Iнтегрований підхід до діагностики складних технічних систем: експериментальна валідація та багатовимірна оцінка ефективності
DOI:
https://doi.org/10.33216/1998-7927-2025-291-5-5-17Ключові слова:
прогнозна діагностика, байєсівські мережі, адаптація CBR, моделювання відмов, ризик-орієнтовані метрики, стабільність діагностики, інтелектуальне обслуговуванняАнотація
У цій статті представлено всебічну експериментальну верифікацію інтегрованого підходу до діагностики технічного стану (ТС) складних технічних систем (СТС) на прикладі суднових енергетичних установок (СЕУ).
Запропонована методологія поєднує логіку прецедентів (Case Based Reasoning – CBR), ймовірнісне прогнозування за допомогою байєсівських мереж і марковських ланцюгів, а також імітаційне моделювання сценаріїв деградації та каскадних відмов. Тестування проводилось за трьома сценаріями: нормальний режим експлуатації, режим підвищеного навантаження та сценарій з обмеженою доступністю даних, що дозволило всебічно оцінити адаптивність алгоритмів і їх стійкість до змінних експлуатаційних факторів. Для кількісної оцінки якості діагностики використовувались класичні метрики бінарної класифікації (Accuracy, Precision, Recall і F1 score), а також нововведені розширені показники: зважена точність (WAcc), F1-оцінка з урахуванням критичності відмов компонентів (F1W), повнота зі зважуванням на ризик відмови (RecallR), скоригована точність з урахуванням вартості помилкових тривог (PrecisionC) та Індекс стабільності діагностики (DSI). Результати багатосценарного експерименту показали стабільне покращення всіх основних показників: Accuracy зросла з 78.5% до 85.3%, Precision – з 75.2% до 83.1%, Recall – з 80.1% до 87.6%, F1 score – з 77.5% до 85.3%, RecallR досягла 91.0%, а DSI становив 0.983. П’ятикратна крос-валідація показала стандартне відхилення F1 score на рівні 2.2%, що підтверджує відтворюваність і надійність запропонованого методу для експериментального тестування інтегрованого підходу до діагностики СТС. Реалізація циклічної процедури "імітація – ймовірності – адаптація CBR" значно зменшила кількість помилкових тривог та пропущених критичних відмов обладнання СЕУ. Практична значущість підходу полягає у можливості його інтеграції в SCADA/PMS-системи морських СТС та наземних енергетичних станцій, що сприятиме переходу до інтелектуального прогнозного обслуговування, зменшенню незапланованих простоїв, зниженню витрат і підвищенню надійності обладнання. Перспективи майбутніх досліджень включають підвищення адаптивності підходу, розширення бази прецедентів та розробку інструментів для автоматизованої обробки гетерогенних даних. Ключові слова: прогнозна діагностика, байєсівські мережі, адаптація CBR, моделювання відмов, ризик-орієнтовані метрики, стабільність діагностики, інтелектуальне обслуговування.
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 :LihaPres, 2025. 360 p.https://doi.org/10.36059/978-966-397-457-6
2. Vychuzhanin V. V., Rudnichenko N. D.Metodyinformatsionnykhtekhnologiy v diagnostikesostoyaniyaslozhnykhtekhnicheskikhsistem: monografiya / V. V. Vychuzhanin, N. D. Rudnichenko. Odessa :Ekologiya, 2019. 178 p.
3. Yan H., Wang F., Yan G., He D.Hybrid approach integrating case-based reasoning and Bayesian network for operational adjustment in industrial flotation process / H. Yan, F. Wang, G. Yan, D. He // Journal of Process Control. 2021. Vol. 103. Pp. 34–47.https://doi.org/10.1016/j.jprocont.2021.05.003
4. Xu X., Lin Y., Ye C.Fault diagnosis of marine machinery via an intelligent data-driven framework / X. Xu, Y. Lin, C. Ye // Ocean Engineering. 2023. Vol. 289, No. 1. Article 116302.https://doi.org/10.1016/j.oceaneng.2023.116302
5. Schweidtmann A. M., Zhang D., von Stosch M.A review and perspective on hybrid modeling methodologies / A. M. Schweidtmann, D. Zhang, M. von Stosch // Digital Chemical Engineering. 2024. Vol. 10. Article 100136.https://doi.org/10.1016/j.dche.2023.100136
6. Nikpour H., Aamodt A.Fault diagnosis under uncertain situations within a Bayesian knowledge-intensive CBR system / H. Nikpour, A. Aamodt // Progress in Artificial Intelligence. 2021. Vol. 10, No. 1. Pp. 245–258.https://doi.org/10.1007/s13748-020-00227-x
7. 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
8. Soleimani M., Campean F., Neagu D.Integration of Hidden Markov modelling and Bayesian network for fault detection and prediction of complex engineered systems / M. Soleimani, F. Campean, D. Neagu // Reliability Engineering & System Safety. 2021. Vol. 215. Article 107808.https://doi.org/10.1016/j.ress.2021.107808
9. El-Awady A., Ponnambalam K.Integration of simulation and Markov chains to support Bayesian networks for probabilistic failure analysis of complex systems / A. El-Awady, K. Ponnambalam // Reliability Engineering & System Safety. 2021. Vol. 211. Article 107511.https://doi.org/10.1016/j.ress.2021.107511
10. Zhong D., Xia Z., Zhu Y., Duan J.Overview of predictive maintenance based on digital twin technology / D. Zhong, Z. Xia, Y. Zhu, J. Duan // Heliyon. 2023. Vol. 9, No. 4. Article e14534.https://doi.org/10.1016/j.heliyon.2023.e14534
11. Kalafatelis A. S., Nomikos N., Giannopoulos A., Trakadas P.Survey on predictive maintenance in the maritime industry using machine and federated learning / A. S. Kalafatelis, N. Nomikos, A. Giannopoulos, P. Trakadas // TechRxiv. 2025. Vol. 11.https://doi.org/10.36227/techrxiv.173473250.04784922/v1
12. Özaydın E., Fışkın R., Uğurlu Ö., Wang J.A hybrid model for marine accident analysis based on Bayesian network (BN) and association rule mining (ARM) / E. Özaydın, R. Fışkın, Ö. Uğurlu, J. Wang // Ocean Engineering. 2022. Vol. 247. Article 110705.https://doi.org/10.1016/j.oceaneng.2022.110705
13. Cheliotis M., Lazakis I., Cheliotis A.Bayesian and machine learning-based fault detection and diagnostics for marine applications / M. Cheliotis, I. Lazakis, A. Cheliotis // Ships and Offshore Structures. 2022. Vol. 17, No. 12. Pp. 2686–2698.https://doi.org/10.1080/17445302.2021.2012015
14. OREDA.Offshore Reliability Data Handbook. 6th ed. OREDA, 2015.
15. Soliman A., Marsha M. A., Rahaman S.Digital twin predictive maintenance systems / A. Soliman, M. A. Marsha, S. Rahaman // Journal of Ocean Technology. 2024. Vol. 19, No. 2. Pp. 46–76.
16. Jovanović I., Karatuğ Ç., Perčić M., et al.Combined fault tree analysis and Bayesian network for reliability assessment of marine internal combustion engine / I. Jovanović, Ç. Karatuğ, M. Perčić, et al. // Journal of Marine Science and Application. 2025.https://doi.org/10.1007/s11804-025-00692-7
17. Velasco-Gallego C., Lazakis I.Mar-RUL: A remaining useful life prediction approach for fault prognostics of marine machinery / C. Velasco-Gallego, I. Lazakis // Applied Ocean Research. 2023. Vol. 140. Article 103735.https://doi.org/10.1016/j.apor.2023.103735
18. 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.
19. Daya A. A., Lazakis I.Developing an advanced reliability analysis framework for marine systems operations and maintenance / A. A. Daya, I. Lazakis // Ocean Engineering. 2023. Vol. 272. Article 113766.https://doi.org/10.1016/j.oceaneng.2023.113766
20. Neupane D., Bouadjenek M. R., Dazeley R., Aryal S.Data-driven machinery fault diagnosis: A comprehensive review / D. Neupane, M. R. Bouadjenek, R. Dazeley, S. Aryal // Neurocomputing. 2025. Vol. 627. Article 129588.https://doi.org/10.1016/j.neucom.2025.129588
21. Lv Y., Yang X., Li Y., Liu J., Li S.Fault detection and diagnosis of marine diesel engines: A systematic review / Y. Lv, X. Yang, Y. Li, J. Liu, S. Li // Ocean Engineering. 2024. Vol. 294. Article 116798.https://doi.org/10.1016/j.oceaneng.2024.116798
22. Li Y., Zhang W., Cui L., Gao H.System reliability modeling and analysis for a marine power equipment operating in a discrete-time dynamic environment / Y. Li, W. Zhang, L. Cui, H. Gao // Quality and Reliability Engineering International. 2024. Vol. 40. Pp. 3422–3438.
