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.