2.13. PRESCRIPTIVE MAINTENANCE

2.13.1 INTRODUCTION

2.13.1.1 DEFINITION

Prescriptive maintenance in marine engineering is an evolution of maintenance strategies, melding the foresight of predictive maintenance with the acuity of actionable recommendations. It is a holistic approach that forecasts potential maintenance issues and proactively suggests the best mitigation action. This strategy harnesses the power of advanced analytics, big data, artificial intelligence (AI), and machine learning algorithms to create a dynamic maintenance environment.

At its core, prescriptive maintenance in marine engineering leverages a wealth of data from various sources – including sensors on marine equipment, historical maintenance records, and operational parameters. This data is continuously collected and analysed in real-time. Unlike traditional maintenance approaches that rely on set schedules or reactive measures following a failure, prescriptive maintenance anticipates problems before they occur and recommends precise, evidence-based actions.

These recommendations are not generic; they are tailored to the specific circumstances of each vessel and its machinery. The system considers various factors, such as the current condition of equipment, the operational load, environmental conditions, and even the predicted future usage of the vessel. Doing so can suggest the most effective maintenance actions, whether immediate repairs, scheduled downtime, or adjustments in operation to prolong equipment life.

Integrating AI and machine learning allows the system to learn from each intervention, improving its accuracy and effectiveness. This learning capability means the system becomes more adept at identifying subtle patterns or signs of impending issues that human operators or simpler predictive models might miss.

Prescriptive maintenance in marine engineering is about moving beyond simply predicting problems to providing actionable, intelligent solutions that optimise the performance and longevity of marine vessels and their equipment. It represents a paradigm shift from reactive or even predictive maintenance to a more sophisticated, data-driven approach that empowers marine engineers to make informed, strategic decisions that enhance efficiency, safety, and cost-effectiveness in marine operations.

2.13.2 KEY COMPONENTS OF PRESCRIPTIVE MAINTENANCE

2.13.2.1 REAL-TIME DATA MONITORING AND ANALYSIS

In prescriptive maintenance, real-time data monitoring and analysis stand as the foundation. Advanced sensors and Internet of Things (IoT) devices are deployed extensively across marine vessels, continuously gathering data from various components like engines, navigational systems, and hull structures. This data, ranging from temperature readings to vibration analysis, is then transmitted in real-time for analysis.

The analysis involves sophisticated algorithms and data analytics tools that scrutinise this data stream for anomalies, trends, and patterns. This process detects issues and predicts future problems based on subtle changes in data readings. For instance, a slight increase in engine temperature or a minor change in vibration patterns could indicate a potential future failure. By identifying these issues early, prescriptive maintenance allows for interventions that prevent more significant problems and costly repairs.

 

2.13.2.2 DECISION SUPPORT SYSTEMS (DSS)

Decision Support Systems (DSS) are integral to prescriptive maintenance. These systems take the analysis provided by real-time monitoring and use it to offer actionable maintenance recommendations. DSS in marine engineering is multifaceted; it incorporates data analytics, expert systems, and sometimes even AI to process the data and provide well-rounded advice.

The strength of a DSS lies in its ability to consider a wide array of factors before making a recommendation. These factors include the cost implications of different maintenance actions, the required time, the availability of resources (like spare parts or technical personnel), and the potential impact on vessel operations. By balancing these variables, a DSS ensures its maintenance actions are timely, cost-effective, and resource-efficient.

2.13.2.3 FAILURE MODE AND EFFECTS ANALYSIS (FMEA)

Failure Mode and Effects Analysis (FMEA) is a systematic, structured approach for analysing potential reliability problems at the earliest stages. In marine engineering, FMEA involves a detailed examination of aquatic systems and components to identify all possible failure modes, their causes, and their effects on the overall system's performance.

FMEA in prescriptive maintenance is proactive. It aims to identify potential failure points before they occur, understanding how and why these failures might happen and the consequences thereof. This analysis helps prioritise maintenance tasks by highlighting the most critical areas that need attention. It also aids in developing strategies to mitigate risks, thereby enhancing the safety and reliability of marine systems.

2.13.2.4 MAINTENANCE SCHEDULING OPTIMISATION

The final key component is the optimisation of maintenance scheduling. This aspect uses algorithms and predictive models to determine the most opportune times for conducting maintenance activities. These algorithms consider various factors, such as the condition of equipment, predicted failure rates, operational schedules of the vessel, and even external factors like weather conditions and port availability.

Maintenance scheduling optimisation ensures that maintenance activities are conducted on time (which can be wasteful) or too late (which can lead to failure and operational disruptions). By finding the optimal balance, this component of prescriptive maintenance maximises equipment uptime, enhances operational efficiency, and reduces costs associated with unscheduled downtimes and emergency repairs. It is a strategic approach that aligns maintenance activities with the vessel's operational requirements and constraints, ensuring smooth, uninterrupted marine operations.

2.13.3 BENEFITS OF PRESCRIPTIVE MAINTENANCE

2.13.3.1 INFORMED DECISION-MAKING

One of the most significant benefits of prescriptive maintenance is its role in fostering informed decision-making. This approach provides a detailed, data-driven view of the health and performance of marine equipment and systems. By leveraging the insights gained from continuous monitoring and advanced analytics, marine engineers and decision-makers are equipped with a comprehensive understanding of their vessel's operational status. This knowledge allows them to preempt failures before they occur and make decisions that optimise performance. For instance, if data indicates an emerging problem in the engine room, decisions can be made to address the issue during a scheduled docking rather than facing an unexpected failure at sea.

2.13.3.2 OPTIMISED MAINTENANCE OPERATIONS

Prescriptive maintenance also leads to more optimised maintenance operations. Traditional reactive maintenance often results in unplanned downtime and rushed, costly repairs. In contrast, prescriptive maintenance uses predictive analytics to time maintenance activities precisely, ensuring that interventions are carried out when they are most effective and least disruptive. This approach minimises downtime and ensures that maintenance tasks are performed on time. The result is a smoother, more efficient operational workflow, seamlessly integrating maintenance activities into the vessel's schedule.

2.13.3.3 ENHANCED SYSTEM RELIABILITY

Enhancing system reliability is a core advantage of prescriptive maintenance. This strategy proactively addresses potential issues, preventing equipment failures before they occur. Doing so significantly reduces the risk of unexpected breakdowns and ensures all systems function optimally. Enhanced reliability is not just about preventing failures; it's also about ensuring that the vessel operates at peak efficiency, which is crucial for safety and operational success in the demanding marine environment.

2.13.3.4 COST SAVINGS

Finally, prescriptive maintenance can lead to substantial cost savings. The proactive nature of this maintenance strategy means that issues are often resolved before they escalate into major problems, thus avoiding expensive emergency repairs. Additionally, the overall operational costs are lowered by reducing downtime and extending the life of equipment through timely and precise maintenance interventions. This cost-effectiveness is a significant benefit, especially regarding the high operational costs associated with marine vessels. The savings achieved through prescriptive maintenance can be redirected towards other critical areas of marine operations, further enhancing the efficiency and profitability of maritime enterprises.

2.13.4 EXAMPLES

2.13.4.1 PRESCRIPTIVE MAINTENANCE FOR DUAL FUEL MAN B&W MAINE ENGINE

Take the case of an Aframax tanker equipped with a dual-fuel MAN B&W main engine. This type of engine, capable of running on traditional marine fuels and liquefied natural gas (LNG), presents unique maintenance challenges due to its complex fuel systems and combustion processes.

The vessel's management can more effectively optimise fuel usage and anticipate maintenance needs by implementing prescriptive maintenance. For example, sensors embedded in the engine can monitor parameters such as fuel pressure, exhaust gas composition, and cylinder temperatures in real-time. When analysed, this data can indicate wear or inefficiencies in fuel combustion.

It can suggest a specific action if the system detects an anomaly, like a higher-than-normal exhaust gas temperature. This might include adjusting the fuel injection timing or planning a detailed inspection of certain engine components during the next port call. Such actions prevent unexpected engine failures and ensure the engine operates efficiently, reducing fuel consumption and emissions - crucial for compliance with international maritime regulations.

In a real-world scenario, this could mean the difference between a smooth, uninterrupted voyage and an unscheduled stop due to engine failure, significantly impacting the tanker's operational costs and reliability.

2.13.4.2 PRESCRIPTIVE MAINTENANCE FOR HULL (TANKER)

Consider an Aframax tanker navigating global trade routes, where its hull is subjected to various stress factors like varying sea conditions, temperature fluctuations, and corrosive environments. Prescriptive maintenance can be particularly beneficial in maintaining the hull's integrity.

Through the integration of hull stress monitoring systems and corrosion detection sensors, prescriptive maintenance can predict areas on the tanker's hull that are prone to corrosion or structural stress. For example, sensors might detect increased corrosion activity levels in certain hull sections, potentially caused by a coating failure or an electrochemical reaction.

Upon analysing this data, the system might suggest a targeted inspection and maintenance plan for the affected area during the next dry docking. It could also recommend adjustments to voyage routes or speeds to reduce stress on vulnerable hull sections. Additionally, the analysis might indicate the need for a different type of protective coating or anodic protection system in the future.

In a practical scenario, this level of detailed, proactive maintenance can prevent structural failures, which are critical in maintaining the safety and integrity of the vessel. It also ensures compliance with maritime safety standards and can significantly reduce the costs associated with significant hull repairs. For an Aframax tanker, this approach not only guarantees structural safety but also enhances the operational efficiency and longevity of the vessel.

2.13.5 CONCLUSION

Prescriptive maintenance marks a revolutionary stride in marine engineering maintenance. This approach, underpinned by integrating advanced analytics and real-time data acquisition, transcends traditional maintenance methodologies. It embodies a proactive, predictive, and precise strategy that substantially augments operational efficiency, elevates safety standards, and bolsters cost-effectiveness in the demanding sphere of marine engineering.

In the dynamic and often unpredictable environment of marine operations, where vessels are subject to diverse and harsh conditions, the importance of a maintenance strategy that can predict and prescribe cannot be overstated. Prescriptive maintenance leverages cutting-edge technologies like IoT, AI, and machine learning, transforming vast data sets into actionable insights. These insights empower marine engineers and decision-makers with the foresight to preemptively address potential issues before they escalate into costly and hazardous situations.

The implementation of prescriptive maintenance strategies, as illustrated in the examples of dual-fuel MAN B&W main engines and Aframax tanker hulls, demonstrates its effectiveness in enhancing the reliability and longevity of critical marine systems. By optimising maintenance operations, reducing unplanned downtimes, and extending equipment life, prescriptive maintenance contributes to a significant reduction in operational costs. More importantly, it plays a crucial role in ensuring the safety of the vessel, its crew, and the marine environment.

In summary, prescriptive maintenance is a cornerstone in advancing marine engineering maintenance. It is not merely an improvement over existing maintenance practices but a transformative approach that aligns with the evolving needs of modern marine operations. By adopting prescriptive maintenance, the maritime industry is better equipped to navigate the complexities of today's marine environment, ensuring smoother, safer, and more efficient voyages across the world's oceans.

 

Disclaimer:

Out of Box Maritime Thinker © by Narenta Gestio Consilium Group 2022 and Aleksandar Pudar assumes no responsibility or liability for any errors or omissions in the content of this paper. The information in this paper is provided on an "as is" basis with no guarantees of completeness, accuracy, usefulness, or timeliness or of the results obtained from using this information. The ideas and strategies should never be used without assessing your company's situation or system or consulting a consultancy professional. The content of this paper is intended to be used and must be used for informational purposes only.

Maintenance-Repairs & Spare Parts (Stores) Management

 Effective Maintenance, Repair, and Operations (MRO) management is essential for optimizing vessel performance. Proper MRO management ensures inventory accuracy, quick access to quality spare parts, and seamless integration between the technical department, onboard engineers, purchasers, and supervisors. By addressing challenges, adopting best practices, and leveraging technology, vessel operators can reduce costs, improve efficiency, and minimize downtime.

---

Objectives of Inventory Management

The primary goals of inventory management include:

• Reducing operational cycle time by optimizing lead times, repair, transportation, and delivery processes.
• Lowering inventory costs through efficient stock control, reducing carrying costs, and minimizing expedited freight expenses.
• Improving inventory accuracy ensures spare parts are readily available when and where needed.

---

Types of Inventory

Vessel inventory falls into three main categories:

1. MRO Supplies: Spare parts and consumables supporting maintenance operations.
2. Hardware: Tools, fasteners, vendor-managed stock, and consumables.
3. Facility Supplies: Office equipment and janitorial essentials.

Efficient MRO management helps minimize costs, enhance operational reliability, and reduce downtime.

---

Best Practices for Inventory Management

1. Preventive Maintenance for Stored Spare Parts: Regularly maintain critical components like gaskets, belts, and O-rings to ensure readiness.
2. Vendor-Managed Inventory (VMI): Partner with suppliers to manage stock levels effectively.
3. Cycle Counting: Use methods like ABC classification to maintain inventory accuracy.
4. Obsolete Inventory Removal: Conduct monthly reviews to eliminate non-essential items.
5. Salvage Operations: Reuse or recycle obsolete or scrapped materials.
6. Streamlined Storeroom Layouts: Optimize layouts for efficient access and storage.
7. FIFO Stocking: Use First-In, First-Out methods to avoid expired inventory.
8. Defined Receiving Processes: Inspect and document incoming spare parts for quality control.
9. Inventory Dashboards: Track key performance indicators (KPIs) for real-time insights.
10. Secure Storage: Maintain physical security to protect inventory.

---

 Barriers to Effective Inventory Management

Key challenges include:

• Inconsistent inventory classification methods.
• Lack of standardized workflows and KPIs.
• Poor coordination between departments.
• Unaddressed obsolete materials in Computerized Maintenance Management Systems (CMMS).
• Inefficient purchasing practices.

Addressing these barriers requires robust workflows, better inter-departmental communication, and modern inventory management tools.

---

Inventory Control Techniques

Effective control minimizes downtime, stockouts, and overstocking by:

• Maintaining optimal inventory levels based on usage and historical data.
• Securing inventory locations to prevent theft and damage.
• Leveraging forecasting tools for better stock management.

---

Replacement Asset Value (RAV)

The Replacement Asset Value (RAV) of a vessel influences inventory decisions. Best practices suggest maintaining inventory levels at 0.50% to 0.75% of the RAV to balance operational readiness and cost-effectiveness.

---

Risk Management

Stocking critical parts requires:

• Conducting Failure Modes and Effects Analysis (FMEA).
• Evaluating supplier reliability and part availability.
• Implementing preventive maintenance programs for high-risk components.

---

Loss Prevention in Inventory Management

To prevent losses due to theft, damage, or mismanagement:

• Implement quality checks during receiving.
• Enforce strict security measures.
• Regularly audit inventory accuracy.
• Maintain appropriate storage conditions for sensitive items.

---

Criticality Analysis

Using the equipment bill of materials (BOM), prioritize spare parts by their impact on operations. Components like bearings, electronic boards, and hazardous materials require special attention to meet safety and operational standards.

---

Efficient Stocking Levels

Define service levels for critical spares (100% availability), insurance spares (98%), and standard components (90–95%). Supplier accountability and minimum/maximum level reviews are essential for maintaining efficiency.

---

Carrying Costs

Carrying costs encompass interest, insurance, taxes, and storage expenses. Reducing slow-moving or obsolete inventory significantly lowers these costs while improving operational efficiency.

---

Role of a Storeroom Supervisor

Supervisors play a pivotal role by:

• Ensuring storeroom cleanliness and organization.
• Coordinating with maintenance for parts planning.
• Monitoring inventory levels and maintaining KPIs.

---

Leveraging Technology for MRO Management

1. Barcoding Systems: Enable real-time inventory tracking, reduce errors, and streamline processes.
2. Machine Learning: Improve accuracy in demand forecasting and inventory classification.
3. Computerized Maintenance Management Systems (CMMS): Enhance EAM integration for predictive maintenance and inventory control.

---

Storeroom Optimization Techniques

1. Adopting 5S Practices: Sort, systemize, standardize, shine, and sustain for streamlined operations.
2. Satellite Stores: Use strategically placed satellite storerooms to reduce downtime.
3. Advanced Storage Solutions: To better utilize space, employ demand flow racks, sliding shelving, and carousel systems.

---

Continuous Improvement and KPIs

Measure KPIs such as inventory accuracy, stock-out rates, and carrying costs regularly to identify areas for improvement. Then, use these metrics to implement changes that enhance efficiency and reliability.

---

Conclusion

Adequate MRO inventory and spare parts management are foundational to vessel performance and cost control. By leveraging best practices, adopting modern technologies, and fostering cross-departmental collaboration, vessel operators can ensure optimal performance, reduced costs, and enhanced operational reliability.

Frequently Asked Questions (FAQs)

What is MRO inventory management in vessel operations?
MRO (Maintenance, Repair, and Operations) inventory management involves maintaining and controlling spare parts, tools, and supplies required for vessel maintenance and operations. Effective MRO management ensures vessel reliability, minimizes downtime, and optimizes costs.

How does preventive maintenance help in inventory management?
Preventive maintenance ensures that stored spare parts, such as gaskets, belts, and O-rings, remain in optimal condition. It reduces the risk of part failure during usage and helps maintain readiness for planned or emergency repairs.

What are the key benefits of using barcoding for inventory management?
Barcoding improves accuracy in tracking inventory, streamlines the receiving and issuing process, and enhances employee productivity. It reduces errors associated with manual data entry and provides real-time updates to inventory systems.

Why is the Replacement Asset Value (RAV) important in inventory planning?
RAV provides a baseline for determining the optimal value of MRO inventory to stock. Best practices recommend maintaining inventory levels at 0.50% to 0.75% of the RAV to balance availability and cost.

What role does a storeroom supervisor play in vessel management?
The storeroom supervisor ensures that inventory is organized, accessible, and maintained to support maintenance activities. They also coordinate with purchasing, planning, and technical teams to optimize inventory levels and improve operational efficiency.

How can technology improve MRO inventory management?
Technologies like barcoding, machine learning, and Computerized Maintenance Management Systems (CMMS) enhance accuracy, enable predictive maintenance, and streamline workflows. These tools help in real-time inventory tracking, demand forecasting, and efficient resource allocation.

Disclaimer:

Out of Box Maritime Thinker © by Narenta Gestio Consilium Group 2022 and Aleksandar Pudar assumes no responsibility or liability for any errors or omissions in the content of this paper. The information in this paper is provided on an "as is" basis with no guarantees of completeness, accuracy, usefulness, or timeliness or of the results obtained from using this information. The ideas and strategies should never be used without first assessing your company's situation or system or consulting a consultancy professional. The content of this paper is intended to be used and must be used for informational purposes only.

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.