Журнал: Том 30, № 3, 2025
Сторінки: 80 – 92
DOI: https://doi.org/10.62660/bcstu/3.2025.80
779 Переглядів

Адаптивна метрика оцінки схожості для інтелектуальної діагностики відмов у суднових енергетичних установках

Володимир Вичужанін, Олексій Вичужанін
Отримано 18.04.2025
Доопрацьовано 03.08.2025
Прийнято 15.09.2025

Анотація

Своєчасна та точна діагностика несправностей в суднових енергетичних установках (СЕУ) є надзвичайно важливою для забезпечення безпеки на морі, мінімізації експлуатаційних ризиків та оптимізації стратегій технічного обслуговування. Зі збільшенням складності систем, гетерогенності джерел даних та обмеженості історичних записів про несправності традиційні методи діагностики часто виявляються недостатніми, особливо в ситуаціях, пов’язаних з рідкісними або неоднозначними несправностями. Метою цього дослідження була розробка інтерпретованої, адаптивної та ймовірнісно обґрунтованої методології для оцінки схожості випадків несправностей у СЕУ для використання в інтелектуальних системах підтримки прийняття рішень. Запропонований метод інтегрує евклідову, джакардову та логістичну метрики схожості з байєсівським виведенням, моделюванням тимчасової деградації, корекцією ваги на основі частоти та контекстним згладжуванням уражених підсистем. Модель використовує оптимізацію L-BFGS-B для автоматичного коригування ваги метрик відповідно до діагностичної релевантності. Чисельні експерименти на основі синтетичних даних випадків показали високу точність класифікації: 96 % для відмов, пов’язаних з перегрівом системи охолодження, 84 % для випадків деградації підшипників і 92 % для порушень у подачі палива. Навіть при 40 % скороченні обсягу навчальних даних падіння продуктивності не перевищило 7 %, що свідчить про високу стійкість до розрідженості даних. Візуалізація меж прийняття рішень продемонструвала здатність моделі розрізняти перекривні класи відмов, зберігаючи семантичну інтерпретованість. Результати оптимізації ваги визначили «Тип відмови» як домінуючий фактор, тоді як «Категорія ризику» та «Уражені підсистеми» мали незначний вплив і були виключені. Байєсівське агрегування ще більше підвищило надійність діагностичних висновків, поєднавши локальну схожість із глобальними статистичними апріорними даними. Розроблена методологія може бути ефективно застосована морськими інженерами, операторами суден та розробниками інтелектуальних діагностичних платформ для виявлення несправностей, аналізу першопричин та прогнозного технічного обслуговування в умовах невизначеності та неповної інформації. Її модульна структура також дозволяє розширити її застосування на інші складні технічні галузі, крім СЕУ

Ключові слова

система підтримки прийняття рішень; байєсівська агрегація; адаптивні вагові коефіцієнти; прецедентний аналіз відмов; імовірнісна метрика; схожість технічних станів

Використані джерела

  1. Amin, K., Kapetanakis, S., Polatidis, N., Althoff, K.-D., & Dengel, A. (2020). DeepKAF: A heterogeneous CBR & deep learning approach for NLP prototyping. In 2020 International conference on innovations in intelligent systems and applications (INISTA) (pp. 1-7). Novi Sad. doi: 10.1109/INISTA49547.2020.9194679.
  2. Chen, M., Qu, R., & Fang, W. (2022). Case-based reasoning system for fault diagnosis of aero-engines. Expert Systems with Applications, 202, article number 117350. doi: 10.1016/j.eswa.2022.117350.
  3. Chen, Z., Xu, J., Alippi, C., Ding, S.X., Shardt, Y., Peng, T., & Yang, C. (2021). Graph neural network-based fault diagnosis: A review. ArXiv. doi: 10.48550/arXiv.2111.08185.
  4. Dubchak, L., Sachenko, A., Bodyanskiy, Y., Wolff, C., Vasylkiv, N., Brukhanskyi, R., & Kochan, V. (2024). Adaptive neuro-fuzzy system for detection of wind turbine blade defects. Energies, 17(24), article number 6456. doi: 10.3390/en17246456.
  5. Jimenez-Diaz, G., & Díaz-Agudo, B. (2024). Visualization of similarity models for CBR comprehension and maintenance. In Case-based reasoning research and development (ICCBR 2024) (pp. 67-80). Merida: Springer. doi: 10.1007/978-3-031-63646-2_5.
  6. Krüger, M. (2023). Comparative analysis of text-based CBR algorithms for cybercrime profiling investigations. In Lernen, wissen, daten, analysen (LWDA) 2023 (pp. 359-371). Marburg: CEUR Workshop Proceedings.
  7. Leake, D., Ye, X., & Crandall, D. (2021). Supporting case-based reasoning with neural networks: An illustration for case adaptation. In AAAI 2021 spring symposium on combining machine learning and knowledge engineering (AAAI-MAKE 2021). California: Palo Alto.
  8. Lin, N., Liu, H., Fang, J., Zhou, D., & Yang, A. (2023). An interpretability framework for similar case matching. ArXiv. doi: 10.48550/arXiv.2304.01622.
  9. Mathisen, B.M., Aamodt, A., Bach, K., & Langseth, H. (2020). Learning similarity measures from data. ArXiv. doi: 10.48550/arXiv.2001.05312.
  10. Mustyala, S., & Bisi, M. (2025). Ensembling harmony search algorithm with case-based reasoning for software development effort estimation. Cluster Computing, 28, article number 97. doi: 10.1007/s10586-024-04858-w.
  11. Neykov, N., & Stefanova, S. (2023). Using case-based reasoning in system diagnostics and maintenance. In Proceedings of seventh international congress on information and communication technology (pp. 345-359). Singapore: Springer. doi: 10.1007/978-981-19-2394-4_28.
  12. Ren, S., Gui, F., Zhao, Y., Zhan, M., & Wang, W. (2020). An effective similarity determination model for case-based reasoning in support of low-carbon product design. Advances in Mechanical Engineering, 12(10). doi: 10.1177/1687814020970313.
  13. Serrà, J., & Arcos, J.Ll. (2014). An empirical evaluation of similarity measures for time series classification. Knowledge-Based Systems, 67, 305-314. doi: 10.1016/j.knosys.2014.04.035.
  14. Valdez-Ávila, M.F., Bermejo-Sabbagh, C., Diaz-Agudo, B., Orozco-del-Castillo, M.G., & Recio-Garcia, J.A. (2023). CBR-fox: A case-based explanation method for time series forecasting models. In Case-based reasoning research and development. ICCBR 2023 (pp. 192-207). Cham: Springer. doi: 10.1007/978-3-031-40177-0_13.
  15. Virtanen, P., et al. (2020). SciPy 1.0: Fundamental algorithms for scientific computing in Python. Nature Methods, 17(3), 261-272. doi: 10.1038/s41592-019-0686-2.
  16. Vychuzhanin, V., & Vychuzhanin, A. (2025). Stochastic models and methods for diagnostics, assessment, and prediction of the technical condition of complex critical systems. Lviv-Torun: Liha-Pres. doi: 10.36059/978-966397-457-6.
  17. Xu, H., Wei, Y., Cai, Y., & Xing, B. (2023). Knowledge graph and CBR-based approach for automated analysis of bridge operational accidents: Case representation and retrieval. PLoS ONE, 18(11), article number e0294130. doi: 10.1371/journal.pone.0294130.
  18. Ye, J. (2017). Single-valued neutrosophic similarity measures based on cotangent function and their application in the fault diagnosis of steam turbine. Soft Computing, 21(3), 817-825. doi: 10.1007/s00500-015-1818-y.
  19. Ye, X., Leake, D., Wang, Y., Zhao, Z., & Crandall, D. (2024). Towards network implementation of CBR: Case study of a neural network K-NN algorithm. In Case-based reasoning research and development. ICCBR 2024. Lecture notes in computer science (pp. 354-370). Cham: Springer. doi: 10.1007/978-3-031-63646-2_23.
  20. Zeng, T., Bao, R., Qin, Y., Sun, X., Gao, Y., Cheng, L., Hou, P., Sang, H., Ma, L., & Zhou, X. (2025). MSFF-CBR: Case-based reasoning technology for adaptive multi-information fusion fault diagnosis. Measurement Science and Technology, 36(4), article number 045111. doi: 10.1088/1361-6501/adc474.
  21. Zuber, M., & Sirdey, R. (2021). Efficient homomorphic evaluation of k-NN classifiers. Proceedings on Privacy Enhancing Technologies 2021, 2, 111-129. doi: 10.2478/popets-2021-0020.

ЦИТУВАТИ

Vychuzhanin, V., & Vychuzhanin, A. (2025). Adaptive similarity assessment metric for intelligent failure diagnostics in ship power plants. Bulletin of Cherkasy State Technological University, 30(3), 80-92. https://doi.org/10.62660/bcstu/3.2025.80