Professional Documents
Culture Documents
Primjena vještačke inteligencije u savremenim konceptima prediktivnog održavanja na broduinarski Rad Rev 1
Primjena vještačke inteligencije u savremenim konceptima prediktivnog održavanja na broduinarski Rad Rev 1
Alen Jonuz
Sažetak
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
3
Metodologija naučno-istraživačkog rada Studijska godina 2023/24
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.
5
Metodologija naučno-istraživačkog rada Studijska godina 2023/24
6
Metodologija naučno-istraživačkog rada Studijska godina 2023/24
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 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
Slika 4. Izračunata evolucija dubine trošenja košuljice tokom vremena za tri motora [18].
9
Metodologija naučno-istraživačkog rada Studijska godina 2023/24
Slika 5. Prikaz podijele karakterističnih zona tankova goriva prema stepenu rizika [19]
10
Metodologija naučno-istraživačkog rada Studijska godina 2023/24
4. Zaključak
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