Primjena vještačke inteligencije u savremenim konceptima

prediktivnog održavanja na brodu

Alen Jonuz

Univerzitet Crne Gore, Pomorski fakultet Kotor,

Master studijski program: Pomorske nauke
Email: alenjonuz@ edu.ucg.ac.me

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. U radu će biti izvršen pregled postojeće
literature u vezi sa primjenom vještačke inteligencije u prediktivnom
održavanju brodskih sistema, sa posebnim osvrtom na praćenje u
realnom vremenu. Takođe, rad će pružiti detaljan pregled metoda
koje koriste algoritme vještačke inteligencije za obradu podataka u
realnom vremenu, kako bi se predvidjeli kvarovi i optimizovalo
održavanje brodskih sistema.

Ključne riječi
Prediktivno održavanje; Brodski sistemi; Vještačka inteligencija;

1
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

1. 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 ntervali 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 pomoćni alati za razvoj modela prediktivnog održavanja zasnovanog
na mašinskom učenju i vještačkoj intelegenciji.

2
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

2. Vrste održavanja

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. Con dition Based Maintenance,
CBM) i unaprijed određeno održavanje (engl. Predetermine Maintenance, PM).

2.1. 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 [3]. 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“ [4]. 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.

Slika 1. Vrste održavanja, prilagođene standardu terminologije održavanja, [5]

2.2. Preventivno održavanje

3
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

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“ [4]. 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.

2.3. 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 [6].

2.4. 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“ [7]. 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 [8]. 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 [9]. 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

4
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

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 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 [10] 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 povezano
sa 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 [11] na podmornicama američke mornarice taj postotak je
dostigao 71. Prema objema studijama, kvarovi povezani sa starenjem pripisuju se
kontinuiranoj degradaciji usled 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.

2.5. 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 [12].
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 [13]. 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

5
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

prognostičke rutine ugrađene su u brodske sisteme [14]. Dodatno, na kopnu su

uspostavljeni integrisani sistemi kao dio operacija za obavljanje daljinskog nadzora i
obrade podataka putem prienosa 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.

2.6. 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“ [7]. 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 [5]. 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.

3. Razvoj vještačke intelegencije u konceptu prediktivnog održavanja

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 [15].
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.

6
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

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 [16]. 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.
U studiji slučaja obrađenoj u [17] autori su razvili okvir za postizanje prediktivnog
održavanja baziranog na vještačkoj intelegenciji i mašinskom učenju. Studija je izvedena
za plovilo sa šest motora i tri kompresora gdjr je izvršeno prikupljanje tri vrste podataka,
i to o ulju za podmazivanje, vibracijama i podataka o perfomansama sistema tokom
eksploatacije. 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 sadržavale su istorijske podatke o ispitivanjima
mazivog ulja obavljenim na plovilu tokom pet godina rada. Priroda ovih podataka bili su
strukturirani podaci sa numeričkim i tekstualnim unosima gdje je analizirano ukupno 624
zapisa testova prema unaprijed odabranim parametrima kao što su viskozitet, podaci o
aditivima, elementi trošenja ulja, ocjene itd. Izveden je korelacijski test za sve parametre
kako bi se utvrdio stepen linearnog odnosa između parametara.
Podaci o vibracijama odnosili su se na očitavanja vibracija koje bilježi sistem za
praćenje stanja. Analiza vibracija može se koristiti za utvrđivanje osnovnih uzroka
kvarova problematičnih rotirajućih strojeva, kao što su: reduktori, ventilatori, osovine,
motori, kompresori, pumpe, miješalice, sušači. Navedeni podaci mjereni su u periodu od
jedne godine. Sva mjerenja su bila numeričke prirode, ukupno je uključeno 15515 zapisa.
Softver koji je korišten je identifikovao trenutni status opreme, ali nije u stanju da
predvidi njeno buduće stanje. Analizirani podaci imali su sljedeće karakteristike:
očitavanja su data za 116 sredstava, postojale su 34 različite mjerne tačke, međutim svako
sredstvo je imalo između tri do osam mjernih tačaka. Vibracije su izmjerene kroz nekoliko
„opisa prozora“, uključujući ukupne vibracije, neuravnoteženost motora, neusklađenost
odnosno labavost, harmonike, visoke frekvencije, ubrzanje i dr.
Podaci praćenja performansi plovila putem integrisanog sistema automatizacije (IAS)
predstavlja vrstu podataka koji su potpuno numerički utemeljeni. Za studiju odabrano je
537 parametara. Odabir ovih parametara zasnovan je na znanju stručnjaka o
najuticajnijim 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

7
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

stanje opreme otkrivanjem onih parametara koji su bili izvan graničnih vrijednosti i
odrediti korelaciju između parametara.
U studiji autori ukazuju na problem zato što je skup podataka predstavljao vrlo malo
slučajeva kvarova, a nekoliko identifikovanih parametara kvarova ili se nije tretiralo kao
kvarovi ili ako je preduzeta akcija održavanja, to nije bilo prijavljeno [9].
Na osnovu analize ovih podataka autori su razvili jedan od okvira za postizanje
prediktivnog održavanja zasnovanog na vještačkoj intelegenciji.
Postupak se realizuje kroz prethodnu obrada podataka i uparivanje rezultata, što čini
1. i 2. faza (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 2. Okvir za postizanje prediktivnog održavanja, prema [1]

Takođe autori su identifikovali potrebne elemente za razvoj prediktivnog sistema

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

Slika 3. Faza daljeg razvoja novoa 2 (potrebni elementi za razvoj prediktivnog sistema)
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.

8
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

Otkrivanje potencijalnih kvarova odnosi se na podatke o kvaru koji dolaze iz tehnika

praćenja odnosno mjerenja.
U radu [18] autori predstavljaju prognostičke metode zasnovane na fizici kvara, i
obrađuju modeli 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 4. Izračunata evolucija dubine trošenja košuljice tokom vremena za tri motora [18].

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.

9
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

Kritičnost opreme i vjerovatna posljedica zastoja odnosi se na to koliko je neka

oprema kritična za cjelokupno funkcionisanje. Važno je izvesti procjenu rizika i utvrditi bi
li kvar opreme predstavljao katastrofalan ihod odnosno, procjena rizika kritičnosti
opreme omogućila bi potpuno razumijevanje potencijalnih poslovnih implikacija i
posljedica kvara odnosno zastoja opreme. Nadalje, predviđanje vjerovatne posljedice
važno je za donošenje ispravnog puta djelovanja.
U radu [19] 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 5. Prikaz podijele karakterističnih zona tankova goriva prema stepenu rizika [19]

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.
Kao zadnji element za razvoja prediktivnog sistema nivoa 2 autori [17] predlažu
preporučenu korektivnu radnju. Nakon što su obrađeni koraci u vezi sa procesom kvara
opreme, njegovim različitim načinima kvara i poslovnim implikacijama vezanim za kvar
opreme, potrebno je odrediti najprikladnije korektivne radnje koje treba izvesti. To bi
rezultiralo prediktivnim modelom koji bi donio utemeljeniju odluku u vezi sa
najprikladnijim pravcem djelovanja.

10
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

4. 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 umjetna 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.

Literatura
[1] Shorten D.: Why has the shipping industry been slow to adopt, Technical investigations
department, Lloyd’s Register EMEA, United Kingdom, 2012.
[2] Lazakis I., Ölçer A.: Proceedings of the Institution of Mechanical Engineers, Part M,
Journal of Engineering for the Maritime Environment, 2016, 230 (2), pp 297–309.
[3] Wilson A.: Asset Management Focusing on Developing Maintenance Strategies and
Improving Performance, 2013.
[4] Swedish Standard Institute (Ed.), Stockholm, 2001.
[5] Cen E.: Maintenance terminology 13306, European Committee for Standardization,

11
Metodologija naučno-istraživačkog rada Studijska godina 2023/24

Brussels, 2010.
[6] Mobley R.K.: An introduction to predictive maintenance, Butter- worth-Heinemann,
2002.
[7] Chappell D.: A GUIDE FOR TECHNICAL PROFESSIONALS, Microsoft Corporation, 2015.
[8] Zaal T.: Profit driven maintenance for physical assets, Maj Engineering Publishing,
2014.
[9] Dunn S.: Asset Management & Maintenance Journal 29 (1), 2016.
[10] Nowlan F.S., Heap H.F.: Reliability-centered maintenance, United Air Lines Inc, San
Francisco Ca, 1978.
[11]. Allen T.M.: US Navy analysis of submarine maintenance data and the development of
age and reliability profiles, Department of the Navy SUBMEPP, 2001.
[12] Smith A.M., Hinchcliffe G.R.: RCM–Gateway to world class maintenance, Elsevier,
2003.
[13] Manno G.: Statistical analysis of casualty data: a simple method with application on
ship machinery systems, DNV, 2012.
[14] DNV G.: Strategic Research and Innovation. 2014, Position Paper 6–2014.
[15] Perović B.: Vještačka inteligencija (AI) i mašinsko učenje,
https://minutadoposla.com/blog/karijere/vjestacka-inteligencija-ai/(pristupljeno
02.01.2024).
[16] Gauher S.: Evaluating Failure Prediction Models for Predictive Maintenance..
https://blogs.technet. microsoft.com/ machinelearning/ 2016/ 04/ 19/ evaluating-
failure- prediction- models- for- predictive- maintenance/(pristupljeno 03.01.2024).
[17] Jimenez V.J., Bouhmala N., and Gausdal A.H.: Developing a predictive maintenance
model for vessel machinery/Journal of Ocean Engineering and Science 5, 2020, pp 358–
386.
[18] Tinga T., Tiddens W.W., Amoiralis F., Politis M.: Predictive maintenance of maritime
systems: Models and challenges Safety and Reliability – Theory and Applications
London, 2017.
[19] Gagić R., Bauk S., Ivošević Š, Orlando A.: Primjena koncepta održavanja zasnovanog
na riziku kod starih balkerijera, 2. Konferencija „ODRŽAVANJE 2012“ Zenica, BiH, 2012.

12