Адаптивна гібридна архітектура цифрових двійників з урахуванням невизначеності для прогнозної діагностики суднових енергетичних установок

Анотація

Надійне прогнозування технічного стану та залишкового ресурсу суднових енергетичних установок (СЕУ) залишається складним завданням через безперервну зміну умов експлуатації, суттєву нелінійність механізмів деградації та неминучу невизначеність, що супроводжує вимірювання датчиків. Попри те, що гібридні цифрові двійники (ГЦД) значно розширили можливості прогнозного обслуговування, багато наявних реалізацій усе ще використовують фіксовані схеми взаємодії між фізичними та дата-орієнтованими моделями, що знижує їхню адаптивність у випадках, коли надійність окремих джерел інформації змінюється під час роботи. У дослідженні розроблено архітектуру ГЦД, яка об'єднує детерміністичну фізичну модель, прогнозний модуль на основі CNN–LSTM та когнітивну імітаційну модель (КІМ) у єдиній діагностичній структурі. Замість підтримки фіксованого балансу між аналітичними та емпіричними моделями, архітектура безперервно коригує їхній внесок відповідно до оціненої невизначеності фізичної моделі. Це дає змогу зберігати фізичну узгодженість, коли аналітичні знання є надійними, і водночас дозволяє дата-орієнтованому прогнозуванню домінувати у разі зростання невизначеності моделі. Когнітивний імітаційний компонент доповнює чисельне прогнозування шляхом явного представлення причинно-наслідкових зв'язків між процесами деградації та діагностичними висновками, забезпечуючи інженерні пояснення, які важко отримати зі звичайних глибоких нейронних мереж. Ефективність розробленої структури досліджено за допомогою моделювання із апаратним забезпеченням у контурі (HIL), яке відтворювало репрезентативні режими роботи підсистем СЕУ, включаючи прогресуючу деградацію та стохастичні завади датчиків. За цих умов гібридна архітектура зменшила похибку прогнозування залишкового ресурсу на 32–36% порівняно з автономними фізичними моделями та до 19% порівняно зі звичайними рішеннями на основі глибокого навчання. Класифікація відмов досягла F1-показника 0,89, зберігаючи стабільну роботу за рівнів шуму датчиків до 30%. Виконання в реальному часі з тривалістю менше 20 мс задовольняє вимоги бортових автоматизованих систем, тоді як асинхронне федеративне навчання забезпечує масштабоване розгортання в розподілених флотах без збільшення бортового обчислювального навантаження. Поєднання адаптивного злиття моделей з урахуванням невизначеності, фізично-інформованого навчання та когнітивного міркування розширює можливості сучасних технологій ГЦД порівняно зі звичайними гібридними діагностичними структурами. Окрім підвищення точності прогнозування та стійкості, архітектура покращує прозорість рішень щодо технічного обслуговування та демонструє практичну придатність для інтелектуальних СЕУ, з оціночним скороченням щорічних експлуатаційних витрат приблизно на 27%. Отримані результати свідчать, що розроблена структура є практичним кроком до надійного та пояснюваного прогнозного обслуговування суднових енергетичних систем наступного покоління.