Динаміка ймовірностей відмов в обладнанні суднової енергетичної установки з урахуванням каскадних ефектів
DOI:
https://doi.org/10.33216/1998-7927-2025-295-9-5-17Ключові слова:
прогнозна діагностика, байєсівські мережі, адаптація CBR, моделювання відмов, ризик-орієнтовані метрики, стабільність діагностики, інтелектуальне обслуговуванняАнотація
У статті подано комплексний і науково обґрунтований підхід до моделювання технічного стану, процесів деградації та надійності суднових енергетичних установок (СЕУ) з урахуванням каскадних ефектів відмов і ймовірнісних залежностей між компонентами. Розроблено гібридну діагностично-прогностичну методику, яка поєднує безперервні марковські процеси, байєсівські мережі, алгоритми градієнтного бустингу (XGBoost) та імітаційне моделювання в єдиній структурі аналітичного прогнозування. Запропонований підхід забезпечує кількісну оцінку динаміки надійності з урахуванням взаємного впливу підсистем і дозволяє прогнозувати розвиток каскадних процесів у часі. Взаємозв’язки між елементами формалізовано через матрицю коефіцієнтів каскадного впливу αᵢⱼ, яка відображає, як відмова одного вузла збільшує ймовірність відмови інших. Байєсівські мережі використовуються для опису причинно-наслідкових зв’язків між відмовами та динамічного оновлення оцінок на основі поточних даних моніторингу. Методи машинного навчання дають змогу визначити найбільш інформативні параметри технічного стану, зокрема вібраційні характеристики, температуру мастила та тиск у системі охолодження. Модель навчено й перевірено за експлуатаційними даними бази OREDA та експертними оцінками, досягнуто високу точність прогнозування (AUC > 0.95, MAE < 4.7%). Імітаційні експерименти виявили два критичні інтервали роботи (≈10 000 і 20 000 год), коли під впливом каскадних ефектів ймовірність відмов зростає експоненційно. Найуразливішими елементами визначено систему охолодження та головний двигун, які ініціюють ланцюгові процеси деградації. Інтеграція моделі у цифровий двійник забезпечує адаптивне переналаштування, автоматичне виявлення аномалій і підтримку прийняття рішень у прогнозному технічному обслуговуванні. Розроблена методика формує даних-орієнтовану та когнітивну основу створення інтелектуальних систем моніторингу, що підвищують надійність, живучість і ефективність експлуатації морських енергетичних комплексів у реальних умовах.
Посилання
1. Vychuzhanin V., Vychuzhanin A. Stochastic Models and Methods for Diagnostics, Assessment, and Prediction of the Technical Condition of Complex Critical Systems. Kyiv : Liha Pres, 2025. 360 p. DOI: https://doi.org/10.36059/978-966-397-457-6
2. Vychuzhanin V., Vychuzhanin A. Intelligent Diagnostics of Ship Power Plants: Integration of Case-Based Reasoning, Probabilistic Models, and ChatGPT. A Universal Approach to Fault Diagnosis and Prognostics in Complex Technical Systems: Monograph. Lviv–Torun : Liha Pres, 2025. 412 p. DOI: https://doi.org/10.36059/978-966-397-516-0
3. Moon H., Choi J., Cha S. A multi-state Markov model to infer the latent deterioration process from the maintenance effect on reliability engineering of ships. arXiv, 2021. arXiv:2111.14368v2. DOI: https://doi.org/10.48550/arXiv.2111.14368
4. Garbatov Y., Georgiev P. Markovian maintenance planning of ship propulsion system accounting for CII and system degradation. Energies. 2024. Vol. 17, No. 16. P. 4123. DOI: https://doi.org/10.3390/en17164123
5. Morato P. G., Andriotis C. P., Papakonstantinou K. G., Rigo P. Inference and dynamic decision-making for deteriorating systems with probabilistic dependencies through Bayesian networks and deep reinforcement learning. Reliability Engineering & System Safety. 2023. Vol. 235. 109144. DOI: https://doi.org/10.1016/j.ress.2023.109144
6. Andriotis C. P., Papakonstantinou K. G., Chatzi E. N. Value of structural health information in partially observable stochastic environments. Structural Safety. 2021. Vol. 93. 102072. DOI: https://doi.org/10.1016/j.strusafe.2020.102072
7. Kamariotis A., Chatzi E. N., Straub D. A framework for quantifying the value of vibration-based structural health monitoring. Mechanical Systems and Signal Processing. 2023. Vol. 184. 109708. DOI: https://doi.org/10.1016/j.ymssp.2022.109708
8. Raptodimos Y., Lazakis I. Application of NARX neural network for predicting marine engine performance parameters. Ships and Offshore Structures. 2019. Vol. 15, No. 4. P. 412–425. DOI: https://doi.org/10.1080/17445302.2019.1661619
9. Cheliotis M., Lazakis I., Theotokatos G. Machine learning and data-driven fault detection for ship systems operations. Ocean Engineering. 2022. Vol. 216. 107968. DOI: https://doi.org/10.1016/ j.oceaneng.2020.107968
10. Zhu G., Huang L., Yin J., Gai W., Wei L. Multiple faults diagnosis for ocean-going marine diesel engines based on different neural network algorithms. Science Progress. 2023. Vol. 106, No. 4. Article 368. DOI: https://doi.org/10.1177/00368504231212765
11. Wang S., Wang J., Ding X. An intelligent fault diagnosis scheme based on PCA-BP neural network for the marine diesel engine. IOP Conference Series: Materials Science and Engineering. 2020. Vol. 782. 032079. DOI: https://doi.org/10.1088/1757-899X/782/3/032079
12. OREDA. Offshore Reliability Data Handbook. 6th ed. OREDA, 2015.
13. Chonlagarn I., Mosleh A., Modarres M. Efficient dependency computation for dynamic hybrid Bayesian network in online system health management applications. Reliability Engineering & System Safety. 2014. DOI: https://doi.org/10.36001/phmconf.2014.v6i1.2422
14. Portinale L., Codetta Raiteri D., Montani S. Supporting reliability engineers in exploiting the power of dynamic Bayesian networks. International Journal of Approximate Reasoning. 2010. Vol. 51, No. 2. P. 179–195. DOI: https://doi.org/10.1016/j.ijar.2009.05.009
15. Montani S., Portinale L., Bobbio A. Compiling dynamic fault trees into dynamic Bayesian nets for reliability analysis: the RADYBAN tool. Proceedings of the 2007 International Conference on Ubiquitous Intelligence and Computing (UIC). 2007. URL: https://ceur-ws.org/Vol-268/paper6.pdf
16. Zhang Y., Yagan O. Modeling and analysis of cascading failures in interdependent cyber-physical systems. Proceedings of the 2018 IEEE Conference on Decision and Control (CDC). 2018. DOI: https://doi.org/10.1109/CDC.2018.8618710
17. Vychuzhanin V., Vychuzhanin A. Integrated approach to creating a case-based database for diagnosing failures in ship power plants. Informatics and Mathematical Methods in Simulation. 2025. Vol. 15, No. 2. P. 155–165. DOI: https://doi.org/ 10.15276/imms.v15.no2.155
18. Vychuzhanin V., Vychuzhanin A. Integrated approach to diagnosing complex technical systems: experimental validation and multidimensional efficiency assessment. Вісник Східноукраїнського національного університету імені Володимира Даля. 2025. № 5 (291). С. 5–17. DOI: https://doi.org/10.33216/1998-7927-2025-291-5-5-17
