НОВЫЕ ТЕХНОЛОГИИ В МОРЕПЛАВАНИИ

7.7. ВНЕДРЕНИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА, МАШИННОГО ОБУЧЕНИЯ, ИНТЕРНЕТА ВЕЩЕЙ (IOT) И БОЛЬШИХ ЯЗЫКОВЫХ МОДЕЛЕЙ (LLM) ДЛЯ ПРЕДИКТИВНОГО И ПРЕСКРИПТИВНОГО ОБСЛУЖИВАНИЯ В МОРСКОЙ ИНДУСТРИИ: ПОЛНЫЙ АНАЛИЗ.

Автор: Александр Пудар, Технический Инспектор и Супервайзер Планового Обслуживания в "Reederei Nord BV". Совладелец блога "Out of Box Maritime Thinker" и основатель группы "Narenta Gestio Consilium Group".

АБСТРАКТ

В этом всеобъемлющем анализе Александр Пудар исследует потенциал новых технологий - искусственного интеллекта (AI), машинного обучения (ML), интернета вещей (IoT) и больших языковых моделей (LLM) - для революции стратегий обслуживания в морской индустрии. Исследование подробно описывает, как эти технологии можно внедрить для облегчения прогнозного и регламентного обслуживания, улучшая эффективность и долговечность судового оборудования. Работа отражает необходимость умных терминалов для сбора данных, сложности аналитических решений для оптимизации эффективности машин, соответствующих инструментов и их роли в процессе, а также ключевые характеристики успешного программного обеспечения для умного анализа. Исследование приходит к выводу, что эти технологии и методологии, при эффективной интеграции, обещают беспрецедентные улучшения в операционной эффективности, безопасности и сроке службы оборудования, определяя будущее морской индустрии.

7.7.1 ВВЕДЕНИЕ

Морская индустрия быстро трансформируется благодаря прогрессу технологий, таких как искусственный интеллект (AI), машинное обучение (ML), интернет вещей (IoT) и большие языковые модели (LLM). Эти технологии вносят новую эру стратегий обслуживания - прогнозного и регламентного обслуживания, которые имеют потенциал значительно увеличить эффективность, надежность и срок службы оборудования на борту судна. Этот анализ направлен на изучение внедрения этих продвинутых технологий и методологий в контексте морской индустрии.

7.7.1.1 РЕГЛАМЕНТНОЕ ОБСЛУЖИВАНИЕ

Регламентное обслуживание расширяет возможности прогнозного обслуживания, предлагая не только прогнозирование возможных проблем, но и рекомендации по необходимым действиям для команд по обслуживанию. Эти рекомендации могут быть выполнены на месте или дистанционно, а системы управления могут использовать информацию для корректировки планов обслуживания и оптимизации ресурсов. Технологии, такие как AI и ML, играют ключевую роль в этих системах, обрабатывая большие объемы данных, выявляя образцы и генерируя прогнозы и рекомендации.

7.7.2 УМНЫЕ ТЕРМИНАЛЫ

Соответствующие измерительные устройства соединяются с датчиками и источниками данных, такими как датчики вибрации, температуры и качества масла, с компьютерным сервером (на борту/в офисе) или облачной платформой. Эти устройства собирают необработанные (“сырые”) данные, а программное обеспечение преобразует их в интеллектуальные данные, обеспечивает подключение, безопасность и возможность дистанционной настройки для более простого и быстрого использования. Программное обеспечение является всеобъемлющим инструментом для сложных случаев использования, с функциями, такими как:

•     8 синхронизированных по времени высокочастотных каналов с "масштабированием" вращения,
•      специальные средства для медленно вращающихся механизмов
•      пользовательский интерфейс.

Программное обеспечение используется для мониторинга состояния большого оборудования, такого как компрессоры, передачи, генераторы, насосы подачи, грузовые насосы и турбины, большие вентиляторы и другое оборудование.

7.7.3 АНАЛИТИЧЕСКОЕ РЕШЕНИЕ

Аналитическое решение объединяет встроенную аналитику и сервер (на борту/на суше) или облачную службу для предоставления всесторонней аналитической платформы для максимизации здоровья оборудования. Быстрые данные анализируются локально, преобразуются в умные данные и отправляются в облако для дальнейшего анализа и хранения.

•           Сбор данных: первым шагом является сбор данных из различных систем и оборудования на борту; это может быть достигнуто с помощью датчиков и устройств IoT, установленных на критически важном оборудовании, таком как двигатели, генераторы, насосы и турбины. Собираемые данные должны включать параметры, такие как температура, вибрация, давление и обороты в минуту. Возможен сбор более сложных данных, таких как акустические, ультразвуковые или термические изображения.
•          Централизованное управление данными: после сбора данных важно хранить и управлять ими централизованно. Надежная система управления данными должна обрабатывать большие объемы данных из различных источников в реальном времени. Система также должна быть способна очищать, обрабатывать и структурировать данные для анализа.
•          Прогностическая аналитика: следующим шагом является применение алгоритмов к собранным данным. Машинное обучение (ML) и искусственный интеллект (AI) могут быть использованы для создания прогнозных моделей, предсказывающих отказы или деградацию производительности оборудования. Различные методы, такие как регрессионные модели, анализ временных рядов или сложные техники, такие как глубокое обучение, могут быть использованы в зависимости от природы данных и поставленной задачи.
•          Большие языковые модели (LLM) в регламентном обслуживании: LLM, такие как GPT-3 или GPT-4, могут анализировать журналы обслуживания, отчеты и другие текстовые данные, чтобы извлечь полезные данные  или определить паттерны. Они могут генерировать текст на основе изученных шаблонов, автоматически создавать отчеты, объяснять результаты аналитики или даже предлагать инструкциии по  обслуживанию. LLM также могут идентифицировать аномалии в новых данных, что может указывать на потенциальные проблемы. Эти инструменты могут использоваться для создания умных чат-ботов или виртуальных ассистентов, которые могут общаться с пользователями, отвечать на их запросы, предоставлять подробную информацию  или помогать в выполнении определенных задач. LLM также могут извлекать знания из больших объемов текстовых данных, таких как технические руководства, руководства по обслуживанию или исторические отчеты об инцидентах. Это знание может поддержать принятие решений в регламентном обслуживании.
•           Интеграция с CBM: обслуживание на основе состояния (CBM) может стать более эффективным с использованием прогнозной и регламентной аналитики, основанной на реальном состоянии оборудования, вместо заранее определенного графика; это помогло бы проводить обслуживание только тогда, когда это необходимо, улучшая эффективность и снижая затраты.
•          Пользовательский интерфейс и визуализация: наконец, решение должно включать простой пользовательский интерфейс и инструменты визуализации, позволяющие операторам легко понимать результаты аналитики, прогнозы и рекомендации; это должно включать в себя контрольные панели, предупреждения и отчеты, предоставляющие представление о текущем состоянии и производительности судна. Весь этот системный подход должен быть способен работать в реальном времени, позволяя проводить проактивные вмешательства и корректировки. Основные преимущества будут включать улучшение операционной эффективности, снижение затрат на обслуживание, улучшение безопасности и продление срока службы оборудования. Внедрение такого аналитического решения потребует мультидисциплинарного подхода, включающего специалистов в области кораблестроения, анализа данных, искусственного интеллекта и программного обеспечения.

7.7.4 ПОЛЕЗНЫЕ ИНСТРУМЕНТЫ

Облачные решения могут предложить несколько специализированных инструментов, адаптированных для анализа данных, автоматизации и отслеживания аномалий. Инструменты, такие как Trend Revealer, помогают пользователям рано обнаруживать проблемы, в то время как Anomaly Revealer автоматически устанавливает диапазон значений для аномалий. Другие инструменты включают Lubrication Indicator для обнаружения и управления проблемами, связанными со смазкой, и инструмент Forecasting для лучшего планирования. Учитывая сложность потенциального нормативного обслуживания в морской промышленности и включение больших языковых моделей (LLM), возможно, потребуется различные инструменты для облегчения этого процесса. Вот несколько предложений:

•         Инструменты для сбора данных: устройства IoT, датчики и устройства для регистрации данных могут быть использованы для сбора данных в реальном времени с различного оборудования и систем.
•         Инструменты для управления данными: для централизованного хранения и управления данными можно использовать решения вроде Apache Hadoop или облачные платформы (AWS S3, Google Cloud Storage, Microsoft Azure). Инструменты вроде Pandas (библиотека Python) или Talend могут быть полезны для очистки и предварительной обработки данных.
•         Инструменты для машинного обучения и искусственного интеллекта: TensorFlow, PyTorch и Keras - популярные фреймворки для глубокого обучения для создания предсказательных моделей. Для более простых моделей машинного обучения могут быть использованы инструменты вроде Scikit-learn.
•         Большие языковые модели (LLM): OpenAI GPT-3 или GPT-4 могут быть использованы для обработки естественного языка. API, предоставляемые OpenAI, можно интегрировать в систему, чтобы использовать возможности этих моделей.
•          Инструменты для прескриптивной аналитики: инструменты вроде MATLAB или библиотек Python SciPy и NumPy могут быть использованы для оптимизации и симуляции задач, необходимых для регламентной аналитики.
•          Инструменты для визуализации: инструменты вроде Tableau, Power BI или библиотек Python вроде Matplotlib и Seaborn могут быть использованы для создания интерактивных дашбордов и визуализаций для более простого интерпретирования результатов аналитики.
•          Инструменты для чат-ботов и виртуальных помощников: фреймворки вроде Rasa или Microsoft Bot Framework могут быть использованы для разработки умных чат-ботов или виртуальных помощников. Они могут быть интегрированы с LLM для понимания естественного языка и генерации текста.
•          Инструменты для извлечения знаний: инструменты вроде Elasticsearch или библиотек Python NLTK и Spacy могут быть использованы для извлечения знаний из больших текстовых данных.
•          Инструменты для управления рабочим процессом: учитывая сложные потоки данных в этой системе, инструменты вроде Apache Airflow или Luigi могут помочь в управлении и автоматизации этих потоков.
•          Инструменты для интеграции: поскольку эта система потребует интеграции различных компонентов, могут быть полезны инструменты вроде Apache Kafka для хранения потока данных в реальном времени и API для связывания различных программных компонентов воедино.

7.7.5 ФУНКЦИОНАЛЬНОСТЬ

Вот несколько ключевых функциональных особенностей, которые должны быть в действующем программном обеспечении для умного анализа, прогнозного и регламентного обслуживания в морской отрасли:

•           Мониторинг в реальном времени и оповещения: программное обеспечение должно отслеживать различное оборудование и системы. Оно должно активировать оповещения и сообщения, если обнаруживаются потенциальные проблемы или аномалии, включая тепловые, вибрационные или визуальные.
•          Анализ тепловых, вибрационных и визуальных данных: программное обеспечение должно иметь продвинутые возможности анализа тепловых, вибрационных и визуальных данных; это включает использование моделей AI/ML для анализа и прогнозирования потенциальных проблем на основе этих данных. Например, чрезмерное тепло может указывать на трение или сбой в системах охлаждения. Аномальные вибрационные модели могут быть ранними признаками износа или проблем с выравниванием. Визуальный анализ, такой как записи с камер CCTV или снимки специфического оборудования, может обнаружить видимые проблемы, такие как утечки, поломки или коррозия.
•          Визуализация: программное обеспечение должно иметь возможности визуализации, чтобы помочь специалистам в интерпретации данных и результатов аналитики; это включает тепловые, вибрационные и визуальные данные, представленные таким образом, что тренды и проблемы становятся ясными и легко понятными.
•          Интеграция с внешними системами: программное обеспечение должно поддерживать интеграцию с другими внешними системами, включая тепловые, вибрационные и визуальные системы мониторинга, базы данных, облачные платформы и большие языковые модели, такие как GPT-3 или GPT-4.
•           Масштабируемость и управление удаленными устройствами: программное обеспечение должно быть масштабируемым, чтобы справиться с увеличивающимся количеством данных при добавлении новых машин и систем, и должно предоставлять возможности для управления удаленными устройствами.
•          Анализ AI/ML и оповещения: программное обеспечение должно использовать AI и ML для прогнозного и регламентного анализа, включая анализ тепловых, вибрационных и визуальных данных.
•          Поддержка обслуживания на основе состояния (CBM): программное обеспечение должно поддерживать CBM, предоставляя мониторинг состояния в реальном времени и аналитику, включая тепловые, вибрационные и визуальные данные о состоянии.
•         Диагностические возможности: должны быть интегрированы для анализа собранных данных, включая тепловые, вибрационные и визуальные данные, для диагностики состояния машин, прогнозирования потенциальных поломок и создания регламента необходимого обслуживания.
•           Отбор проб и анализ смазочного масла: программное обеспечение должно содержать записи о регулярном отборе проб масла и включать эти результаты в анализ.
•          Продвинутая аналитика для данных о смазочном масле: программное обеспечение должно быть способно анализировать результаты анализа качества смазочного масла и интегрировать их с тепловыми, вибрационными и визуальными данными для всеобъемлющей оценки здоровья оборудования.
•          Оповещения и рекомендации: на основе результатов анализа и прогнозных моделей, программное обеспечение должно активировать оповещения и предоставить рекомендации для корректирующих действий.
•         Анализ трендов и прогнозное моделирование: программное обеспечение должно анализировать тепловые, вибрационные, данные о смазочном масле и визуальные данные, отслеживая изменения во времени и предсказывая будущие тренды.
•          Отчетность и визуализация: должны предоставляться подробные отчеты и визуализация результатов анализа тепловых, вибрационных, данных о смазочном масле и визуальных данных, чтобы операторы могли понять и интерпретировать данные.

7.7.6 ЗАКЛЮЧЕНИЕ

Регламентное обслуживание, управляемое AI/ML, IoT и LLM, переопределяет будущее морской индустрии. Это позволяет своевременно предсказывать потенциальные поломки машин и регламентирует конкретные действия, что в конечном итоге увеличивает операционную эффективность и уменьшает время простоя оборудования и судов. Умные терминалы позволяют собирать и анализировать данные в реальном времени, что позволяет принимать информированные решения. Показанное аналитическое решение представляет собой связную систему, использующую эти технологии для лучшего использования оборудования и сокращения потерь. Предложенные инструменты направлены на упрощение и оптимизацию процесса,  сбора, управления и анализа данных. Кроме того, указанные функции для действующего программного обеспечения для умного анализа описывают всеобъемлющие возможности, необходимые для эффективного внедрения прогнозного и регламентного обслуживания в морской индустрии. Интеграция этих технологий и методологий в морскую индустрию действительно обещает беспрецедентную операционную эффективность, безопасность и срок службы оборудования. По мере прогресса становится ясно, что постоянное обучение и адаптация к подобным новым технологиям будет ключевым для поддержания конкурентного преимущества в постоянно меняющемся секторе морской индустрии.

СПИСОК ЛИТЕРАТУРЫ И БИБЛИОГРАФИЯ:

1.        Diego Galar Pascual (2015). Artificial Intelligence Tools. CRC Press.

2.        Medium. (n.d.). Medium. [online] Available at:

3.        https://medium.com/@connect.hashblock/the-ultimate-guide-to-decision-tree-algorithms-2ff42d7cf6c [Accessed 13 Feb. 2023].

4.        Pudar, A. (2023). AI-Based Predictive Maintenance - Start. Out of Box Maritime Thinker. Available at: https://outboxmaritimethinker.blogspot.com/2023/02/ai-based-predictive-maintenance-start.html [Accessed 13 Jun. 2023].

5.        www.rolls-royce.com. (n.d.). Rolls-Royce opens first Ship Intelligence Experience Space. [online] Available at: https://www.rolls-royce.com/media/press-releases/2017/27-11-2017-rr-opens-first-ship-intelligence-experience-space.aspx [Accessed 13 Feb. 2023].

 

Отказ от ответственности:

"Out of Box Maritime Thinker" © и “Narenta Gestio Consilium Group” © 2022, а также Александр Пудар не несут ответственности за любые ошибки или упущения в содержании этого документа. Информация в этом документе предоставляется "как есть", без гарантий полноты, точности, пригодности или своевременности, или результатов, полученных с использованием этой информации. Идеи и стратегии не должны использоваться без анализа ситуации вашей компании или системы или консультаций с профессиональным консультантом. Содержание этого документа предназначено и должно использоваться исключительно в информационных целях.

НОВЕ ТЕХНОЛОГИЈЕ У ПОМОРСТВУ

7.7. ИМПЛЕМЕНТИРАЊЕ ВИЈЕШТАЧКЕ ИНТЕЛИГЕНЦИЈЕ, МАШИНСКОГ УЧЕЊА, ИНТЕРНЕТА СТВАРИ (“IOT”) И ВЕЛИКИХ ЈЕЗИЧКИХ МОДЕЛА (“LLM”) ЗА ПРЕДВИЂАЊЕ И ПРОПИСИВО ОДРЖАВАЊЕ У ПОМОРСКОЈ ИНДУСТРИЈИ: КОМПЛЕТНА АНАЛИЗА.

Аутор: Александар Пудар Технички Инспектор и Надзорник Планираног Одржавања у “Reederei Nord BV” Сувласник блога "Out of Box Maritime Thinker" и оснивач “Narenta Gestio Consilium Group”-е.

АБСТРАКТ

У овој свеобухватној анализи, Александар Пудар истражује потенцијал нових технологија - Виjештачка интелигенција (“AI”), Машинско учење (“ML”), Интернет ствари (“IoT”) и Велики језички модели (“LLMs”) - за револуцију стратегија одржавања у поморској индустрији. Студија детаљно описује како се ове технологије могу имплементирати да би се олакшало предиктивно и прописно одржавање, побољшавајући ефикасност и дуговиjечност машинерије на броду. Рад дискутује о неопходности паметних терминала за прикупљање података, сложености аналитичког риjешења за оптимизацију учинковитости машина, релевантних алата и њихових улога у процесу, као и кључних карактеристика успиjешног софтвера за паметну анализу. Студија закључује да ове технологије и методологије, када се ефикасно интегришу, обећавају невиђена побољшања у оперативној ефикасности, сигурности и животном виjеку опреме, обиљежавајући будућност поморске индустрије.

7.7.1 УВОД

Поморска индустрија се брзо трансформише захваљујући напретку технологија попут Вијештачке интелигенције (“AI”), Машинаског учења (“ML”), Интернета ствари (“IoT”) и Великих језичких модела (“LLM”). Ове технологије доносе нову еру стратегија одржавања - предвиђајућег и прописивог одржавања, које имају потенцијал да значајно повећају ефикасност, поузданост и вијек трајања машина на броду. Ова анализа има за циљ истраживање имплементације ових напредних технологија и методологија у контексту поморске индустрије.

7.7.1.1 ПРОПИСИВО ОДРЖАВАЊЕ

Прописиво одржавање надограђује могућности предвиђајућег одржавања тако што не само предвиђа могуће проблеме, већ и предлаже потребне акције тимовима за одржавање. Ове препоруке се могу спроводити на лицу мијеста или на даљину, а системи за управљање могу користити информације за прилагођавање планова одржавања и оптимизацију ресурса. Технологије попут “AI” и “ML” играју кључну улогу у овим системима, обрадјујући велике количине података, идентификујући обрасце и генеришући прогнозе и препоруке.

7.7.2 ПАМЕТНИ ТЕРМИНАЛИ

Одговарајући мијерни уређаји повезују се са сензорима и изворима података као што су сензори вибрације, температуре и квалитета уља са рачунарским сервером (на броду/у канцеларији) или “cloud” платформом. Ови уређаји прикупљају необрађене (сирове) податке, а софтвер их претвара у интелигентне податке, пружајући повезивост, сигурност и могућност даљинског конфигурисања ради једноставније и брже употребе. Софтвер је свеобухватни алат за захтјевне случајеве употребе, са функционалностима као што су 8 синхронизованих канала високе фреквенције са “скалирањем” обртаjа, посебна средства за полако ротирајуће машине и кориснички пријатељска конфигурација. Софтвер се користи за праћење здравља великих машина као што су компресори, преносници, генератори, опскрбних пумпи, теретне пумпе и турбине, велики вентилатори и друга опрема.

7.7.3 АНАЛИТИЧКО РИЈЕШЕЊЕ

Аналитичко ријешење комбинује уграђену аналитику и сервер (на броду/на копну) или “cloud” услугу како би пружило свеобухватну аналитичку платформу за максимизирање здравља машина. Брзи подаци се локално анализирају, претварају у паметне податке и шаљу у “cloud” - у ради даљње анализе и складиштења.

•         Прикупљање података: Први корак је прикупљање података из различитих система и машина на броду; то се може постићи помоћу сензора и “IoT” уређаја који су инсталирани на критичној опреми, као што су мотори, генератори, пумпе и турбине. Прикупљени подаци обично обухватају параметре попут температуре, вибрације, притиска и обртаја у минути. Могуће је прикупити и сложеније податке, попут акустичних, ултразвучних или термалних снимака.
•          Централизовано управљање подацима: Након прикупљања података, важно је чувати их и управљати њима на централном месту. Робустан систем управљања подацима мора да обрађује велике количине података из различитих извора у реалном времену како би се то постигло. Систем такође треба бити способан да очисти, обради и структурише податке за анализу.
•          Предиктивна (предвиђајућа) аналитика: Слиjедећи корак је примjена алгоритама на прикупљене податке. Машинско учење (“ML”) и вијештачка интелигенција (“AI”) могу се искористити за изградњу предиктивних модела који предвиђају кварове или деградацију учинка опреме. Различите методе, попут регресијских модела, анализе временских серија или сложених техника попут дубоког учења, могу се користити у зависности од природе података и проблема.
•          Велики језички модели (LLM) у прописивом (prescriptive) одржавању: “LLM”-ови попут “GPT-3” или “GPT-4” могу анализирати биљешке о одржавању, извјештаје и друге текстуалне податке како би извукли корисне увиде или идентификовали обрасце. Могу генерисати текст на основу научених образаца, аутоматски генерисати извјештаје, објаснити резултате аналитике или чак пружити кораке за упутства одржавања. “LLM”-ови такође могу идентификовати аномалије у новим подацима, што би могло указивати на потенцијалне проблеме. Ови алати се могу користити и за креирање паметних четботова или виртуелних асистената који могу комуницирати са корисницима, одговарати на њихове упите, пружати детаље или им помоћи у обављању одређених задатака. “LLM”-ови такође могу извлачити знање из великих количина текстуалних података, попут техничких приручника, водича за одржавање или историјских извјештаја о инцидентима. То знање може подржати доношење одлука у прописивом (prescriptive) одржавању.
•          Интеграција са “CBM”-ом: Одржавање засновано на стању (“CBM”) може постати ефикасније коришћењем предиктивне и прописиве аналитике засноване на стварном стању опреме умјесто унапријед одређеног распореда; то би помогло да се активности одржавања изводе само када је то потребно, побољшавајући ефикасност и смањујући трошкове.
•          Кориснички интерфејс и визуализација: На крају, ријешење треба да укључује једноставан кориснички интерфејс и алате за визуализацију који омогућавају оператерима да лако разумију резултате аналитике, предвиђања и препоруке; то би требало да обухвата контролне панеле, упозорења и извјештаје који пружају увид у тренутно стање и перформансе пловила. Овај систем у целини треба да буде способан за рад у реалном времену, омогућавајући проактивне интервенције и прилагођавања. Главне користи би биле побољшана оперативна ефикасност, смањење трошкова одржавања, побољшана сигурност и повећање века трајања опреме. Имплементација оваквог аналитичког решења захтевала би мултидисциплинарни приступ који укључује стручњаке из области поморског инжењерства, науке о подацима, вештачке интелигенције и софтверског инжењерства.

7.7.4 КОРИСНИ АЛАТИ

“Cloud” решења могу понудити неколико алата прилагођених сврси за анализу података, аутоматизацију и праћење аномалија. Алати попут “Trend Revealer”-a помажу корисницима да рано открију проблеме, док “Anomaly Revealer”аутоматски поставља распон вредности за аномалије. Остали алати укључују Lubrication Indicator за откривање и управљање проблемима везаним за подмазивање и “Forecasting” алат за боље планирање. С обзиром на комплексност потенцијалног прописивог одржавања у поморској индустрији и укљученост великих језичких модела (“LLM”), могуће је да ће бити потребни различити алати како би се олакшао овај процес. Ево неколико сугестија:

•          Алати за прикупљање података: “IoT” уређаји, сензори и уређаји за биљежење података могу се користити за прикупљање података у реалном времену са различитих машина и система.
•           Алати за управљање подацима: За централизовано чување и управљање подацима могу се користити решења попут “Apache Hadoop”-a или “cloud” платформи (“AWS S3, Google Cloud Storage, Microsoft Azure”). Алати попут “Pandas” (“Python” библиотека) или Talend могу бити корисни за чишћење и предобраду података.
•           Алати за машинско учење и вештачку интелигенцију: “TensorFlow, PyTorch” и “Keras” су популарни оквири за дубоко учење за изградњу предиктивних модела. За једноставније моделе машинског учења могу се користити алати попут “Scikit”-learn.
•          Велики језички модели (“LLM”): “OpenAI”-јеви “GPT-3” или “GPT-4” могу се користити за обраду природног језика. “API”-ји које пружа “OpenAI” могу се интегрисати у систем како би се искористила моћ ових модела.
•           Алати за прописиву аналитику: Алати попут “MATLAB”-а или “Python”-ових библиотека “SciPy” и “NumPy” могу се користити за оптимизацију и симулацију задатака потребних за прописиву аналитику.
•           Алати за визуализацију: Алати попут “Tableau”-a, “Power BI”-ja или “Python” библиотека попут “Matplotlib”-a и “Seaborn”-a могу се користити за креирање интерактивних контролних табли и визуализација ради лакшег тумачења резултата аналитике.
•           Алати за четботове и виртуелне асистенте: Оквири попут “Rasa” или “Microsoft Bot Framework” могу се користити за развој интелигентних четботова или виртуелних асистената. Они се могу интегрисати са “LLM”-овима ради разумевања природног језика и могућности генерисања текста.
•          Алати за екстракцију (извлачење) знања: Алати попут “Elasticsearch”-a или “Python” библиотека “NLTK” и “Spacy” могу се користити за извлачење знања из великих текстуалних података
•           Алати за управљање радним током: С обзиром на сложене токове података у овом систему, алати попут “Apache Airflow”-a или “Luigi”-ja могу помоћи у управљању и аутоматизацији тих токова.
•           Алати за интеграцију: Будући да ће овај систем захтевати интеграцију различитих компоненти, алати попут “Apache Kafka”-a за проток података у реалном времену и “API”-ји за повезивање различитих софтверских компоненти могу бити корисни.

7.7.5 ФУНКЦИОНАЛНОСТИ

Ево неких кључних функционалности које би функционални софтвер за паметну анализу требало да поседује за предвиђајуће и прописиво одржавање у поморској индустрији

•          Праћење у реалном времену и упозорења: Софтвер треба да прати различите машинске системе. Требало би да активира упозорења и поруке ако се идентификују потенцијални проблеми или аномалије, укључујући абнормалне термалне, вибрационе или визуелне услове.
•          Анализа термалних, вибрационих и визуелних података: Софтвер треба да има напредне могућности анализе термалних, вибрационих и визуелних података; ово укључује коришћење “AI/ML” модела за анализу и предвиђање потенцијалних проблема на основу тих података. На пример, прекомерна топлота може указивати на трење или квар у системима хлађења. Абнормални обрасци вибрације могу бити рани знаци хабања или проблема са поравнањем. Визуелна анализа, попут снимака са “CCTV” камера или снимака специфичне опреме, може открити видљиве проблеме попут цурења, ломова или корозије.
•          Визуализације: Софтвер треба да има могућности визуализације како би професионалцима помогао у тумачењу података и резултата аналитике; ово укључује термалне, вибрационе и визуелне податке, приказане на начин који чини трендове и проблеме јасним и лако разумљивим.
•          Интеграција са спољним системима: Софтвер треба да подржава интеграцију са другим спољним системима, укључујући термалне, вибрационе и визуелне мониторинг системе, базе података, cloud платформе и велике језичке моделе попут “GPT-3” или “GPT-4”.
•          Скалабилност и управљање удаљеним уређајима: Софтвер треба да буде скалабилан како би се носио са све већим количинама података како се додају нове машине и системи, и треба да пружи могућности управљања удаљеним уређајима.
•          “AI/ML” анализа и упозорења: Софтвер треба да искористи “AI” и “ML” за предиктивну и прописиву аналитику, укључујући анализу термалних, вибрационих и визуелних података.
•          Подршка за одржавање засновано на стању (CBM): Софтвер треба да подржава “CBM” пружањем праћења стања у реалном времену и аналитике, укључујући термалне, вибрационе и визуелне податке о стању.
•          Дијагностичке могућности: Треба да се интегришу дијагностичке могућности за анализу прикупљених података, укључујући термалне, вибрационе и визуелне податке, ради дијагностицирања стања машина, предвиђања потенцијалних кварова и прописивања неопходних одржавања.
•          Узорковање и анализа подмазивања уља: Софтвер треба да подржава заказивање и биљежење редовног узорковања уља и да укључује резултате у анализу.
•          Напредна аналитика за податке о подмазивању уља: Софтвер треба да буде способан за анализу резултата анализе подмазивања уља и за њихово интегрисање са термалним, вибрационим и визуелним подацима ради свеобухватне процене здравља опреме.
•          Упозорења и препоруке: На основу резултата анализе и предиктивних модела, софтвер треба да активира упозорења и пружи препоруке за исправне акције.
•          Анализа трендова и предиктивно моделирање: Софтвер треба да анализира термалне, вибрационе, податке о подмазивању уља и визуелне податке, пратећи промене током времена и предвиђајући будуће трендове.
•          Извештавање и визуализација: Треба пружити детаљне извештаје и визуализације резултата анализе термалних, вибрационих, података о подмазивању уља и визуелних података како би оператори могли да разумију и интерпретирају податке.

7.7.6 ЗАКЉУЧАК

Прописво одржавање, покретано “AI/ML”, “IoT” и “LLM”, редефинише будућност поморске индустрије. Омогућава правовремено предвиђање потенцијалних кварова машина и прописује конкретне акције за предузимање, чиме се увећава оперативна ефикасност и смањује време некоришћења машина и брода у крајњем случају. Паметни терминали омогућавају прикупљање и анализу података у реалном времену, што омогућава доношење интелигентних одлука на основу података. Приказано аналитичко рјешење представља кохезиван ( увезан) систем који користи ове технологије за бољу искористивост машина и смањивање губитака. Предложени алати имају за циљ олакшавање и оптимизацију овог процеса, чинећи комплексан задатак прикупљања, управљања и анализе података лакшим. Осим тога, наведене функционалности за функционални софтвер за паметну анализу описују свеобухватне могућности потребне за ефикасну имплементацију предвиђајућег и прописивог одржавања у поморској индустрији. Заиста, интеграција ових технологија и методологија у поморску индустрију обећава без преседана оперативну ефикасност, сигурност и виjек трајања опреме. Како напредујемо, јасно је да ће континуирано учење и прилагођавање овим новим технологијама бити кључно за одржавање конкурентске предности у непрестано мијењајућем сектору поморске индустрије.

РЕФЕРЕНЦЕ И БИБЛИОГРАФИЈА:

1.        Diego Galar Pascual (2015). Artificial Intelligence Tools. CRC Press.

2.        Medium. (n.d.). Medium. [online] Available at:

3.        https://medium.com/@connect.hashblock/the-ultimate-guide-to-decision-tree-algorithms-2ff42d7cf6c [Accessed 13 Feb. 2023].

4.        Pudar, A. (2023). AI-Based Predictive Maintenance - Start. Out of Box Maritime Thinker. Available at: https://outboxmaritimethinker.blogspot.com/2023/02/ai-based-predictive-maintenance-start.html [Accessed 13 Jun. 2023].

5.        www.rolls-royce.com. (n.d.). Rolls-Royce opens first Ship Intelligence Experience Space. [online] Available at: https://www.rolls-royce.com/media/press-releases/2017/27-11-2017-rr-opens-first-ship-intelligence-experience-space.aspx [Accessed 13 Feb. 2023].

Изјава о одрицању од одговорности:

"Out of Box Maritime Thinker" © и “Narenta Gestio Consilium Group” © 2022 и Александар Пудар не преузимају никакву одговорност или одговорност за било какве грешке или пропуштања у садржају овог документа. Информације у овом документу се пружају на "како јесте" основи, без гаранција потпуности, тачности, корисности или благовремености, или резултата добијених коришћењем ових информација. Идеје и стратегије не треба да се користе без прегледа ситуације ваше компаније или система или консултације са консултантским професионалцем. Садржај овог документа је намењен и мора бити коришћен искључиво у информативне сврхе.

ODRŽAVANJE U POMORSKOJ INDUSTRIJI: NOVE TEHNOLOGIJE - KOMPLETNA ANALIZA

 7.7. IMPLEMENTIRANJE VIJEŠTAČKE INTELIGENCIJE, MAŠINSKOG UČENJA, INTERNETA STVARI (IOT) I VELIKIH JEZIČKIH MODELA (LLM) ZA PREDVIĐANJE I PROPISIVO ODRŽAVANJE U POMORSKOJ INDUSTRIJI: KOMPLETNA ANALIZA.

 

Autor: Aleksandar Pudar Tehnički Inspektor i Nadzornik Planiranog Održavanja u “Reederei Nord BV” Suvlasnik bloga "Out of Box Maritime Thinker" i osnivač “Narenta Gestio Consilium Group”-e.

 

7.7.1 UVOD

Pomorska industrija se brzo transformiše zahvaljujući napretku tehnologija poput Viještačke inteligencije (AI), Mašinskog učenja (ML), Interneta stvari (IoT) i Velikih jezičkih modela (LLM). Ove tehnologije donose novu eru strategija održavanja - predviđajućeg i propisivog održavanja, koje imaju potencijal da značajno povećaju efikasnost, pouzdanost i vijek trajanja mašina na brodu. Ova analiza ima za cilj istraživanje implementacije ovih naprednih tehnologija i metodologija u kontekstu pomorske industrije.

7.7.1.1 PROPISIVO ODRŽAVANJE

Propisivo održavanje nadograđuje mogućnosti predviđajućeg održavanja tako što ne samo predviđa moguće probleme, već i predlaže potrebne akcije timovima za održavanje. Ove preporuke se mogu sprovoditi na licu mijesta ili na daljinu od strane internih timova ili pružalaca usluga koji rade iz udaljenih servisnih centara.

7.7.2 PAMETNI TERMINALI

Odgovarajući mijerni uređaji povezuju se sa senzorima i izvorima podataka kao što su senzori vibracije, temperature i kvaliteta ulja sa računarskim serverom (na brodu/u kancelariji) ili cloud platformom. Ovi uređaji prikupljaju neobrađene (sirove) podatke, a softver ih pretvara u inteligentne podatke, pružajući povezivost, sigurnost i mogućnost daljinskog konfigurisanja radi jednostavnije i brže upotrebe. Softver je sveobuhvatni alat za zahtijevne slučajeve upotrebe, sa funkcionalnostima kao što su 8 sinhronizovanih kanala visoke frekvencije sa “skaliranjem” obrtaja, posebna sredstva za polako rotirajuće mašine i korisnički prijateljska konfiguracija. Softver se koristi za praćenje zdravlja velikih mašina kao što su kompresori, prenosnici, generatori, opskrbnih pumpi, teretne pumpe i turbine, veliki ventilatori i druga oprema.

7.7.3 ANALITIČKO RIJEŠENJE

Analitičko riješenje kombinuje ugrađenu analitiku i server (na brodu/na kopnu) ili cloud uslugu kako bi pružilo sveobuhvatnu analitičku platformu za maksimiziranje zdravlja mašina. Brzi podaci se lokalno analiziraju, pretvaraju u pametne podatke i šalju u cloud radi daljnje analize i skladištenja.

·         Prikupljanje podataka: Prvi korak je prikupljanje podataka iz različitih sistema i mašina na brodu; to se može postići pomoću senzora i IoT uređaja koji su instalirani na kritičnoj opremi, kao što su motori, generatori, pumpe i turbine. Prikupljeni podaci obično obuhvataju parametre poput temperature, vibracije, pritiska i obrtaja u minuti. Moguće je prikupiti i složenije podatke, poput akustičnih, ultrazvučnih ili termalnih snimaka.

·         Centralizovano upravljanje podacima: Nakon prikupljanja podataka, važno je čuvati ih i upravljati njima na centralnom mestu. Robustan sistem upravljanja podacima mora da obrađuje velike količine podataka iz različitih izvora u realnom vremenu kako bi se to postiglo. Sistem takođe treba biti sposoban da očisti, obradi i strukturiše podatke za analizu.

·         Prediktivna (predviđajuća) analitika: Sledeći korak je primena algoritama na prikupljene podatke. Mašinsko učenje (ML) i viještačka inteligencija (AI) mogu se iskoristiti za izgradnju prediktivnih modela koji predviđaju kvarove ili degradaciju učinka opreme. Različite metode, poput regresijskih modela, analize vremenskih serija ili složenih tehnika poput dubokog učenja, mogu se koristiti u zavisnosti od prirode podataka i problema.

·         Veliki jezički modeli (LLM) u propisivom (prescriptive) održavanju: LLM-ovi poput GPT-3 ili GPT-4 mogu analizirati bilješke o održavanju, izvještaje i druge tekstualne podatke kako bi izvukli korisne uvide ili identifikovali obrasce. Mogu generisati tekst na osnovu naučenih obrazaca, automatski generisati izvještaje, objasniti rezultate analitike ili čak pružiti korake za uputstva održavanja. LLM-ovi takođe mogu identifikovati anomalije u novim podacima, što bi moglo ukazivati na potencijalne probleme. Ovi alati se mogu koristiti i za kreiranje pametnih četbotova ili virtuelnih asistenata koji mogu komunicirati sa korisnicima, odgovarati na njihove upite, pružati detalje ili im pomoći u obavljanju određenih zadataka. LLM-ovi takođe mogu izvlačiti znanje iz velikih količina tekstualnih podataka, poput tehničkih priručnika, vodiča za održavanje ili istorijskih izvještaja o incidentima. To znanje može podržati donošenje odluka u propisivom (prescriptive) održavanju.

·         Integracija sa CBM-om: Održavanje zasnovano na stanju (CBM) može postati efikasnije korišćenjem prediktivne i propisive analitike zasnovane na stvarnom stanju opreme umjesto unaprijed određenog rasporeda; to bi pomoglo da se aktivnosti održavanja izvode samo kada je to potrebno, poboljšavajući efikasnost i smanjujući troškove.

·         Korisnički interfejs i vizualizacija: Na kraju, riješenje treba da uključuje jednostavan korisnički interfejs i alate za vizualizaciju koji omogućavaju operaterima da lako razumiju rezultate analitike, predviđanja i preporuke; to bi trebalo da obuhvata kontrolne panele, upozorenja i izveštaje koji pružaju uvid u trenutno stanje i performanse plovila. Ovaj sistem u celini treba da bude sposoban za rad u realnom vremenu, omogućavajući proaktivne intervencije i prilagođavanja. Glavne koristi bi bile poboljšana operativna efikasnost, smanjenje troškova održavanja, poboljšana sigurnost i povećanje veka trajanja opreme. Implementacija ovakvog analitičkog rešenja zahtevala bi multidisciplinarni pristup koji uključuje stručnjake iz oblasti pomorskog inženjerstva, nauke o podacima, veštačke inteligencije i softverskog inženjerstva.

7.7.4 KORISNI ALATI

Cloud riješenja mogu ponuditi nekoliko alata prilagođenih svrsi za analizu podataka, automatizaciju i praćenje anomalija. Alati poput Trend Revealer-a pomažu korisnicima da rano otkriju probleme, dok Anomaly Revealer automatski postavlja raspon vrijednosti za anomalije. Ostali alati uključuju Lubrication Indicator za otkrivanje i upravljanje problemima vezanim za podmazivanje i Forecasting alat za bolje planiranje. S obzirom na kompleksnost potncijalnog propisivog održavanja u pomorskoj industriji i uključenost velikih jezičkih modela (LLM), moguće je da će biti potrebni različiti alati kako bi se olakšao ovaj proces. Evo nekoliko sugestija:

•         Alati za prikupljanje podataka: IoT uređaji, senzori i uređaji za bilježenje podataka mogu se koristiti za prikupljanje podataka u realnom vremenu sa različitih mašina i sistema.

•         Alati za upravljanje podacima: Za centralizovano čuvanje i upravljanje podacima mogu se koristiti riješenja poput Apache Hadoop-a ili cloud platformi (AWS S3, Google Cloud Storage, Microsoft Azure). Alati poput Pandas (Python biblioteka) ili Talend mogu biti korisni za čišćenje i predobradu podataka.

•         Alati za mašinsko učenje i veštačku inteligenciju: TensorFlow, PyTorch i Keras su popularni okviri za duboko učenje za izgradnju prediktivnih modela. Za jednostavnije modele mašinskog učenja mogu se koristiti alati poput Scikit-learn.

•         Veliki jezički modeli (LLM): OpenAI-jevi GPT-3 ili GPT-4 mogu se koristiti za obradu prirodnog jezika. API-ji koje pruža OpenAI mogu se integrisati u sistem kako bi se iskoristila moć ovih modela.

•         Alati za propisivu analitiku: Alati poput MATLAB-a ili Python-ovih biblioteka SciPy i NumPy mogu se koristiti za optimizaciju i simulaciju zadataka potrebnih za propisivu analitiku.

•         Alati za vizualizaciju: Alati poput Tableau-a, Power BI-ja ili Python biblioteka poput Matplotlib-a i Seaborn-a mogu se koristiti za kreiranje interaktivnih kontrolnih tabli i vizualizacija radi lakšeg tumačenja rezultata analitike.

•         Alati za četbote i virtuelne asistente: Okviri poput Rasa ili Microsoft Bot Framework mogu se koristiti za razvoj inteligentnih četbota ili virtuelnih asistenata. Oni se mogu integrisati sa LLM-ovima radi razumijevanja prirodnog jezika i mogućnosti generisanja teksta.

•         Alati za ekstrakciju (izvlačenje) znanja: Alati poput Elasticsearch-a ili Python biblioteka NLTK i Spacy mogu se koristiti za izvlačenje znanja iz velikih tekstualnih podataka.

•         Alati za upravljanje radnim tokom: S obzirom na složene tokove podataka u ovom sistemu, alati poput Apache Airflow-a ili Luigija mogu pomoći u upravljanju i automatizaciji tih tokova.

•         Alati za integraciju: Budući da će ovaj sistem zahtevati integraciju različitih komponenti, alati poput Apache Kafka-a za protok podataka u realnom vremenu i API-ji za povezivanje različitih softverskih komponenti mogu biti korisni.

7.7.5 FUNKCIONALNOSTI

Evo nekih ključnih funkcionalnosti koje bi funkcionalni softver za pametnu analizu trebalo da posijeduje za predviđajuće i propisivo održavanje u pomorskoj industriji:

•         Praćenje u realnom vremenu i upozorenja: Softver treba da prati različite mašinske sisteme. Trebalo bi da aktivira upozorenja i poruke ako se identifikuju potencijalni problemi ili anomalije, uključujući abnormalne termalne, vibracione ili vizuelne uslove.

•         Analiza termalnih, vibracionih i vizuelnih podataka: Softver treba da ima napredne mogućnosti analize termalnih, vibracionih i vizuelnih podataka; ovo uključuje korišćenje AI/ML modela za analizu i predviđanje potencijalnih problema na osnovu tih podataka. Na primer, prekomerna toplota može ukazivati na trenje ili kvar u sistemima hlađenja. Abnormalni obrasci vibracije mogu biti rani znaci habanja ili problema sa poravnanjem. Vizuelna analiza, poput snimaka sa CCTV kamera ili snimaka specifične opreme, može otkriti vidljive probleme poput curenja, lomova ili korozije.

•         Vizualizacije: Softver treba da ima mogućnosti vizualizacije kako bi profesionalcima pomogao u tumačenju podataka i rezultata analitike; ovo uključuje termalne, vibracione i vizuelne podatke, prikazane na način koji čini trendove i probleme jasnim i lako razumljivim.

•         Integracija sa spoljnim sistemima: Softver treba da podržava integraciju sa drugim spoljnim sistemima, uključujući termalne, vibracione i vizuelne monitoring sisteme, baze podataka, cloud platforme i velike jezičke modele poput GPT-3 ili GPT-4.

•         Skalabilnost i upravljanje udaljenim uređajima: Softver treba da bude skalabilan kako bi se nosio sa sve većim količinama podataka kako se dodaju nove mašine i sistemi, i treba da pruži mogućnosti upravljanja udaljenim uređajima.

•         AI/ML analiza i upozorenja: Softver treba da iskoristi AI i ML za prediktivnu i propisivu analitiku, uključujući analizu termalnih, vibracionih i vizuelnih podataka.

•         Podrška za održavanje zasnovano na stanju (CBM): Softver treba da podržava CBM pružanjem praćenja stanja u realnom vremenu i analitike, uključujući termalne, vibracione i vizuelne podatke o stanju.

•         Dijagnostičke mogućnosti: Treba da se integrišu dijagnostičke mogućnosti za analizu prikupljenih podataka, uključujući termalne, vibracione i vizuelne podatke, radi dijagnosticiranja stanja mašina, predviđanja potencijalnih kvarova i propisivanja neophodnih održavanja.

•         Uzorkovanje i analiza podmazivanja ulja: Softver treba da podržava zakazivanje i bilježenje redovnog uzorkovanja ulja i da uključuje rezultate u analizu.

•         Napredna analitika za podatke o podmazivanju ulja: Softver treba da bude sposoban za analizu rezultata analize podmazivanja ulja i za njihovo integriranje sa termalnim, vibracionim i vizuelnim podacima radi sveobuhvatne procijene zdravlja opreme.

•         Upozorenja i preporuke: Na osnovu rezultata analize i prediktivnih modela, softver treba da aktivira upozorenja i pruži preporuke za ispravne akcije.

•         Analiza trendova i prediktivno modeliranje: Softver treba da analizira termalne, vibracione, podatke o podmazivanju ulja i vizuelne podatke, prateći promene tokom vremena i predviđajući buduće trendove.

•         Izvještavanje i vizualizacija: Treba pružiti detaljne izvještaje i vizualizacije rezultata analize termalnih, vibracionih, podataka o podmazivanju ulja i vizuelnih podataka kako bi operatori mogli da razumeju i interpretiraju podatke.

7.7.6 ZAKLJUČAK

Propisvo održavanje, pokretano AI/ML, IoT i LLM, redefiniše budućnost pomorske industrije. Omogućava pravovremeno predviđanje potencijalnih kvarova mašina i propisuje konkretne akcije za preduzimanje, čime se uvećava operativna efikasnost i smanjuje vrijeme nekorištenja mašina i broda u krjanjem slucaju. Pametni terminali omogućavaju prikupljanje i analizu podataka u realnom vremenu, što omogućava donošenje inteligentnih odluka na osnovu podataka. Prikazano analitičko riješenje predstavlja kohezivan ( uvezan)  sistem koji koristi ove tehnologije za bolju iskoristivost mašina i smanjivanje gubitaka. Predloženi alati imaju za cilj olakšavanje i optimizaciju ovog procesa, čineći kompleksan zadatak prikupljanja, upravljanja i analize podataka lakšim. Osim toga, navedene funkcionalnosti za funkcionalni softver za pametnu analizu opisuju sveobuhvatne mogućnosti potrebne za efikasnu implementaciju predviđajućeg i propisivog održavanja u pomorskoj industriji. Zaista, integracija ovih tehnologija i metodologija u pomorsku industriju obećava bez presedana operativnu efikasnost, sigurnost i vijek trajanja opreme. Kako napredujemo, jasno je da će kontinuirano učenje i prilagođavanje ovim novim tehnologijama biti ključno za održavanje konkurentske prednosti u neprestano mijenjajućem sektoru pomorske industrije.

Reference and Bibliogrfija‌:

1.        Diego Galar Pascual (2015). Artificial Intelligence Tools. CRC Press.

2.        Medium. (n.d.). Medium. [online] Available at:

3.        https://medium.com/@connect.hashblock/the-ultimate-guide-to-decision-tree-algorithms-2ff42d7cf6c [Accessed 13 Feb. 2023].

4.        Pudar, A. (2023). AI-Based Predictive Maintenance - Start. Out of Box Maritime Thinker. Available at: https://outboxmaritimethinker.blogspot.com/2023/02/ai-based-predictive-maintenance-start.html [Accessed 13 Jun. 2023].

5.        www.rolls-royce.com. (n.d.). Rolls-Royce opens first Ship Intelligence Experience Space. [online] Available at: https://www.rolls-royce.com/media/press-releases/2017/27-11-2017-rr-opens-first-ship-intelligence-experience-space.aspx [Accessed 13 Feb. 2023].

 

 

 

Izjava o odricanju od odgovornosti:

"Out of Box Maritime Thinker" © i “Narenta Gestio Consilium Group” © 2022 i Aleksandar Pudar ne preuzimaju nikakvu odgovornost ili odgovornost za bilo kakve greške ili propuštanja u sadržaju ovog dokumenta. Informacije u ovom dokumentu se pružaju na "kako jeste" osnovi, bez garancija potpunosti, tačnosti, korisnosti ili blagovremenosti, ili rezultata dobijenih korišćenjem ovih informacija. Ideje i strategije ne treba da se koriste bez pregleda situacije vaše kompanije ili sistema ili konsultacije sa konsultantskim profesionalcem. Sadržaj ovog dokumenta