Використання ChatGPT під час інтелектуальної діагностики технічного стану складних технічних систем
Анотація
Інтелектуальна діагностика складних технічних систем, зокрема суднових енергетичних установок, має важливе значення для забезпечення раннього виявлення несправностей і підтримки експлуатаційної надійності. У цьому дослідженні представлено методологічний підхід до інтеграції мовної моделі ChatGPT в автоматизовану діагностику СЕС. Метою даної роботи була розробка методологічного підходу до використання мовної моделі ChatGPT в автоматизованій діагностиці складних технічних систем, зокрема СЕС. Запропонована методологія складалась з декількох етапів: збір даних, попередня обробка, навчання моделі, виявлення аномалій та генерація діагностичних рекомендацій. Система інтегрувала ChatGPT з потоковою передачею даних у реальному часі (Kafka) та нейромережевим виявленням аномалій з використанням автокодерів та моделей довготривалої короткочасної пам'яті. Експериментальна перевірка була проведена з використанням реальних операційних наборів даних з суднових енергетичних установок. Запропонований підхід продемонстрував значне покращення точності виявлення несправностей, збільшивши її на 15 % порівняно з традиційними пороговими методами. Час діагностики скоротився в 9 разів, що дозволило ідентифікувати відхилення майже в реальному часі. Модель досягла точності 92,8 % при класифікації аномальних станів і правильному визначенні несправностей на ранніх стадіях за такими ключовими параметрами, як тиск, температура і швидкість обертання. Аналіз розподілів помилок реконструкції підтвердив здатність системи розрізняти нормальну та аномальну поведінку системи. Виявлені аномалії були перехресно підтверджені експертними оцінками, що підтвердило практичну застосовність моделі в реальних умовах діагностики. Крім того, реалізація запропонованого підходу дозволяє здійснювати предиктивне планування технічного обслуговування, що сприяє зниженню експлуатаційних ризиків і зменшенню витрат на обслуговування. Інтеграція ChatGPT в системи діагностики суднових енергетичних установок покращує автоматизовану обробку технічної документації та експлуатаційних журналів, підвищуючи прозорість і точність пояснень несправностей. Результати цього дослідження можуть бути застосовані в суднобудуванні, промисловій автоматизації та технічному обслуговуванні, сприяючи підвищенню безпеки та надійності складних технічних систем
Ключові слова
прогнозне технічне обслуговування; виявлення аномалій; енергетичні системи суден; інтелектуальний моніторинг; аналітика в реальному часі; оцінка на основі штучного інтелекту; експлуатаційна надійність
Використані джерела
[1] Abdulwahid, A. (2022). Intelligent fault diagnosis method for shipboard main power system. Journal of Southwest Jiaotong University, 57(1), 475-487. doi: 10.35741/issn.0258-2724.57.1.44.
[2] Adiguzel, T., Kaya, M.H., & Cansu, F.K. (2023). Revolutionizing education with AI: Exploring the transformative potential of ChatGPT. Contemporary Educational Technology, 15(3), article number ep429. doi: 10.30935/cedtech/13152.
[3] Alzahem, A., Latif, S., Boulila, W., & Koubaa, A. (2023). Unlocking the potential of medical imaging with ChatGPT’s intelligent diagnostics. arXiv: Electrical Engineering and Systems Science. doi: 10.48550/arXiv.2305.07429.
[4] Bakhshandeh, A., Keramatfar, A., Norouzi, A., & Chekidehkhoun, M. (2023). Using ChatGPT as a static application security testing tool. The ISC Int’l Journal of Information Security. doi: 10.48550/arXiv.2308.14434.
[5] Christodoulou-Varotsi, I. (2024). Implementation of IMO instruments from a shipowning state perspective. In The Elgar сompanion to the law and practice of the International Maritime Organization (pp. 379-393). Cheltenham: Edward Elgar Publishing. doi: 10.4337/9781802206883.00030.
[6] Do, J.S., Kareem, A.B., & Hur, J. (2023). LSTM-Autoencoder for vibration anomaly detection in vertical carousel storage and retrieval system (VCSRS). Sensors, 23(2), article number 1009. doi: 10.3390/s23021009.
[7] Gordijn, B., & Have, H. (2023). ChatGPT: Evolution or revolution? Medicine, Health Care and Philosophy, 26, 1-2. doi: 10.1007/s11019-023-10136-0.
[8] Kirinuki, H., & Tanno, H. (2024). ChatGPT and human synergy in black-box testing: A comparative analysis. arxiv. doi: 10.48550/arXiv.2401.13924.
[9] Li, T., Zong, W., Wang, Y., & Tian, H. (2023). Nuances are the Key: Unlocking ChatGPT to find failure-inducing tests with differential prompting. In 38th IEEE/ACM international conference on automated software engineering (pp. 14-26). Luxembourg: Luxembourg. doi: 10.1109/ASE56229.2023.00089.
[10] Luu, Q., Liu, H., & Chen, T. (2023). ChatGPT advance software testing intelligence? An experience report on metamorphic testing. doi: 10.48550/arXiv.2310.19204.
[11] Mercorelli, P. (2024). Recent advances in intelligent algorithms for fault detection and diagnosis. Sensors, 24(8), article number 2656. doi: 10.3390/s24082656.
[12] Mudgal, P., & Wouhaybi, R. (2023). An assessment of ChatGPT on log data. In AI-generated content (pp. 148-169). Singapore: Springer. doi: 10.48550/arXiv.2309.07938.
[13] Popp, L., & Müller, K. (2021). Technical reliability of shipboard technologies for the application of alternative fuels. Energy, Sustainability and Society, 11, article number 23. doi: 10.1186/s13705-021-00301-9.
[14] Ramalho, L. (2022). Fluent python. Sebastopol: O’Reilly Media, Inc.
[15] Regattieri, F., Bortolini, A., & Galizia, F.G. (2022). Data-driven fault detection and diagnosis: Challenges and opportunities in real-world scenarios. Applied Sciences, 12(18), article number 9212. doi: 10.3390/app12189212.
[16] Suhail, A.H., Guangul, F.M., & Nazeer, A. (2024). Advanced system diagnostics tools: Innovations and applications. IntechOpen. doi: 10.5772/intechopen.114378.
[17] Theofanis, P., & Raptis, A. (2022). On efficiently partitioning a topic in Apache Kafka. In International conference on computer, information and telecommunication systems (CITS) (pp. 1-8). Greece: Piraeus. doi: 10.1109/ CITS55221.2022.9832981.
[18] Vychuzhanin, V., Rudnichenko, N., Vychuzhanin, A., & Rychlik, A. (2023). Diagnosis intellectualization of complex technical systems. In ICST-2023: Information control systems & technologies (pp. 352-362). Odesa.
[19] Wang, C., Chen, X., Qiang, X., Fan, H., & Li, S. (2024). Recent advances in mechanism/data-driven fault diagnosis of complex engineering systems with uncertainties. AIMS Mathematics, 9(11), 29736-29772. doi: 10.3934/ math.20241441.
[20] Wang, G., et al. (2021). Consistency and completeness: Rethinking distributed stream processing in Apache Kafka. In International conference on management of data SIGMOD ‘21 (pp. 2602-2613). New York: Association for Computing Machinery. doi: 10.1145/3448016.345755.
[21] Yan, W., Wang, J., Lu, S., Zhou, M., & Peng, X. (2023). A review of real-time fault diagnosis methods for industrial smart manufacturing. Processes, 11(2), article number 369. doi: 10.3390/pr11020369.