Гібридна модель для оцінки точності прогнозів відмов  в суднових енергетичних установках

Володимир Вичужанін; Олексій Вичужанін

Журнал: Том 31, № 1, 2026

Сторінки: 44 – 59

DOI: https://doi.org/10.62660/bcstu/1.2026.44

255 Переглядів

Гібридна модель для оцінки точності прогнозів відмов в суднових енергетичних установках

Володимир Вичужанін, Олексій Вичужанін

Отримано 01.10.2025

Доопрацьовано 03.02.2026

Прийнято 16.03.2026

Опубліковано 08.04.2026

Анотація

Зростаюча складність суднових енергетичних установок (СЕУ) та неоднорідність діагностичних даних ускладнюють забезпечення надійного прогнозування відмов та підтримання експлуатаційної безпеки. Метою дослідження було оцінити адекватність та точність прогнозів відмов у компонентах СЕУ з використанням гібридної діагностичної методології, а також перевірити запропоновану методику шляхом застосування розробленої моделі. Дослідження об’єднало в єдину систему міркування на основі прецедентів (CBR), імовірнісне моделювання та аналіз деградації на основі симуляції. Використовуючи діагностичні дані з 150 випадків експлуатації типових СЕУ (головний двигун, генератор, насос, системи охолодження та електропостачання), точність прогнозування моделі була кількісно порівняна з базовими підходами, включаючи класичні моделі CBR, адаптивні моделі CBR, ARIMA та моделі «дерева рішень». Інтегрований підхід досяг найкращих результатів (середньоквадратична похибка = 0,32, R² = 0,93), зменшивши середню похибку на 30-50 % порівняно з класичними методами. Кожен компонент гібридної структури зробив свій внесок: рівень CBR забезпечив контекстуальну узгодженість, імовірнісне моделювання зменшило невизначеність на ≈ 20 %, а аналіз на основі моделювання збільшив стабільність за наявності неповних або зашумлених даних на ≈ 15 %. На рівні підсистем найбільші поліпшення спостерігалися для головного двигуна (зниження середньоквадратичної похибки на 46 %) і насосної системи (39 %), що підтвердило адаптивність моделі до змінних умов експлуатації. Тести на надійність із 10-20 % відсутніми або порушеними вхідними даними продемонстрували стабільну точність (R² > 0,90), підтвердивши стійкість та практичну застосовність моделі. Запропонована методологія має практичну цінність для підвищення ефективності технічного обслуговування та надійності суднових енергетичних систем, оскільки забезпечує точне, інтерпретоване та стійке до шумів прогнозування відмов обладнання

Ключові слова

інтелектуальна діагностика; оцінка надійності; міркування на основі прецедентів; імітаційне моделювання; прогнозування технічного стану; байєсівські мережі; адаптивна модель

Використані джерела

Arias Chao, M., Kulkarni, C., Goebel, K., & Fink, O. (2020). Fusing physics-based and deep learning models for prognostics. ArXiv. doi: 10.48550/arXiv.2003.00732 .
Farid, M. (2022). Data-driven method for real-time prediction and uncertainty quantification of fatigue failure under stochastic loading using artificial neural networks and Gaussian process regression. International Journal of Fatigue, 155, article number 106415. doi: 10.1016/j.ijfatigue.2021.106415.
Karatuğ, Ç., & Arslanoğlu, Y. (2022). Development of condition-based maintenance strategy for fault diagnosis for ship engine systems. Ocean Engineering, 256, article number 111515. doi: 10.1016/j.oceaneng.2022.111515.
Karatuğ, Ç., Arslanoğlu, Y., & Soares, C.G. (2023). Review of maintenance strategies for ship machinery systems. Journal of Marine Engineering & Technology, 22(5), 233-247. doi: 10.1080/20464177.2023.2180831.
Liu, Y., Liu, Z., Zuo, H., Jiang, H., Li, P., & Li, X. (2022). A DLSTM-network-based approach for mechanical remaining useful life prediction. Sensors, 22(15), article number 5680. doi: 10.3390/s22155680.
Maione, F., Lino, P., Maione, G., & Giannino, G. (2024). A machine learning framework for condition-based maintenance of marine diesel engines: A case study. Algorithms, 17(9), article number 411. doi: 10.3390/ a17090411 .
Marandi, S., Hu, Y.-S., & Modarres, M. (2025). Complex system diagnostics using a knowledge graph-informed and large language model-enhanced framework. ArXiv. doi: 10.48550/arXiv.2505.21291 .
Moon, H., & Choi, J. (2021). Hierarchical spline for time series forecasting: An application to naval ship engine failure rate. Authorea. doi: 10.22541/au.159969715.57074848.
Neykov, N., & Stefanova, S. (2023). Using case-based reasoning in system diagnostics and maintenance. In X.S. Yang, S. Sherratt, N. Dey & A. Joshi (Eds.), Proceedings of seventh international congress on information and communication technology (pp. 305-312). Singapore: Springer. doi: 10.1007/978-981-19-2394-4_28 .
Orhan, M.F., & Celik, M. (2023). A literature review and future research agenda on fault detection and diagnosis studies in marine machinery systems. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, 238(1), 3-21. doi: 10.1177/14750902221149291 .
Pajak, M., Kluczyk, M., Muślewski, Ł., Lisjak, D., & Kolar, D. (2023). Ship diesel engine fault diagnosis using data science and machine learning. Electronics, 12(18), article number 3860. doi: 10.3390/electronics12183860.
Rigas, S., Tzouveli, P., & Kollias, S. (2024). An end-to-end deep learning framework for fault detection in marine machinery. Sensors, 24(16), article number 5310. doi: 10.3390/s24165310.
Shi, Z., & Chehade, A. (2021). A dual-LSTM framework combining change point detection and remaining useful life prediction. Reliability Engineering & System Safety, 205, article number 107257. doi: 10.1016/j.ress.2020.107257 .
Tveten, M., & Stakkeland, M. (2024). Fault detection in propulsion motors in the presence of concept drift. ArXiv. doi: 10.48550/arXiv.2406.08030 .
Vizentin, G., Vukelic, G., Murawski, L., Recho, N., & Orovic, J. (2020). Marine propulsion system failures – a review. Journal of Marine Science and Engineering, 8(9), article number 662. doi: 10.3390/jmse8090662 .
Vychuzhanin, V.V., & Rudnichenko, N.D. (2014). Assessment of risks structurally and functionally complex technical systems. Eastern-European Journal of Enterprise Technologies, 1(2(67)), 18-22. doi: 10.15587/1729 4061.2014.19846 .
Vychuzhanin, V.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: 10.36059/978-966-397-457-6 .
Wang, J., Cao, H., Cui, Z., Ai, Z., & Jiang, K. (2023). Intelligent fault diagnosis of marine diesel engines based on efficient channel attention-improved convolutional neural networks. Processes, 11(12), article number 3360. doi: 10.3390/pr11123360.
Zhao, Y., Wang, S., & Chen, N. (2022). Thermal fault diagnosis of marine diesel engine based on LSTM neural network algorithm. Vibroengineering Procedia, 41, 198-203. doi: 10.21595/vp.2022.22515 .
Zhu, G., Huang, L., Yin, J., Gai, W., & Wei, L. (2023). Multiple faults diagnosis for ocean-going marine diesel engines based on different neural network algorithms. Science Progress, 106(4). doi: 10.1177/00368504231212765 .

ЦИТУВАТИ

Vychuzhanin, V., & Vychuzhanin, A. (2026). A hybrid model for evaluating the accuracy of failure forecasts in ship power plants. Bulletin of Cherkasy State Technological University, 31(1), 44-59. https://doi.org/10.62660/bcstu/1.2026.44

[1] Arias Chao, M., Kulkarni, C., Goebel, K., & Fink, O. (2020). Fusing physics-based and deep learning models for prognostics. ArXiv. doi: 10.48550/arXiv.2003.00732 .

[2] Farid, M. (2022). Data-driven method for real-time prediction and uncertainty quantification of fatigue failure under stochastic loading using artificial neural networks and Gaussian process regression. International Journal of Fatigue, 155, article number 106415. doi: 10.1016/j.ijfatigue.2021.106415.

[3] Karatuğ, Ç., & Arslanoğlu, Y. (2022). Development of condition-based maintenance strategy for fault diagnosis for ship engine systems. Ocean Engineering, 256, article number 111515. doi: 10.1016/j.oceaneng.2022.111515.

[4] Karatuğ, Ç., Arslanoğlu, Y., & Soares, C.G. (2023). Review of maintenance strategies for ship machinery systems. Journal of Marine Engineering & Technology, 22(5), 233-247. doi: 10.1080/20464177.2023.2180831.

[5] Liu, Y., Liu, Z., Zuo, H., Jiang, H., Li, P., & Li, X. (2022). A DLSTM-network-based approach for mechanical remaining useful life prediction. Sensors, 22(15), article number 5680. doi: 10.3390/s22155680.

[6] Maione, F., Lino, P., Maione, G., & Giannino, G. (2024). A machine learning framework for condition-based maintenance of marine diesel engines: A case study. Algorithms, 17(9), article number 411. doi: 10.3390/ a17090411 .

[7] Marandi, S., Hu, Y.-S., & Modarres, M. (2025). Complex system diagnostics using a knowledge graph-informed and large language model-enhanced framework. ArXiv. doi: 10.48550/arXiv.2505.21291 .

[8] Moon, H., & Choi, J. (2021). Hierarchical spline for time series forecasting: An application to naval ship engine failure rate. Authorea. doi: 10.22541/au.159969715.57074848.

[9] Neykov, N., & Stefanova, S. (2023). Using case-based reasoning in system diagnostics and maintenance. In X.S. Yang, S. Sherratt, N. Dey & A. Joshi (Eds.), Proceedings of seventh international congress on information and communication technology (pp. 305-312). Singapore: Springer. doi: 10.1007/978-981-19-2394-4_28 .

[10] Orhan, M.F., & Celik, M. (2023). A literature review and future research agenda on fault detection and diagnosis studies in marine machinery systems. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, 238(1), 3-21. doi: 10.1177/14750902221149291 .

[11] Pajak, M., Kluczyk, M., Muślewski, Ł., Lisjak, D., & Kolar, D. (2023). Ship diesel engine fault diagnosis using data science and machine learning. Electronics, 12(18), article number 3860. doi: 10.3390/electronics12183860.

[12] Rigas, S., Tzouveli, P., & Kollias, S. (2024). An end-to-end deep learning framework for fault detection in marine machinery. Sensors, 24(16), article number 5310. doi: 10.3390/s24165310.

[13] Shi, Z., & Chehade, A. (2021). A dual-LSTM framework combining change point detection and remaining useful life prediction. Reliability Engineering & System Safety, 205, article number 107257. doi: 10.1016/j.ress.2020.107257 .

[14] Tveten, M., & Stakkeland, M. (2024). Fault detection in propulsion motors in the presence of concept drift. ArXiv. doi: 10.48550/arXiv.2406.08030 .

[15] Vizentin, G., Vukelic, G., Murawski, L., Recho, N., & Orovic, J. (2020). Marine propulsion system failures – a review. Journal of Marine Science and Engineering, 8(9), article number 662. doi: 10.3390/jmse8090662 .

[16] Vychuzhanin, V.V., & Rudnichenko, N.D. (2014). Assessment of risks structurally and functionally complex technical systems. Eastern-European Journal of Enterprise Technologies, 1(2(67)), 18-22. doi: 10.15587/1729 4061.2014.19846 .

[17] Vychuzhanin, V.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: 10.36059/978-966-397-457-6 .

[18] Wang, J., Cao, H., Cui, Z., Ai, Z., & Jiang, K. (2023). Intelligent fault diagnosis of marine diesel engines based on efficient channel attention-improved convolutional neural networks. Processes, 11(12), article number 3360. doi: 10.3390/pr11123360.

[19] Zhao, Y., Wang, S., & Chen, N. (2022). Thermal fault diagnosis of marine diesel engine based on LSTM neural network algorithm. Vibroengineering Procedia, 41, 198-203. doi: 10.21595/vp.2022.22515 .

[20] Zhu, G., Huang, L., Yin, J., Gai, W., & Wei, L. (2023). Multiple faults diagnosis for ocean-going marine diesel engines based on different neural network algorithms. Science Progress, 106(4). doi: 10.1177/00368504231212765 .