Адаптивне прецедентне міркування з імовірнісною інтеграцією для діагностики та прогнозування технічного стану складних систем

Анотація

У цьому дослідженні представлено вдосконалену адаптивну систему Case-Based Reasoning (CBR) для діагностики та прогнозування технічного стану суднових енергетичних установок у реальному часі, що досягається завдяки інтеграції байєсівських мереж, моделювання процесів Маркова та когнітивного моделювання в єдиному динамічно адаптивному середовищі. Традиційні підходи CBR, хоча й ефективні у пошуку аналогів серед історичних випадків, часто не здатні враховувати складні стохастичні залежності між компонентами системи, динамічні патерни деградації при змінних експлуатаційних навантаженнях та реальні часові варіації в даних датчиків. Щоб подолати ці обмеження, запропонована методика включає шість інтегрованих фаз: збір і нормалізацію даних для забезпечення уніфікованої стандартизації гетерогенних показників датчиків та експлуатаційних параметрів; ймовірнісний аналіз відмов із застосуванням байєсівських мереж для обчислення умовних ймовірностей відмов та коригування ваг релевантності випадків з урахуванням міжкомпонентних залежностей; сценарне прогнозування на основі дискретних моделей процесів Маркова для симуляції динаміки переходів станів і передбачення траєкторій деградації; адаптацію та об’єднання рішень, яке поєднує результати класичного CBR, ймовірнісні висновки та оцінки деградації за допомогою динамічно нормалізованих зважених коефіцієнтів (α, β, γ), що відображають поточний рівень ризику; підтримку бази знань шляхом включення нових реальних та синтетичних випадків, отриманих через когнітивне моделювання, що підвищує точність пошуку та зменшує проблему дефіциту даних; та автоматизоване формування профілактичних рекомендацій з технічного обслуговування відповідно до прогнозованого залишкового ресурсу. Експериментальна валідація на комплексному наборі даних із понад 11 000 історичних і синтетичних випадків показала діагностичну точність на рівні 91 % порівняно з 79 % у традиційного CBR, зниження кількості хибних тривог на 6,7 %, покращення точності прогнозування залишкового ресурсу на 5–7 % та зменшення похибки прогнозування на 4,7 %, що обумовлено модулем когнітивного моделювання, який також підвищив показники виявлення рідкісних відмов на 5,1 %. Ці емпіричні результати підтверджують високу надійність і стійкість системи за змінних навантажень та каскадних сценаріїв відмов, а також її інтеграцію в бортові архітектури моніторингу для оптимізації графіків обслуговування, зменшення незапланованих простоїв та підвищення експлуатаційної безпеки суднових енергетичних установок.