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

Автор(и)

  • Вичужанін В.В. Національний університет «Одеська політехніка», м. Одеса
  • Вичужанін О.В. Національний університет «Одеська політехніка», м. Одеса

DOI:

https://doi.org/10.33216/1998-7927-2025-290-4-5-20

Ключові слова:

імовірнісний аналіз, байєсівські мережі, марковські процеси, когнітивні моделі, динамічна адаптація, технічна діагностика, експертні системи

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. 

Посилання

1. Vychuzhanin V., Vychuzhanin A. Stochastic Models and Methods for Diagnostics, Assessment, and Prediction of the Technical Condition of Complex Critical Systems / V. Vychuzhanin, A. Vychuzhanin. Kyiv : Liha Pres, 2025. 360 p. https://doi.org/10.36059/978-966-397-457-6

2. Nikpour H., Aamodt A. Fault Diagnosis under Uncertain Situations within a Bayesian KnowledgeIntensive CBR System / H. Nikpour, A. Aamodt // Progress in Artificial Intelligence. 2021. Vol. 10. Pp. 245–258. https://doi.org/10.1007/s13748-020-00227-x

3. Chen M., Xia J., Huang R., Fang W. Case Based Reasoning System for Aeroengine Fault Diagnosis Enhanced with Attitudinal Choquet Integral / M. Chen, J. Xia, R. Huang, W. Fang // Applied Sciences. 2022. Vol. 12, No. 11. Article 5696.

https://doi.org/10.3390/app12115696

4. Schultheis A. Exploring a Hybrid Case Based Reasoning Approach for Time Series Adaptation in Predictive Maintenance / A. Schultheis // ICCBR ’24 Workshop Proceedings. CEUR WS, Vol. 3708, 2024.

5. Schoenborn J. M., Weber R. O., Aha D. W., Cassens J., Althoff K. D. Explainable Case Based Reasoning: A Survey / J. M. Schoenborn, R. O. Weber, D. W. Aha, J. Cassens, K. D. Althoff // AAAI ’21 Workshop Proceedings. CEUR WS, 2021.

6. Kumar R., Schultheis A., Malburg L., Hoffmann M., Bergmann R. Considering InterCase Dependencies during SimilarityBased Retrieval in ProcessOriented Case Based Reasoning / R. Kumar et al. // Proc. 35th FLAIRS Conf. 2022. https://doi.org/10.32473/flairs.v35i. 130680

7. Malburg L., Schultheis A., Bergmann R. Identifying Missing Sensor Values in IoT Time Series Data: A WeightBased Extension of Similarity Measures for Smart Manufacturing / L. Malburg, A. Schultheis, R. Bergmann // Proc. 32nd ICCBR (LNCS 14775). Springer, 2024. Pp. 16–30. – https://doi.org/10.1007/ 978-3-031-63646-2_16

8. Gould A., Paulino Passos G., Dadhania S., Williams M., Toni F. PreferenceBased Abstract Argumentation for Case Based Reasoning (AACBRP) / A. Gould et al. // 21st Int. Conf. on Principles of Knowledge Representation and Reasoning. 2024. Pp. 394–404. https://doi.org/10.24963/kr.2024/37

9. Yan W., Wang J., Lu S., Zhou M., Peng X. A Review of RealTime Fault Diagnosis Methods for Industrial Smart Manufacturing / W. Yan et al. // Processes. 2023. Vol. 11, No. 2. Article 369. https://doi.org/10.3390/ pr11020369

10. Vychuzhanin V., Rudnichenko N., Vychuzhanin A. CBR Method for DecisionMaking Support in Operation Efficiency Ensuring of Complex Technical Systems / V. Vychuzhanin, N. Rudnichenko, A. Vychuzhanin // CEUR WS, Vol. 3702. 2024. Pp. 72–85.

11. Montero Jiménez J. J., Vingerhoeds R., Grabot B. Enhancing Predictive Maintenance Architecture Processes by Using OntologyEnabled Case Based Reasoning / J. J. Montero Jiménez, R. Vingerhoeds, B. Grabot // 2021 IEEE Int. Symp. on Systems Engineering. IEEE, 2021. Pp. 1–8. https://doi.org/10.1109/ISSE53008. 2021.9574295

12. Ademujimi T., Prabhu V. Fusion Learning of Bayesian Network Models for Fault Diagnostics / T. Ademujimi, V. Prabhu // Sensors. 2021. Vol. 21, No. 22. Article 7633. https://doi.org/10.3390/s21227633

13. Tarcsay B. L., Bárkányi Á., Németh S., Chován T., Lovas L., Egedy A. RiskBased Fault Detection Using Bayesian Networks Based on Failure Mode and Effect Analysis / B. L. Tarcsay et al. // Sensors. 2024. Vol. 24, No. 11. Article 3511. https://doi.org/ 10.3390/s24113511

14. Liao G., Yin H., Chen M., Lin Z. Remaining Useful Life Prediction for MultiPhase Deteriorating Process Based on Wiener Process / G. Liao, H. Yin, M. Chen, Z. Lin // Reliability Engineering & System Safety. 2021. Vol. 207. Article 107361. https://doi.org/10.1016/ j.ress.2020.107361

15. Sahoo S., Wang H., Blaabjerg F. UncertaintyAware Artificial Intelligence for Gear Fault Diagnosis in Motor Drives / S. Sahoo, H. Wang, F. Blaabjerg // arXiv Preprint arXiv:2412.01272. 2024. https://doi.org/ 10.48550/arXiv.2412.01272

16. Xu J., Wang Q., Zhou J., Zhou H., Chen J. Improved Bayesian Network Based Fault Diagnosis of Air Conditioner Systems / J. Xu et al. // International Journal of Metrology and Quality Engineering. 2023. Vol. 14. Article 10. https://doi.org/10.1051/ijmqe/2023009

17. Qi B., Zhang L., Liang J., Tong J. Combinatorial Techniques for Fault Diagnosis in Nuclear Power Plants Based on Bayesian Neural Network and Simplified Bayesian Network ANN / B. Qi et al. // Frontiers in Energy Research. 2022. Vol. 10. Article 920194. https://doi.org/10.3389/fenrg.2022.920194

##submission.downloads##

Опубліковано

2025-05-17