UNIVERZITET CRNE GORE

POMORSKI FAKULTET KOTOR

STUDIJSKI PROGRAM POMORSKE NAUKE

Master studije

- SEMINARSKI RAD -

Primjena vještačke inteligencije u savremenim

konceptima prediktivnog održavanja na brodu

Predmet: Savremene koncepcije održavanja

Student: Mentor:
PN 17/23 Alen Jonuz Prof. dr Špiro Ivošević

Kotor, maj 2024. godine

 SADRŽAJ

Uvod 1
1. Održavanje tehničkih sistema 2
1.1. Tradicionalne koncepcije održavanja 2
1.2. Savremene koncepcije održavanja 5
2. Vještačke inteligencije 8
2.1. Osnove vještačke inteligencije 8
2.2. Vrste i koncepti vještačke inteligencije 9
2.3. Vještačka inteligencija u funkciji održavanja 11
3. Metodologija istrazivanja 14
3.1. Baza podataka 14
3.2. Vještačka inteligencija kao metoda 14
4. Rezultati 15
Zaključak 19
Litertura 20
 Popis tabela

4.1. Upoređivanje rezultata sa stvarnim aktivnostima održavanja

Popis slika

1.1. Vrste održavanja, prilagođene standardu terminologije održavanja 2

1.2. Izračunata evolucija dubine trošenja košuljice tokom vremena za tri motora 6
1.3. Prikaz podijele karakterističnih zona tankova goriva prema stepenu rizika 7
2.1. Slojeviti prikaz AI 11
3.1. Okvir za postizanje prediktivnog održavanja 15
4.1. Godišnji status ocjene ulja 15
4.2. Ukupan broja kvarova usled vibracija po sredstvu 16
4.3. Testovi korelacije za sve parametre motora broj 3 17
4.4. Pravac daljeg razvoja faze 2 (potrebni elementi za razvoj prediktivnog sistema) 18
SAŽETAK
Efikasno održavanje brodskih sistema je ključno za sigurnost i operativnu pouzdanost u
savremenoj pomorskoj industriji. Prediktivno održavanje, koje se bazira na algoritmima
mašinskog učenja, odnosno vještačke inteligencije, predstavlja moderni pristup u održavanju
kompleksnog brodskog sistema. Ovi modeli se baziraju na velikim količinama istorijskih
podataka, uključujući senzorska mjerenja, izvještaje o održavanju u realnom vremenu, što
omogućava algoritmima mašinskog učenja da predvide smetnje i neželjena stanja brodskih
sistema. Ovakav model koncepta prediktivnog održavanja brodskih sistema pruža kompanijama
potrebne informacije za unapređenje preventinih strategija održavanja, smanjenje neplaniranih
kvarova i drugo. Kako bi se to istražilo iz stvarne i praktične perspektive, analizira se studija
slučaja jednog broda, koristeći operativne podatke iz sistema za praćenje stanja plovila, posebno
informacije dobijene sa senzora brodskih motora i kompresora. U ovom radu će se analizirati
razvoj i primjena naprednih prognostičkih modela, koje se zasnivaju na analitici podataka ili fizici
kvara na primjeru evoluciju dubine trošenja košuljice za tri motora tokom vremena. Takođe biće
predstavljen i modeli koncepta održavanja zasnovanog na riziku koji se sastoji od preliminarne
analize rizika na primjeru tankova goriva na starim balkerijerima. Svi ovi modeli bi se mogli
koristiti kao pomoćni alati za razvoj modela prediktivnog održavanja zasnovanog na mašinskom
učenju i vještačkoj inteligenciji.

Ključne riječi: Prediktivno održavanje; Brodski sistemi; Vještačka inteligencija

UVOD

Plovni objekti na moru, kao što su brodovi i njegovi sistemi obično rade u teškom i u velikoj mjeri
promjenljivom okruženju. Istovremeno, kvarovi bilo kojeg sistema ili komponente mogu imati
velike posljedice, kao što su gubitak prihoda, visoki logistički troškovi ili uticaj na životnu sredinu.
Učestalost i broj kvarova u pomorskom sektoru danas se obično kontroliše realizacijom velikog
broja preventivnih održavanja. Blagovremenom zamjenom komponenti, kvarovi se mogu
spriječiti. Međutim, ovo je dosta skup način gdje intervali preventivnog održavanja moraju biti
postavljeni na vrlo precizno definisanoj periodici kako bi se osiguralo da jako opterećeni sistemi
ne zakažu. Ovaj način održavanja zahtijeva da sistem mora biti dostupan za zadatke održavanja
prilično često, što ograničava dostupnost sistema za namjensku upotrebu. Osim toga, logistički
proces povezanih usluga takođe je prilično nefikasan. Planirani intervali održavanja zahtijevaju
držanje velikog broja rezervnih dijelova u skladištu, što dovodi do visokih troškova zaliha.
Međutim, neočekivani kvarovi koji se ipak događaju često dovode do nedostupnosti rezervnih
dijelova, zahtijevaju skupe hitne isporuke ili dovode do dugog prekida rada sistema.

Kako bi se poboljšao ovaj proces, smanjili troškovi održavanja i logistike te u isto vrijeme povećala
dostupnost sistema, potrebno je bolje predviđanje kvarova za sisteme koji rade pod određenim
uslovima. Kada je dostupna prognostička metoda za pružanje takvog predviđanja, održavanje se
može izvesti tačno na vrijeme a povezani logistički proces može se organizovati na optimalan
način.Prediktivno održavanje u pomorskoj industriji još je u ranoj fazi. Sa samo 2% svih
registrovanih plovila je sa uspostavljenom šemom praćenja stanja [1], gdje je potencijal za
uvođenje prediktivnog pristupa održavanju ogroman. To daje mogućnost budućih studija iz
različitih perspektiva, kao što je modeliranje prediktivnog održavanja, primjenjivost ogromne
količine podataka u pomorskoj industriji i dr.

U posljednjih nekoliko godina, prediktivno održavanje je postalo sve važnije za industrije kao što
su vazduhoplovstvo služeći kao vodeći alat za povećanje iskorištenosti opreme, smanjenje zastoja,
izbjegavanje nepotrebnog održavanja i procjenu preostalog životnog vijeka. Međutim, to još nije
slučaj u brodarskoj industriji gdje napredne metode praćenja još nisu u širokoj primjeni [2].

Ovaj rad će se baviti razvojem koncepta prediktivnog održavanja pomorskoj industriji zasnovanog
na modelu računarske vještačke inteligencije korištenjem podataka praćenja u stvarnom vremenu.
Kako bi se to istražilo iz stvarne i praktične perspektive, analizira se studija slučaja jednog broda,
koristeći operativne podatke iz sistema za praćenje stanja plovila, posebno informacije dobijene
sa senzora brodskih motora i kompresora.

U ovom radu će se analizirati razvoj i primjena naprednih prognostičkih modela, bilo da se

zasnivaju na analitici podataka ili fizici kvara kao i modeli koncepta održavanja zasnovanog na
riziku koji se sastoji od preliminarne analize rizika. Svi ovi modeli bi se mogli koristiti kao
pomoćnialat i za razvoj modela prediktivnog održavanja zasnovanog na mašinskom učenju i
vještačkoj intelegenciji.

1
1. ODRŽAVANJE TEHNIČKIH SISTEMA
Vrsta održavanja definisana je uzrocima koji podstiču radnje za početak procesa održavanja. Na
slici 1 prikazana je korelacija između vrsta održavanja gdje se održavanje dijeli na dvije glavne
grupe, i to na preventivno (engl. Preventive Maintenance, PvM) i korektivno (engl. Corrective
Maintenance, CM) održavanje. Preventivno održavanje dalje se dijeli na održavanje zasnovano na
stanju (engl. Condition Based Maintenance, CBM) i unaprijed određeno održavanje (engl.
Predetermine Maintenance, PM).

Slika 1.1. Vrste održavanja, prilagođene standardu terminologije održavanja [3]

1.1.Tradicionalne koncepcije održavanja

1.1.1. Korektivno održavanje

Poznato i kao „od rada do kvara (engl. run to failure, RTF)“, „održavanje u kvaru“ i „reaktivno
održavanje“, svi pojmovi koji se odnose na korektivno održavanje [4]. Kod ove vrste održavanja
pristup je „popraviti kada se pokvari“, prema tome održavanje se realizuje kad sistem zakaže.
Korektivno održavanje definisano je kao „održavanje koje se izvodi nakon prepoznavanja kvara i
namijenjeno je stavljanju stavke u stanje u kojem može obavljati traženu funkciju“ [3]. Uopšteno
govoreći, rad opreme koja je primarno zasnovana na korektivnom održavanju ne smatra se
isplativom za kompanije, zato što su prisiljene reagovati na situacije umjesto da predviđaju i
planiraju događaj unaprijed. Međutim, ova vrsta održavanja nije potpuno pogrešna strategija, jer
postoji nekoliko slučajeva u kojima je korektivno održavanje održivo, kada niska kritičnost opreme
ili stvaranje vrijednosti nije povezano sa glavnim sistemom.

Drugim riječima, korektivno održavanje može se prihvatiti ako kvar dotične opreme ne utiče na
normalno funkcioniranje i ako bi iznenadni gubitak funkcionalnosti opreme uticao na
sveobuhvatne ciljeve organizacije.

2
1.1.2. Preventivno održavanje

Planirano ili unaprijed određeno održavanje, istorijsko, kalendarsko ili ciklusno održavanje samo
su drugi pojmovi koji se odnose na preventivno održavanje. Preventivno održavanje (PvM)
definiše se kao „održavanje koje se izvodi u unaprijed određenim intervalima ili prema propisanim
kriterijima i namijenjeno je smanjenju vjerovatnoće kvara ili degradacije funkcionisanja stavke“
[3]. Pristup PvM je zasnovan na filozofiji „popraviti prije nego što otkaže“, prema tome održavanje
se izvodi prije nego što oprema uđe u stanje kvara. Kako bi se spriječio kvar opreme, smanjila
vjerovatnoća gubitka funkcije ili održao odgovarajući nivo pouzdanosti, potrebno je obavljati
redovne zadatke održavanja. Temeljna pretpostavka je da će svaka oprema ili uređaj tokom rada
biti izložena određenoj degradaciji kako stari, tako da će se u nekom trenutku pokvariti zbog
vremena i upotrebe. Preventivno održavanje podijeljeno je u dvije kategorije: unaprijed određeno
održavanje i održavanje zasnovano na stanju.

1.1.3. Unaprijed određeno održavanje

Unaprijed određeno održavanje (PV) je vrsta aktivnosti preventivnog održavanja koja se izvodi na
osnovu vremenskih intervala utvrđenih prema istorijskim zapažanjima na sličnoj opremi i
prethodno dodijeljenom vijeku trajanja komponenti. Kako se ova vrsta održavanja izvodi na
osnovu istorijskih dokumentovanih informacija sa iste odnosno slične opreme, gdje se stvarna
izvedba stavke ne uzima u obzir, što znači da je stanje opreme u normalnom funkcionisanju ili u
stanju kvara gdje je nezadovoljivo paziti na unaprijed određeni pristup održavanja, čime se postiže
interval održavanja. Unaprijed određeno održavanje zahtijeva da oprema ima relativno
predvidljive obrasce kvarova da bi bila korisna. Ipak, složenost novije opreme i sofisticirane
tehnologije posljednjih decenija učinila je sekvencijalne obrasce kvarova težima za identifikaciju.
Ovu metoda se često kritikuje zbog rasipničke filozofije održavanja, budući da je za većinu
tehnološki orijentisanih kompanija teško povećati pouzdanost sistema implementacijom unaprijed
određenog održavanja bez „pretjeranog održavanja“ uz prevelike troškove [5].

1.1.4. Održavanje prema stanju

Održavanje temeljeno na stanju (CBM) definiše se kao „preventivno održavanje koje uključuje
kombinaciju praćenja stanja i/ili inspekcije i/ili testiranja, analize i posljedičnih radnji održavanja“
[6]. U CBM-u aktivnosti su inicirane stanjem opreme koje se stalno prati i analizira što omogućuje
da se odluka o održavanju zasniva na stvarnom stanju opreme. Glavni cilj CBM-a je da stanje
opreme bude pokretač njenog održavanja. CBM može proizaći iz fizičkih inspekcija koje
izvještavaju o promjenama u fizički značajnim svojstvima opreme kao što su zvuk i vibracije ili
sofisticiranije metode kao što su senzori i drugi uređaji za kontinuirano praćenje stanja opreme.
Iako su pametni senzori i napredne instrumentalne tehnike postale popularne, to je takođe skupa
metoda, koja se se često ne koristi posvuda na opremi, već se daje prioritet kritičnim sredstvima.
To takođe znači da kako se cijena opreme i senzora stalno smanjuje, CBM postaje sve dostupniji
[7]. Motivacija za uspostavljanje CBM-a je povećanje ukupnog nivoa sigurnosti tokom rada kako
bi se smanjio gubitak života, imovine i troškovi povezani sa održavanjem opreme ili sistema koji
se nadzire. Pouzdanost opreme je poboljšana zato što stalni nadzor omogućuje rano otkrivanje
mogućih kvarova čime se podržavaju odlučne akcije kao što su održavanje i/ili operativne mjere
kako bi se izbjegao razvoj gubitka funkcionalnosti ili potencijalnog kvara. Važno je naglasiti da
CBM pruža samo informacije o funkcionalnom statusu stroja/opreme, pomažući u planiranju

3
unaprijed radnji unutar zadataka održavanja, no ovaj pristup ne pomaže u poboljšanju
funkcionalnosti stroja niti odgađanju njegovog kvara. Jedna od glavnih prednosti ovog
proaktivnog održavanja je da umjesto da samo reaguje na moguće kvarove, ova metoda inicira ne
samo predviđanje održavanja, već takođe daje mogućnost rješavanja osnovnog uzroka kvara, čime
doprinosi tačnijem predviđanju budućih kvarova ili otkaza.

U istraživanjima [8] tradicionalno preventivno održavanje nije bilo dovoljno za ispravljanje

slučajnih kvarova gdje je zaključeno da kvarovi opreme spadaju u jednu od šest grupa uzoraka, od
kojih svaka pokazuje različite trendove uzoraka, karakteristike stope kvarova u odnosu na starost
opreme i da 89 od svih neuspjeha nije bilo vezano za starost, čime je tradicionalni preventivni
pristup bio neadekvatan za izbjegavanje neuspjeha. Prema MSP studiji američke mornarice (1982.)
broj slučajnih kvarova bio 77, dok je prema studiji SUBMEPP [9] na podmornicama američke
mornarice taj postotak je dostigao 71. Prema objema studijama, kvarovi povezani sa starenjem
pripisuju se kontinuiranoj degradaciji usljed korozije kada je oprema u slanom okruženju, ali
obrasci kvarova većinom su posljedica slučajnih kvarova, koji se mogu riješiti samo tako da ih
otkrijete prije nego što se pojave, odnosno slijedeći pristup prediktivnog održavanja.

1.1.5. Održavanje usmjereno na pouzdanost

Često korištena strategija održavanja u svim industrijama je održavanje usmjereno na pouzdanost

(eng. Reliability Centered Maintenance, RCM), što je koncept korektivnog i prediktivnog
održavanja. Zasnovano na sistemskom procesu utvrđivanja potrebnih radnji održavanja, sa
funkcionalnog aspekta, kako bi sistem održao svoju pouzdanost i zasniva se na funkciji i
pouzdanosti kritične opreme sa težištem na glavni uzrok kvarova [10]. Trenutni nivo RCM-a i
praćenja stanja u brodarstvu varira, prema DNV-u (2014.), zavisno od vrste broda i starosti
komponenti. Nadzor senzorima uglavnom se izvodi na nivou komponenti, a njegova sofisticiranost
zavisi od proizvođača komponenti. Ovi senzori mjere nivoe parametara kao što su temperatura,
pritisak i vibracije, a u većini slučajeva komponente sa većinom senzora i rafiniranim sistemima
nadzora su glavni motori. Statistika kvarova pokazuje da je glavni motor jedina komponenta
odgovorna za najozbiljnija oštećenja na brodovima [11]. Isto tako, praćenje stanja primjenjuje se
i na druge komponente unutar pogonskog sistema, uključujući zupčanike, ležajeve i propelere, dok
su ostale kritične pomoćne komponente takođe dio sistema za praćenje na osnovu senzora.
Kritičnost komponente procjenjuje se sa obzirom na sigurnost i performanse broda, prema tome
što je komponenta ključnija za operacije, to su zahtjevi za sofisticiranim nadzorom veći. Senzore
koji se koriste u komponentama obično omogućuje proizvođač komponenti. Obično na brodovima
se ugrađuju komponente sa mnogo različitih proizvođača, pa postoji vjerovatnoća postojanja
različitih nekoordinisanih sistema nadzora. To dovodi do povećane složenosti u kontrolisanju
cjelokupnog statusa sistema i utvrđivanju međuzavisnosti komponenti. Obradu podataka iz
nadzora senzora obično obavlja posada broda, ručnim praćenjem pojedinačnih alarma i trendova,
međutim na nekim brodovima automatizovana dijagnostika podataka i prognostičke rutine
ugrađene su u brodske sisteme. Dodatno, na kopnu su uspostavljeni integrisani sistemi kao dio
operacija za obavljanje daljinskog nadzora i obrade podataka putem prenosa senzorskih podataka
sa broda. Cilj slanja neobrađenih podataka obalnim instalacijama u stvarnom vremenu je
omogućiti naprednim računarskim modelima da obrade podatke i pruže odgovarajuću i
pravovremenu dijagnostiku i informišu brod o operativnim mjerama i korektivnim radnjama
potrebnim za izbjegavanje i sprječavanje kvarova.

4
1.1.6. Prediktivno održavanje

Prediktivno održavanje (PdM) zasnovano je na filozofiji da „ako nije pokvareno, nemoj ga

popravljati“ i definisano je je kao „održavanje zasnovano na stanju koje se realizuje nakon
predviđanja izvedenog iz ponovljene analize ili poznatih karakteristika i procjene značajnih
parametri degradacije predmeta“ [5]. Glavna ideja iza ovog pristupa je korištenje istorijskih
podataka podataka za otkrivanje trendova ponašanja opreme kako bi se predvidjelo kada će se
pokvariti. Nakon što se identifikuju trendovi kvarova i predvidi vrijeme kvara, zadaci prediktivnog
održavanja mogu se planirati unaprijed. Postoje brojne vrste PdM tehnika koje služe kao osnova
za predviđanje, a mogu uključivati korištenje analitičkog softvera za istorijske podatke. Tipično,
oprema pokazuje znakove prijetećeg kvara prije nego što dođe do kvara, kao što su između ostalog
porast iznad normalnih temperatura, porast nivoa vibracija ili promjenu spektralnog uzorka
vibracija, pad nivoa performansi, povećan nivo buke, promjenu struje i napona. Prediktivno
održavanje je sistemska primjena koja je zasnovana na ranim uslovima kao upozorenje za
pravovremeno održavanje prije nego dođe do kvara opreme. Prema tome imperativ je da strojevi
budu opremljeni sistemom ili senzorima koji daju rane znakove kvara. Sa druge strane, aktivnosti
održavanja mogu se planirati na način koji uzima u obzir ne samo potrebe održavanja, već i
raspored rada što omogućuje veću raspoloživost stroja, povećanje profita i niže troškove zaliha
rezervnih dijelova, čime se smanjuju troškovi održavanja. Ovaj pristup takođe zahtijeva
udaljavanje od tradicionalnih filozofija održavanja i postupaka upravljanja koji podržavaju da se
zadaci održavanja pokreću stvarnim održavanjem, a ne izvođenjem održavanja zasnovanog na
kalendaru.

1.2. Savremene koncepcija državanja

U savremenom konceptu prediktivnog održavanja se koriste algoritmi, modeli i tehnika mašinskog

učenja da se analiziraju obrasci i pravila unutar podataka kako bi se razvio pametan sistem
zasnovan na vještačkoj inteligenciji.

Prediktivno održavanje je aktivnost usmjeravanja, koja nadzire i ocjenjuje prisutnost uslova

upozorenja koji pokazuju je li oprema blizu kvara. Ako se otkrije potencijalni kvar, planira se
korektivna akcija održavanja koja uključuje zamijenu, popravak ili remont opreme prije nego što
dođe do njega.

Prediktivno održavanje podrazumijeva predviđanje kvarova i preduzimanje potrebnih

preventivnih radnji. Napredak u mašinskom učenju i pohranjivanju podataka stvara dobru priliku
za korištenje velikih količina podataka koji dolaze od uređaja i senzora kako bi se omogućilo ne
samo praćenje rada opreme, već i predviđanje budućih kvarova. Međutim, koliko god jednostavno
zvučalo prediktivno održavanje u realnom scenarijumu je prilično izazovno jer je veoma važno
prikupiti sve potrebne podatke za stvarno predviđanje. Jedan od najvažnijih događaja od interesa
za razvoj sistema prediktivnog održavanja su podaci o kvarovima [3]. Razlog za to je taj što se kod
razvoja prediktivnog modela korištenjem tehnika mašinskog učenja mora "naučiti" model koja
vrsta podataka predstavlja podatke o grešci i podatke koji nisu vezani za grešku. Nakon što model
dobije ova dva ulaza, učiće otkrivanjem uzroka među parametrima koji su prethodno doveli do
kvara opreme. Zatim će korištenjem tehnika prepoznavanja uzroka identifikovati situacije slične
onima koje su se dogodile u prošlosti. Ipak, bez podataka o kvarovima model bi bio neefikasan jer
nikada neće naučiti predvidjeti kvar.

5
Jedna od savremenih metoda obrađena je u radu [12] gdje autori predstavljaju prognostičke metode
zasnovane na fizici kvara, i obrađuju modele kao što su: odabir kritičnog dijela, prediktivno
modeliranje (na osnovu podataka ili fizike), praćenje odnosno prikupljanje podataka, validacija
modela i izrada studije slučaja. Ova metoda ima za potrebu odabir kritičnih dijelova. Tradicionalna
analiza načina kvara, efekata i kritičnosti (engl. Failure Mode, Effect and Criticality Analyses,
FMECA) izvodi se kako bi se procijenila kritičnost komponenti, izražena u smislu brojeva
prioriteta rizika (engl. Risk Priority Numbers, RPN). Nakon što su odabrani kritični dijelovi u
sistemu, mogu se razviti prognostički modeli za te komponente. U radu autori predstavljaju model
koji ima za osnovu fizičku degradaciju ili mehanizam kvara, poput trošenja, korozije i zamora. U
primjeru za dijelove dizel motora poput košuljice cilindra i cilindarskih prstenova,

Slika 4 prikazuje izračunatu evoluciju dubine trošenja košuljice za tri motora tokom vremena.
Grafikon jasno pokazuje varijacije u stopi trošenja, koje se mogu povezati sa promjenama u
radnom profilu. Tokom simuliranog razdoblja jedan motor je zamijenjen novim, što objašnjava
dvostruku traku na dijagramu. Nadalje, može se zaključiti da tri motora rade različito, te zato
takođe pokazuju značajnu razliku u ponašanju trošenja. Nakon proračuna ova vrsta provjere može
poslužiti kao prognostička metoda za košuljice, jer praćenje radnog profila motora omogućuje i
praćenje evolucije trošenja i procjenu preostalog vijeka trajanja. Ta će informacija na kraju
doprinjeti izvođenju blagovremenog održavanja.

Slika 1.2. Izračunata evolucija dubine trošenja košuljice tokom vremena za tri motora [12].

Jedan od najvećih izazova u primjeni prediktivnih modela je validacija metode. Kako bi se

provjerila tačnost, gdje se predviđanja modela moraju uporediti sa stvarnim kvarovima. Drugi
uslov je problem sa košuljicama cilindra. Ove obloge se mijenjaju u unaprijed određenim
intervalima održavanja, ali se ne procjenjuje njihovo stvarno stanje pri zamjeni. To znači da, iako
je u nekim slučajevima istorija opterećenja poznata, stanje ili preostali životni vijek nisu dostupni.
Kako bi se riješio ovaj problem, predlaže se mjerenje sa ciljem procjene profila trošenja košuljica
koje se mijenjaju. Izmjerena dubina istrošenosti i njezina varijacija duž košuljice može se zatim
uporediti sa predviđanjem modela, što će omogućiti validaciju metode.

6
Takođe, u radu [13] autori razrađuju koncept održavanja zasnovanog na riziku koji se sastoji od
preliminarne analize rizika (eng. Preliminary Risk Analysis, PRA). U radu su analizirani tankovi
goriva na starim balkerijerima koji su dugi niz godina u eksploataciji. Kroz primjenu preliminarne
analize rizika, i razmatranje eventualnih posljedica i frekvenciju pojave istog, dolazi se do
primjene odgovarajućih metoda održavanja zasnovanih na pouzdanosti.

Slika 1.3. Prikaz podijele karakterističnih zona tankova goriva prema stepenu rizika [13]

Na osnovu sprovedene analize dolazi se do zaključka da ne postoji mogućnost striktnog

kategorisanja nijedne od karakterističnih oblasti tankova goriva već je u svakoj od njih prisutno
najmanje dva nivoa rizika pri čemu je na osnovu subjektivne procjene dobijenih podataka izvršena
kategorizacija oblasti kao što je to prikazano na slici 5.

Primjenjena analize je pokazala da je najveći nivo rizika od pojave različitih oštećenja uzrokovanih
redukcijom debljine čelika u graničnim oblastima između balastnih i tankova goriva (posebno u
gornjim zonama) kao i u oblasti pokrova dvodna. Pored toga, kao jedan od razloga za pojavu
pomenutih oštećenja navodi se i uticaj manipulativnih operacija iz razloga što se veliki broj
oštećenja izazove dejstvom prekrcajne mehanizacije unutar skladišta tereta koja čine gornju
kontaktnu oblast tankova goriva. Naime, to nas upućuje na zaključak da je za navedene oblasti
potrebno ustanoviti adekvatnu metodu održavanja koja se bazira na redovnom sprovođenju
mjerenja debljine čelika i primjeni odgovarajućih zaštitnih premaza u okviru tih zona.

7
2. VJEŠTAČKE INTELIGENCIJE
2.1. Osnove vještačke inteligencije

Vještačka inteligencija (engl. Artificial Intelligence, AI) je sposobnost računara da imitira ljudsku
inteligenciju dok je mašinsko učenje (engl. Machine Learning, ML), konkretna grana AI koja
omogućava računarima da uče iz podataka i poboljšavaju svoje performanse tokom vremena. U
procesu rješavanja zadataka računar poprima karakteristike razvijanja inteligentnog procesa
razmišljanja na primjer donosi nove zaključke, zaključuje na prijašnjim iskustvima i generalizuje
neku vrstu znanja.

Pojam vještačke inteligencije se koristi i za označavanja svakog neživog sistema koji pokazuje
inteligenciju, a takav sistem nazivamo inteligentnim sistemom. Inteligentni system je svaki sistem
koji se može prilagoditi, učiti na prijašnjim iskustvima, zaključivati, prikupljati i obrađivati znanje
itd.

Vještačka inteligencija se može kategoriziovati na jaku i slabu vještačku inteligenciju. Slaba

vještačka inteligencija (engl. weak or narrow AI) je dizajnirana i trenirana da obavlja tačno
određene specifične zadatke. Jaka vještačka inteligencija (engl. strong or general AI) se smatra
onom koja može replicirati kognitivne sposobnosti ljudskog mozga. Jaka vještačka inteligencija
rješava nepoznate zadatke korištenjem neizrazite logike odnosno iskorištavanjem znanja iz jednog
domena u drugi [14].

Aplikacije i programi (vještački inteligentni sistemi) koji su do danas napravljeni se ne mogu

mjeriti sa fleksibilnošću i kreativnošću ljudskog uma. Najčešće programi i aplikacije pripadaju
slabom tipu vještačke inteligencije odnosno one su specificirane na tačno određeno područje
znanja na primjer predviđanje kad se isplati kupovati i prodavati dionice u određenom trenutku.

Funkcije AI su višeznačne. Osnovna im je funkcija uzimanje elemenata onoga što se smatra

isključivo ljudskim osobinama i njihovo prenošenje u stroj na zadovoljavajući način.18 Te ljudske
osobine uključuju vizualnu percepciju, prepoznavanje glasa, donošenje odluka i prevođenje. Osim
toga, komunikacija, sposobnost učenja novih stvari, sposobnost apstrahiranja ili povezivanja s
novim znanjem na temelju već utvrđenog znanja i niz drugih pitanja ključni su za razvoj UI.

Fokus AI je na rješavanju unaprijed definisanog problema. Sa razvojem tehnologije ubrzano raste

količina podataka koje generiše bezbroj sistema, senzora i uređaja. Veličina te količine podataka
prevazilaze mogućnosti procesuiranja ljudskog mozga. Zbog toga se koriste različiti sistemi AI
koji omogućavaju pohranjivanje podataka i izvlačenje svih vrsta odnosa unutar tih podataka kako
bi se kreirali odgovarajući obrasci i veze. To je omogućeno tehnologijom velikih podataka (engl.
Big Data). Veliki podaci se odnose na obradu velikih količina podataka, ali i na napredne trendove
u tehnologiji koji imaju za cilj iskoristiti mogućnosti koje takvi podaci nude.

Veliki podaci svoju primjenu u pomorskoj industriji nalaze kod praćenja plovila u stvarnom
vremenu i analize performanse broda i navigacijskih podataka prikupljenih iz ugrađenih senzora i
sistema za prikupljanje podataka.

8
2.2. Vrste i koncepti vještačke inteligencije

Vještačka inteligencija je primjenjiva na mnoge načine, te zato postoje puno metoda ili tehnika u
kojima se koristi vještačka inteligencija. Poznate metode vještačke inteligencije su: inteligentno
planiranje, višeagentni sistem, računarski vid, AIoT i mašinsko učenje.

AIoT (engl. Artificial intelligence of things) je metoda koja kombinuje vještačku inteligenciju sa
tehnologijama IoT (engl. Internet of things) u kojima se poboljšava komunikacija između čovjeka
i mnogih uređaja. Obije tehnologije dobijaju na vrijednosti njihovom međusobnom kombinacijom.
Vještačka inteligencija transformiše podatke koji se generišu od strane IoT-a koji postaju korisni
kod donošenja odluka. Primjenu AIoT tehnologije se može vidjeti naprimjer kod pametnih kuća
[14].

Inteligentno planiranje (engl. AI planning) poput običnog planiranja pokušava naći niz akcija
kojim će neki sistem doći do nekakvog cilja ili rješenja. U takvom planiranju se optimizuje način
kojim se dolazi do rješenja odnosno optimizuje rad samog sistema u svakom koraku sistema.
Inteligentno planiranje takođe prikazuje objašnjenje zašto je pojedina akcija preduzeta odnosno
prikazuje akcije koje narušavaju optimizaciju sistema. Primjena inteligentnog planiranja se može
vidjeti kod aplikacija koji se najčešće koriste u industriji na primjer autonomni sistem [14].

Višeagentni sistem (engl. Multi agent system) je metoda vještačke inteligencije koja razvija
vještačku inteligenciju pomoću elemenata koji se nazivaju agenti. Agent je element višeagentnog
sistema koji može samostalno donositi odluke ili zaključke. Naravno agenti razmatraju ili
predviđaju odluke drugih agenata te tako dolaze do svoje optimalne odluke ili zaključka [14].

Računarskii vid (engl. Computer vision) je metoda vještačke inteligencije koja pokušava
reprodukovati funkcionalnosti sistema ljudskog vida. Reprodukcijom funkcionalnosti vidnog
sistema računarskii vid omogućuje računalrima da identifikuju odnosno procesiraju objekte preko
slika i videa poput ljudi. Zbog razvoja dubokog učenja i vještačkih neuronskih mreža računarski
vid čak i nadilazi sposobnosti ljudskog vida u nekim segmentima [14].

Mašinsko učenje (engl. Machine learning) je najpopularnija i najefikasnija metoda vještačke

inteligencije koja treniranjem razvija vještačku inteligenciju. Učenje mašinskog učenja se nikako
ne zasniva na eksplicitno isprogramiranim rješenjima (programima), nego se zasniva na
samostalnom pronalasku rješenja kroz mnoge uzorke koji su povezani sa zadatkom ili problemom
koje treba riješiti. Mašinsko učenje je usko povezano s naprednim metodama iz matematike i
statistike [14]. Mašinsko učenje se može podijeliti na četiri glavna tipa ili grane učenja, a to su:
nenadzirano učenje, nadzirano učenje, ojačano učenje i samostalno nadzirano učenje. Razlika u
tipovima se vidi u samim postupcima i ciljevima učenja.

Nenadzirano učenje (engl. Unsupervised learning) je tip mašinskog učenja koji se sastoji od
pronalaska zanimljivih transformacija unesenih podataka u kojem cilj učenja nije jasan. Cilj
nenadziranog učenja je bolja vizualizacija i kompresija unešenih podataka odnosno poboljšanje
shvaćanja odnosa između unesenih podataka. Za nenadzirano učenje se može reći da jako korisno
u području analize podataka i da se često koristi kao priprema podataka koji se koriste prilikom
nadziranog učenja [14].

9
Nadzirano učenje (engl. Supervised learning) je tip mašinskog učenja koji se sastoji od raznih
koraka u kojem se uče mapirati uneseni podaci za određene poznate ciljeve ili rješenja određenog
problema u kojima se daju ljudski primjerci rješenja određenog problema. Poznate primjene
nadziranog učenja su optičko prepoznavanje simbola, prepoznavanje zvuka, klasifikacija slika i
prevođenje teksta u druge jezike [14].

Ojačano učenje (engl. Reinforcment learning) je tip mašinskog učenja koji koristi agente za
dobavljanje podataka o okruženju, u kojima se uči izbor „puteva“ kojim se dolazi do rješenja u
kojem postoji sistem ocjenjivanja ili bodovanja. Ojačano učenje je nedavno dobilo veliku
popularnost prilikom savladavanje popularne komplicirane tradicionalne kineske igre Go.
Nažalost ojačano učenje još nema svoju praktičnu primjeru te se smatra da će u budućnosti imati
primjenu prilikom automatske vožnje auta, u robotici i edukaciji [14].

Samostalno nadzirano učenje (engl. Self-supervised learning) je tip mašinskog učenja koje se može
smatrati tipom nadziranog učenja, ali ga mnogi autori vole izdvojiti u zaseban tip ili granu
mašinskog učenja. Razliku se uviđa u tome što više nije potreban ljudski faktor u učenju [14].

Duboko učenje je vrsta mašinskog učenja koje pokreće ulaze kroz biološki inspiriranu arhitekturu
neuronske mreže [15]. Neuronske mreže sadrže brojne skrivene slojeve kroz koje se podaci
obrađuju, omogućujući mašini da ide 'duboko' u svoje učenje, uspostavljanje veza i ponderisanje
unošenja za najbolje rezultate.

Vještačke neuronske mreže predstavljaju statističke modele koji su nadahnute biološkim

neuronskim mrežama koje grade strukturu ljudskog mozga [15]. Podskup su mašinskog učenja i u
središtu algoritma dubokog učenja. Vještačke neuronske mreže se sastoje od slojeva čvorova koji
sadrže ulazni sloj, jedan ili više skrivenih slojeva i izlazni sloj. Svaki čvor, ili vještački neuron,
povezuje se s drugim i ima pridruženu težinu i aktivacijsku funkciju. Ako je izlaz bilo kojeg
pojedinačnog čvora iznad navedene vrijednosti aktivacijske funkcije, taj se čvor aktivira, šaljući
podatke sljedećem sloju mreže. Inače se podaci ne prosljeđuju na sljedeći sloj mreže.

Neuronske mreže se oslanjaju na podatke za obuku kako bi naučile i poboljšale svoju tačnost
tokom vremena. Međutim, nakon što je kod tih algoritama učenja postignuta precizna tačnost,
postaju moćan alat AI, omogućujući klasifikaciju i grupisanje podataka velikom brzinom.
Upotrebom neuronskih mreža zadaci prepoznavanja govora ili slike moguće je za nekoliko minuta
u odnosu na sate u poređenju sa ručnom identifikacijom koju obavljaju ljudi. Jedna od
najpoznatijih neuronskih mreža je Googleov algoritam pretraživanja[15].

Vještačka inteligencija pokriva veliko naučno područje. Prema slici 2.1. vještačku inteligenciju
možemo podijeliti na slojeve. Mašinsko učenje je jedan od slojeva vještačke inteligencije koji
proučava algoritme koji omogućuju učenje računara iz primjera te to učenje nije eksplicitno
isprogramirano. Vještačke neuronske mreže su samo dio mašinskog učenja koji se zasniva na
principima učenja kao i kod samih ljudi.

10
 Slika 2.1. Slojeviti prikaz AI [14]

2.3. Vještačka inteligencija u funkciji održavanja

AI je u pomorskoj industriji u samoj početnoj fazi, a njena je primjena usko povezana sa

razvijenošću računarske infrastrukture i mogućnostima međusobnog povezivanja računara. U tom
kontekstu i AI se može posmatrati kao tehnologija koja će odrediti budućnost pomorske industrije.
Integracija AI u autonomne sisteme pomorskog saobraćaja, sigurnosne i navigacijske podrške te
rješenja za optimizaciju plovila mogu potencijalno biti od koristi svim dionicima u pomorstvu
ukoliko se efikasno implementiraju. U svrhu razumijevanja važnosti AI u pomorstvu potrebno je
istaknuti kako tradicionalna analitika može obraditi tek 10 % podataka o plovilu, dok se primjenom
AI može obraditi 100% podataka i to u realnom vremenu kako bi se dobili vrlo precizni uvidi u
performanse plovila vezano uz potrošnju goriva, brzinu, obraštanje trupa, potrošnju energije i dr.

Veliki podaci i AI čine važnu komponentu u donošenju odluka zasnovanih na na podacima u većini
industrija [16]. Pomorska industrija nije izuzetak iako se, kao jedna najstarijih i tradicionalnih
industrija još uvijek u znatnoj mjeri oslanja na intuiciju, zbog prisutnih problema koji se mogu
javiti na mreži. No, promjene koje idu ka implementaciji AI pokazuju značajne iskorake. Razlog
tome može se tražiti i u prisutnom napretku u AI koja ima mogućnost obavljati različite zadatke
koji su bili nezamislivi samo deset godina ranije. Naprimjer, sofisticirani sistem AI uvode
autonomne brodove, koji mogu djelovati nezavisno bez ljudske interakcije, a stopa greške niža je
od stope greške brodova kojima upravlja čovjek. AI postupno mijenja tradicionalni operativni
proces pomorske industrije pa rastu ulaganja u AI. Procjenjuje se da je u 2022. godini utrošen 931
milion USD na rješenja AI, a do 2027. godine taj bi iznos trebao narasti na 2,7 milijardi USD, što
je rast na godišnjem nivou od 23%.

AI u pomorstvu, ima veoma svjetlu budućnost kada je u pitanju funkcija održavanja kao što su
prediktivna analitika i upravljanje rizikom.

11
U savremenom konceptu prediktivnog održavanja se koriste algoritmi, modeli i tehnika mašinskog
učenja da se analiziraju obrasci i pravila unutar podataka kako bi se razvio pametan sistem
zasnovan na AI.

Prediktivno održavanje je aktivnost usmjeravanja, koja nadzire i ocjenjuje prisutnost uslova

upozorenja koji pokazuju je li oprema blizu kvara. Ako se otkrije potencijalni kvar, planira se
korektivna akcija održavanja koja uključuje zamijenu, popravak ili remont opreme prije nego što
dođe do njega.

Prediktivno održavanje podrazumijeva predviđanje kvarova i preduzimanje potrebnih

preventivnih radnji. Napredak u mašinskom učenju i pohranjivanju podataka stvara dobru priliku
za korištenje velikih količina podataka koji dolaze od uređaja i senzora kako bi se omogućilo ne
samo praćenje rada opreme, već i predviđanje budućih kvarova. Međutim, koliko god jednostavno
zvučalo prediktivno održavanje u realnom scenarijumu je prilično izazovno jer je veoma važno
prikupiti sve potrebne podatke za stvarno predviđanje. Jedan od najvažnijih događaja od interesa
za razvoj sistema prediktivnog održavanja su podaci o kvarovima [3]. Razlog za to je taj što se kod
razvoja prediktivnog modela korištenjem tehnika mašinskog učenja mora "naučiti" model koja
vrsta podataka predstavlja podatke o grešci i podatke koji nisu vezani za grešku. Nakon što model
dobije ova dva ulaza, učiće otkrivanjem uzroka među parametrima koji su prethodno doveli do
kvara opreme. Zatim će korištenjem tehnika prepoznavanja uzroka identifikovati situacije slične
onima koje su se dogodile u prošlosti. Ipak, bez podataka o kvarovima model bi bio neefikasan jer
nikada neće naučiti predvidjeti kvar.

Plovilo je u plovidbi, sa posadom i putnicima, stalno izloženo određenom nivou neizvjesnosti i

rizika. Plovila se, u biti kreću unutar područja neizvjesnosti te su praćena određenim nivoom
opasnosti unutar nepoželjnih situacija. Te opasnosti, u stvari čine, plovidbu rizičnom.

Rizik se shvaća kao preispitivanje nekoga ili nečega što se smatra nepoznatom ili očekivanom
opasnošću, štetom ili gubitkom. U literaturi nema opšte prihvaćene definicije rizika. Najčešće
primjenjivana definicija rizika je IMO-ova definicija prema kojoj je rizik kombinacija učestalosti
i ozbiljnosti posljedice. Rizik je vjerovatnoća da će se dogoditi neželjeni događaj, nakon čega
slijedi niz rezultirajućih posljedica koje se događaju u stvarnom vremenu. Posljedice uključuju
prijetnje ljudskom životu i zdravlju te štetu imovini i okolini. To ukazuje na potrebu efikasnog
upravljanja rizikom kako bi se sveo na najmanju moguću mjeru.

U skladu sa tim IMO je razvio smjernice za Formalnu procjenu sigurnosti (engl. Gaidelines for
Formal Safety Assessment, FSA) kao metodu upravljanja rizikom. FSA metodologija je racionalan
i sistematičan postupak za procjenu rizika povezanih sa pomorskom sigurnošću i zaštitom morske
okoline te za procjenu troškova i mogućih koristi za smanjenje tih rizika.
Istraživanja pokazuju da se kod svakog štetnog događaja prije nastupa samog incidenta mogu
uočiti znakovi upozorenja. Ti su znakovi sadržani u različitim izvještajima, e-pošti, bazama
podataka, ručno pisanim obrascima i podacima na računaru. U pomorstvu je povezivanje signala
upozorenja kako bi se na vrijeme utvrdili novi rizici za potrebe eventualnog djelovanja bilo vrlo
izazovno, a često i nemoguće.

12
Pojava naprednih tehnologija kao što su AI i obrada prirodnog jezika pomaže donosiocima odluka
da donose bolje odluke u realnom vremenu. U stanju su otkriti anomalije i odgovoriti na njih,
predvidjeti nove trendove i preduzeti mjere zaustavljanja štetnog događaja. Osim toga, boljim
planiranjem i simulacijom nepovoljnih događanja, organizacije postaju otpornije na eventualne
takve događaje u budućnosti. U pomorstvu je važan proaktivni pristup koji koristi sve dostupne
podatke i olakšava razumijevanje učinkovitom fuzijom algoritama i stručnog znanja.
Prepoznavanje negativnih i pozitivnih rizika ili prilika, a zatim djelovanje na njih na vremenski
osjetljiv i agilan način ključni je činilac u u sprečavanju ili barem smanjenju rizika.

Sposobnost AI da analizira velike količine informacija značajno poboljšava identifikaciju

podataka relevantnih za upravljanje rizikom u pomorstvu, procjenu rizika i donošenje relevantnih
odluka. Sistemi za upravljanje rizicima zasnovani na AI mogu analizirati podatke iz različitih
izvora kako bi identifikovali i umanjili rizike u pomorskoj industriji, kao što su, naprimjer,
vremenske prilike, saobraćaj i piratstvo.

AI integrisana sa sistemima upravljanja rizikom može se koristiti za:

− analizu i upravljanje prijetnjama – uz pomoć mašinskog učenja mogu se analizirati velike
količine podataka iz različitih izvora. Te informacije generišu modele predviđanja u
stvarnom vremenu koji menadžmentu rizika i zaposlenima zaduženim za sigurnost
omogućuju brzo rješavanje rizika. Modeli su osnova za razvoj sistema ranog upozoravanja
koji osiguravaju nesmetan rad i zaštitu učesnika u pomorskoj industriji,

− smanjenje rizika – AI pruža mogućost procjene nestrukturisanih podataka o mogućim

rizicima. Algoritmi AI mogu identifikovati obrasce ponašanja povezane sa prošlim
događajima i prenijeti ih kao prediktore rizika,

− klasifikacija podataka – alati AI mogu obraditi i klasifikovati sve dostupne informacije

prema prethodno definisanim obrascima i kategorijama te pratiti pristup tim skupovima
podataka, i

− prediktivno održavanje – praćenjem opreme i imovine u stvarnom vremenu, mogu se

identifikovati potencijalni problemi prije nego što se pojave. To može pomoći u smanjenju
zastoja i troškova održavanja te poboljšati ukupnu efikasnost opreme.

13
3. Metodologija istraživanja
3.1. Baza podataka

Za ovj rad odabran je dizajn studije slučaja [17], za plovilo tipa Seismic Survey Ship nosivosti
7351 tona, izgrađeno 2013. godine sa šest motora i tri kompresora. Izvršeno je prikupljanje tri
vrste podataka i to: podataka o ulju za podmazivanje, podataka o vibracijama i podataka o
perfomansama sistema. Prvi skup podataka sadržavao je 25089 zapisa, dok je drugi skup podataka
sadržavao 64800, pri čemu je svaki zapis mjeren svake minute rada plovila.

Podaci o ulju za podmazivanje sadržavao je istorijske informacije o ispitivanjima ulja za

podmazivanje obavljenim na plovilu od 2013. do 2018. godine.
Priroda ovih podataka bili su strukturisani podaci sa numeričkim i tekstualnim unosima.
Analizirano je ukupno 624 zapisa testova prema unaprijed odabranim parametrima (tj.: viskozitet,
aditivi, pcjena i elementi trošenja i ulja, itd.).
Kao analitički softver korišteni su Microsoft Excel i R Microsoft Excel koji je besplatni softver za
statističku i analizu podataka pomoću statističkih i grafičkih tehnika kao što su linearno i
nelinearno modeliranje, klasični statistički testovi, klasifikacija, grupisanja itd. R je odabran za
ovu studiju jer je idealan za rukovanje velikim skupovima podataka i olakšava integraciju
manipulacije podacima, proračuna i grafičkog prikaza.

Podaci o vibracijama su se odnosili na očitavanja vibracija koje bilježi sistem za praćenje stanja.
Analiza vibracija može se koristiti za utvrđivanje osnovnih uzroka kvarova problematičnih
rotirajućih mašina, kao što su: mjenjači, ventilatori, osovine, motori, kompresori, pumpe, i dr.
Navedeni podaci mjereni su od kraja 2016. do sredine 2017. godine. Sva su mjerenja bila
numeričke prirode. Ukupno je bilo uključeno 15515 zapisa. Vibracije su izmjerene kroz nekoliko
"opisa prozora", uključujući ukupne vibracije, neuravnoteženost motora, neusklađenost/labavost,
harmonike, visoke frekvencije i ubrzanje.

Podaci o perfomansama odnosili su se kao dio praćenja performansi plovila putem integrisanog
automatizovano sistema (IAS). Ovo je bio najveći podatak u smislu količine u poređenju sa
prethodne dvije vrste podataka i bio je potpuno numerički zasnovan. Uprkos dostupnosti
ogromnog broja izmjerenih parametara, odabrano je 537 koji će biti dio ove studije. Odabir ovih
parametara zasnivao se na znanju stručnjaka o najutjecajnijim parametrima koji su ukazivali na
statuse opreme. Ovi parametri predstavljaju praćenje komponenti za tri kompresora, šest motora i
nekoliko drugih uređaja. Parametri su mjereni svake minute, dajući veliku količinu podataka iz
svakodnevnih operacija. Glavni cilj analize ovih skupova podataka bio je identifikovati stanje
opreme otkrivanjem onih parametara koji su bili izvan graničnih vrijednosti i odrediti korelaciju
između parametara. Podatke je kompanija dostavila u excel formatu, no s obzirom na veliku
količinu podataka, autor je analizu izvršio u R softveru.

3.2. Vještačka inteligencija kao metoda

Algoritmi koji se zasnivaju na AI imaju sposobnost da analiziraju veliku količinu podataka kako
bi predvidjeli buduće događaje, što je za pomorsku industriju od izuzetne važnosti.

14
Na osnovu analize ovih podataka moguće je razviti jedan od okvira za postizanje prediktivnog
održavanja zasnovanog na vještačkoj inteligenciji.

Postupak se realizuje kroz prethodnu obradu podataka i uparivanje rezultata, što čini 1. i 2. fazu
(slika 2), na sledeći način:
− Izvršiti analizu prethodne obrade podataka, identifikovati obrasce, trendove i korelaciju
između ispitivanih parametara.
− Razumjeti radnje preduzete nakon kvara komponente ili parametara izvan dometa.
− Postoje li neki kritični parametri za operacije?
− Može li se izvršeno održavanje izbjeći ili odgoditi u skladu sa stvarnim statusom
komponente?

Slika 3.1. Okvir za postizanje prediktivnog održavanja, prema [3]

4. Rezultati

Podaci o ulju za podmazivanje pokazuju da parametri koji su najviše uticali na ukupni status su
sadržaj bakara i kalaja sa umjerenim efektom i ocjena zagađenja (ContamRating), ocjena opreme
(EquipRating) i ocjena ulja (Oilrating) kao najuticajniji parametri. Uprkos identifikaciji kritičnih
parametara, pitanje je mogu li se te informacije koristiti za razvoj prediktivnog modela. Preduslov
za prediktivni pristup održavanju je uspostavljen sistem kontinuiranog praćenja stanja. Trenutna
praksa testiranja statusa ulja za podmazivanje je uzimanje uzorka ulja iz opreme i slanje u
laboratoriju na procjenu tog uzorka. Prema tome, posmatranja i alarmi u stvarnom vremenu nisu
mogući. Takođe, postoji mogućnost vremenskog kašnjenja prije nego što uzorci stignu na
odredište, ostavljajući značajan vremenski okvir za moguće kvarove zbog nepravilnosti u uljima
za podmazivanje.

Slika 4.1. Godišnji status ocjene ulja [3]

15
Prema [3] postoji sve veći broj tehnologija koje omogućuju online procjenu ulja za podmazivanje
unutar vlastitog radnog okruženja. Konkretno, postoje postojeće tehnologije koje omogućuju
praćenje senzora za određene parametre stanja, međutim zbog novosti ovih tehnologija, standardne
prakse testiranja ne bi se trebale u potpunosti zanemariti. Stoga autori smatraju važnim da
kompanija ispita mogućnost ugradnje senzorskog nadzora stanja. Zajedno sa postojećim
istorijskim podacima i identificikacijom najuticajnijih parametara koji mogu dovesti do kvara, ovo
bi predstavljalo idealne ulazne podatke za razvoj modela prediktivnog održavanja.

Nalazi koji su proizašli iz analize podataka o vibracijama možda su najmanje govorili od tri skupa
podataka. Iako je ova studija omogućila identifikaciju onih sredstava koja su predstavljala najviše
kvarova u ukupnim nivoima vibracija kao i opisu po prozoru, prilikom uvođenja mjernih tačaka u
analizu, konačna kombinacija je pokazala 3 do 4 mjerenja, dajući tako vrlo malo informacija za
identifikaciju trendova i obrazaca. Ipak, kako se podaci o vibracijama dobijaju putem sistema za
praćenje stanja, prema [3] analiza vibracija smatra seosnovom PdM-a i vrlo je korisna u
prediktivne svrhe. Osim toga, vrlo je kompatibilan s digitalnim rješenjima, što je čini vodećom
tehnologijom za razvoj prediktivnog modela. Autori preporučuju dalju analizu istorijskih
podataka, ako je moguće podataka dostupnih od početka praćenja stanja plovila ili dostupnih od
strane kompanije. Ova je preporuka u skladu s izvještajem PwC Predictive Maintenance 4.0 [3],
koji je identifikovao dostupnost podataka kao najvažniji kritični činilac koji predstavlja 60% u
uspješnoj realizaciji prediktivnog održavanja, dok tehnologija i senzorski nadzor dijele drugo
mjesto važnih kritičnih činilaca.

Slika 4.2. Ukupan broja kvarova usled vibracija po sredstvu [3]

Podaci o performansama bili su daleko najveći skup podataka sa preko 90 000 mjernih tačaka za
537 parametara. Tokom analize ovih podataka identifikovani su oni parametri izvan utvrđenih

16
raspona. U poređenju sa brojem procijenjenih parametara, samo 14 parametara je bilo sa
abnormalnim vrijednostima. Uprkos prepoznavanju tih nepravilnih parametara, nije ispravno
deklarisati ih kao kritične parametre za operacije.
Postoje dva razloga za to:
1). Iako je analiziran velik broj podatkovnih tačaka, kada se prevedu u dane rada, to bi predstavljalo
samo oko dva mjeseca rada, prema tome ako se procijene prethodni podaci do tog vremena, postoji
značajna mogućnost pronalaženja drugih parametara izvan kritičnih vrijednosti.
2). Nakon izvođenja korelacijskih testova za sve parametre koji čine opremu (tj. motor ili
kompresor) utvrđeno je da većina parametara ima jaku međusobnu korelaciju. Što se tiče statusa
opreme, tačnije je reći da su rezultati pokazali jaku međuzavisnost parametara iste opreme. Slika
18 ilustrira korelaciju parametara za motor 3. Što tamnija plava boja označava jaku pozitivnu
korelaciju, dok tamnija crvena boja označava jaku negativnu korelaciju

Slika 4.3. Testovi korelacije za sve parametre motora broj 3 [3]

Faza 2 ove studije sastojala se od upoređivanja rezultata parametara sa nepravilnim vrijednostima

dobijenih u fazi 1 sa stvarnim zapisima o održavanju. Svrha toga bila je utvrditi je li nešto učinjeno
sa opremom kod koje su utvrđeni parametri koji sadrže vrijednosti izvan granica, i ako jeste, koje
su radnje preduzete. Analizirano je 48 zapisa o preventivnom održavanju i upareno sa 8 parametara
van granica kod motora 3, 4, 5 i 6. Rezultati su pokazali da nema zapisa o održavanju za dotične
parametre (komponente). To je bilo zato što se nije smatralo da utiču na sveukupne operacije, pa
nije obavljeno nikakvo održavanje i nije bilo zapisano u sistemu održavanja ili je eventualno moglo
biti popravljeno kao dio stalnih poslova održavanja. Bilo koja opcija pokazuje jaku prevalenciju
preventivnog pristupa kompanije i nedostatak korištenja podataka o efektu svojih aktivnosti
održavanja. Nakon izlaganja ovih rezultata, postavlja se pitanje što je potrebno da bi se došlo do
treće faze razvoja prediktivnog modela i algoritama te koji su zahtjevi koje je potrebno ispuniti da
bi se to postiglo.

17
 Tablica 4.1. Upoređivanje rezultata sa stvarnim aktivnostima održavanja [3]

Takođe autori su identifikovali potrebne elemente za razvoj prediktivnog sistema kroz

nadogradnju faze 2. Model za prediktivno održavanje (slika 4.4.), identifikuje četiri elementa:
identifikacija načina kvara, otkrivanje potencijalnih kvarova, kritičnost imovine i vjerovatna
posljedica kvara i preporučene korektivne radnje - koji će biti obuhvaćeni prethodnom fazom 3.

Slika 4.4. Pravac daljeg razvoja faze 2 (potrebni elementi za razvoj prediktivnog sistema) [3]

Identifikacija načina kvara povezana je sa uzrocima kvara koji mogu dovesti do kvara određene
opreme ili jedne od njezinih funkcija. Razlog za ispunjavanje ovog elementa je taj što je za razvoj
učinkovitog modela predviđanja bitno da su poznati uzroci kvarova i načini na koji ih treba izbjeći.

Otkrivanje potencijalnih kvarova odnosi se na podatke o kvaru koji dolaze iz tehnika praćenja
odnosno mjerenja.

Kritičnost opreme i vjerovatna posljedica neuspjeha odnosi se na to koliko je neka oprema kritična
za cjelokupno poslovanje. Važno je izvesti procjenu rizika i utvrditi bi li kvar opreme predstavljao
katastrofalan događa odnosno, procjena rizika kritičnosti opreme omogućila bi potpuno
razumijevanje potencijalnih poslovnih implikacija i posljedica kvara opreme.

Nakon što su obrađeni koraci u vezi sa procesom kvara opreme, potrebno je odrediti najefikasnije
korektivne radnje koje treba realizovati. To bi rezultiralo prediktivnim modelom koji bi donio
utemeljeniju odluku u vezi sa najefikasnijim pravcem djelovanja.

18
ZAKLJUČAK
Tehnološki napredak, izazovni radni uvjeti i potreba za troškovima održavanja i optimizacijom
predstavljaju izvrsnu kombinaciju s kojom se treba nositi velikim podacima i prediktivnom
analitikom. Status tehnologija praćenja stanja i prediktivnog održavanja u brodarstvu danas biće
vrlo drugačiji ya dest godina. Očekuje se da će brodarstvo doživjeti ubrzani razvoj, budući da je
već vidljivo da se industrija gura naprijed prema znanosti o podacima i sofisticiranijem održavanju
pristupa. Iako je područje prediktivnog održavanja još uvijek u povojima unutar ove industrije i
još je puno posla da se otkrije puni potencijal koji veliki podaci i vještačka inteligencija
predstavljaju, organizacije koje razmišljaju naprijed moraju razmotriti kako se uključiti u razvoj i
implementaciju ovih tehnologija u svoje operacije.

Ovaj je rad imao za cilj pokrenuti razvoj rješenja za prediktivno održavanje koje se temelji na
modelu računarske vještačke inteligencije korištenjem podataka praćenja u stvarnom vremenu u
pomorskoj industriji. Rezultati su pokazali veliki potencijal za uspostavljanje prediktivnog
modela, no elementi kao što su identifikacija načina kvarova, otkrivanje potencijalnih kvarova i
kritičnost opreme samo su neka od pitanja koja je potrebno riješiti prije nego što se krene u razvoj
algoritama i rješenja zasnovanog na vještačkoj intelegenciji.

Trenutni nivo praćenja stanja u stvarnom vremenu omogućuje organizacijama samo ograničeni
nivo pouzdanosti, zato što je vjerovatnoća budućih nepredvidivih i neobjašnjivih kvarova još
uvijek prisutna u pristupu održavanja zasnovanom na stanju. Ipak, ti se kvarovi mogu smanjiti
strategijom prediktivnog održavanja.

Prednosti usvajanja prediktivnog održavanja su znatne, zato što snaga vještačke inteligencije
omogućuje prepoznavanje uzroka i anomalija koje bi inače izmakle ljudskom oku.

Prediktivno održavanja omogućuje predviđanje prethodno nepredvidivih događaja, predviđanje

kvarova i maksimiziranje vijeka trajanja opreme. Ovo su samo neke od najočiglednijih prednosti
koje brodarske kompanije mogu dobiti uvođenjem novih tehnologija i prediktivnih platformi u
svoju strategiju održavanja i svakodnevno poslovanje.

19
LITERATURA
[1] Ivošević, Š. (2016). Održavanje i bezbjednost broda. Fakultet za pomorstvo u Kotoru.
[2] Šegulja, I., Bukša, A., & Tomas, V. (2009). Održavanje brodskih sustava.
[3] Jimenez, V. J., Bouhmala, N., & Gausdal, A. H. (2020). Developing a predictive maintenance
model for vessel machinery. Journal of Ocean Engineering and Science, 5(4), 358-386.
[4] Wilson, A. (2013). Asset management focusing on developing maintenance strategies and
improving performance. Surrey: Conference Communication.
[5] Mobley, R. K. (2002). An introduction to predictive maintenance. Elsevier.
[6] Chappell, D. (2015). Introducing azure machine learning. A guide for technical professionals,
sponsored by microsoft corporation.
[7] Dunn, S. (2016). Big data, predictive analytics and maintenance. Asset Management &
Maintenance Journal, 29(1), 4-11.
[8] Nowlan, F. S., & Heap, H. F. (1978). Reliability-centered maintenance.
[9] Allen, T. M. (2001). Us navy analysis of submarine maintenance data and the development of
age and reliability profiles. Department of the Navy SUBMEPP.
[10] Smith, A. M., & Hinchcliffe, G. R. (2003). RCM--Gateway to world class maintenance.
Elsevier.
[11] Manno, G. (2012). Statistical analysis of casualty data: a simple method with application on
ship machinery systems. DNV publishing, Oslo, 2012-1068.
[12] Tinga, T., Tiddens, W. W., Amoiralis, F., & Politis, M. (2017). Predictive maintenance of
maritime systems: models and challenges. In European Safety and Reliability Conference
(ESREL) (Vol. 40).
[13] Gagić, R., Bauk, S., Ivošević, Š., & Orlando, A. PRIMJENA KONCEPTA ODRŽAVANJA
ZASNOVANOG NA RIZIKU KOD STARIH BALKERIJERA APPLICATION OF THE RISK
BASED MAINTENANCE OF AGING BULK CARRIERS.
[14] Vulin, M. (2020). Umjetne neuronske mreže kao metoda umjetne inteligencije (Doctoral
dissertation, University of Zagreb. Faculty of Organization and Informatics. Department of
Theoretical and Applied Foundations of Information Sciences).
[15] Milolaža, K. (2023). Trendovi umjetne inteligencije u pomorstvu (Doctoral dissertation,
University of Rijeka. Faculty of Maritime Studies, Rijeka. Department of Logistics and
Management).
[16] Deng, L., Yang, L. : A Joint Introduction to Natural Language Processing and to Deep
Learning, U: Deep Learning in Natural Language Processing, p. 1-22.,
[17] Neale, P., Thapa, S., & Boyce, C. (2006). Preparing a case study: A guide for designing and
conducting a case study for evaluation input. Watertown: Pathfinder international.

20