan lisäksi moottorien ja potkurien käyttöalueet sekä voimakkaat käännnökset.