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