Розробка алгоритму оцінки технічного стану складних систем на основі імовірнісного оцінювання відмов
Володимир Вичужанін, Олексій ВичужанінУ статті запропоновано інтегрований алгоритм оцінки технічного стану суднових енергетичних установок, що поєднує метод розв’язання задач на основі прецедентів (CBR), байєсівські мережі, марковські процеси та когнітивне імітаційне моделювання. Алгоритм призначений для підвищення точності та адаптивності діагностики в умовах невизначеності, обмеженості даних та динамічної зміни експлуатаційних режимів. Діагностичний процес реалізовано як багаторівневу архітектуру, що включає пошук аналогічних відмов у базі прецедентів, імовірнісну корекцію з урахуванням взаємозв’язків між компонентами, моделювання деградації обладнання в часі та адаптивний аналіз сценаріїв. Кожен компонент алгоритму виконує окрему функцію: CBR забезпечує виявлення схожих раніше зафіксованих відмов; байєсівські мережі дозволяють кількісно оцінити ймовірнісні залежності між взаємопов’язаними несправностями; марковські процеси моделюють тимчасову деградацію обладнання та оцінюють ймовірності переходів між технічними станами; когнітивне моделювання дозволяє генерувати та аналізувати рідкісні або каскадні відмови за різних сценаріїв експлуатації. Інтеграція зазначених компонентів забезпечує динамічне оновлення ймовірностей відмов відповідно до нових експлуатаційних даних. Результати моделювання показали: середня похибка прогнозу залишкового ресурсу зменшилася з 9 % до 5,7 %; точність виявлення рідкісних і каскадних відмов зросла на 18 % завдяки когнітивному моделюванню; а застосування байєсівської корекції дозволило знизити кількість хибнопозитивних діагнозів на 7,2 % порівняно з базовою моделлю CBR. Загальна ймовірність відмови протягом 25 000 годин експлуатації зменшилася з 83 % (для моделі, заснованої лише на байєсівських мережах) до 68 % завдяки повній інтеграції всіх методів. Практична цінність алгоритму полягає в підвищенні ефективності планування технічного обслуговування, зменшенні простоїв обладнання та покращенні надійності складних морських технічних систем. Модульна архітектура дозволяє адаптувати алгоритм до інших типів промислових об’єктів
Використані джерела
[1] Abbas, A.N., Chasparis, G., & Kelleher, J.D. (2022). Interpretable hidden Markov model-based deep reinforcement learning hierarchical framework for predictive maintenance of turbofan engines. In R. Wrembel, J. Gamper, G. Kotsis, A.M. Tjoa & I. Khalil (Eds.), Big data analytics and knowledge discovery. DaWaK 2022. Lecture notes in computer science (Vol. 13428, pp. 133-148). Cham: Springer. doi: 10.1007/978-3-031-12670-3_12.
[2] Ademujimi, T., & Prabhu, V. (2021). Fusion-learning of Bayesian network models for fault diagnostics. Sensors, 21(21), article number 7633. doi: 10.3390/s21227633.
[3] Anantharaman, M., Khan, F., Garaniya, V., & Lewarn, B. (2014). A step-by-step approach for evaluating the reliability of the main engine lube oil system for a ship’s propulsion system. International Journalon Marine Navigationand Safety of Sea Transportation, 8(3), 367-371. doi: 10.12716/1001.08.03.06.
[4] Başhan, V., Yucesan, M., Gul, M., & Demirel, H. (2024). A fuzzy Bayesian network risk assessment model for analyzing the causes of slow-down processes in two-stroke ship main engines. Ships and Offshore Structures, 19(5), 670-686. doi: 10.1080/17445302.2024.2323889.
[5] Chen, M., Xia, J., Huang, R., & Fang, W. (2022). Case-based reasoning system for aeroengine fault diagnosis enhanced with attitudinal Choquet integral. Applied Sciences, 12(11), article number 5696. doi: 10.3390/app12115696.
[6] Corrales, M., Berti, S., Denel, B., Williamson, P., Aleardi, M., & Ravasi, M. (2025). Annealed Stein variational gradient descent for improved uncertainty estimation in full-waveform inversion. Geophysical Journal International, 241(2), 1088-1113. doi: 10.1093/gji/ggaf096.
[7] Garbatov, Y., & Georgiev, P. (2024). Markovian maintenance planning of ship propulsion system accounting for CII and system degradation. Energies, 17(16), article number 4123. doi: 10.3390/en17164123.
[8] Hostens, E., Eryilmaz, K., Vangilbergen, M., & Ooijevaa, T. (2024). Bayesian networks for remaining useful life prediction. Proceedings of the European Conference of the PHM Society, 8(1), 225-235. doi: 10.36001/phme.2024.v8i1.4019.
[9] ISO/IEC 31010:2019. (2019). Risk management – risk assessment techniques. ISO. Retrieved from https://cdn.standards. iteh.ai/samples/20731/fed109559624438c9350d9b18880016b/IEC-31010-2019.pdf.
[10] Krakhmalyov, O., Klitnoy, V., Zinchenko, O., Brusentsev, V., & Shelestova, A. (2024). Analysis and optimization of torsion shafts in the context of improving the strength and durability of a light armoured vehicle. Machinery & Energetics, 15(1), 65-75. doi: 10.31548/machinery/1.2024.65.
[11] Louvros, P., Stefanidis, F., Boulougouris, E., Komianos, A., & Vassalos, D. (2023). Machine learning and case-based reasoning for real-time onboard prediction of the survivability of ships. Journal of Marine Science and Engineering, 11(5), article number 890. doi: 0.3390/jmse11050890.
[12] Moon, H., Choi, J., & Cha, S. (2021). A multi-state Markov model to infer the latent deterioration process from the maintenance effect on reliability engineering of ships. ArXiv. doi: 10.48550/arXiv.2111.14368.
[13] Morato, P.G., Papakonstantinou, K.G., Andriotis, C.P., Nielsen, J.S., & Rigo, P. (2022). Optimal inspection and maintenance planning for deteriorating structural components through dynamic Bayesian networks and Markov decision processes. Structural Safety, 94, article number 102140. doi: 10.1016/j.strusafe.2021.102140.
[14] Nikpour, H., & Aamodt, A. (2021). Fault diagnosis under uncertain situations within a Bayesian knowledge-intensive CBR system. Progress in Artificial Intelligence, 10(3), 245-258. doi: 10.1007/s13748-020-00227-x.
[15] OREDA – offshore reliability data handbook (6th ed., Vol. 1). (2015). Trondheim: SINTEF.
[16] Park, Y., & Kim, H. (2024). Advanced design of naval ship propulsion systems utilizing battery-diesel-generator hybrid electric propulsion systems. Journal of Marine Science and Engineering, 12(11), article number 2034. doi: 10.3390/ jmse12112034.
[17] Poljak, I., Majnari , D., Mrzljak, V., & Lorencin, I. (2022). Condition-based maintenance of naval propulsion systems: A brief review. In International student scientific conference Ri-STEM-2022 (pp. 46-48). Rijeka: STEM.
[18] Vychuzhanin, V., & Vychuzhanin, A. (2025). Stochastic models and methods for diagnostics, assessment, and prediction of the technical condition of complex critical systems. Lviv-Torun: Liha-Pres. doi: 10.36059/978-966-397-457-6.
[19] Wang, J., Wang, Z., Stetsyuk, V., Ma, X., Gu, F., & Li, W. (2019). Exploiting Bayesian networks for fault isolation: A diagnostic case study of diesel fuel injection system. ISA Transactions, 86, 276-286. doi: 10.1016/j.isatra.2018.10.044.
[20] Wang, R., Chen, H., & Guan, C. (2021). A Bayesian inference-based approach for performance prognostics towards uncertainty quantification and its applications on the marine diesel engine. ISA Transactions, 112, 123-135. doi: 10.1016/j.isatra.2021.02.024.
[21] Zhang, Z., & Wu, L. (2024). Graph neural network-based bearing fault diagnosis using Granger causality test. Expert Systems with Applications, 242, article number 122827. doi: 10.1016/j.eswa.2023.122827.