Prescriptive Maintenance

Prescriptive maintenance in marine engineering is an advanced maintenance strategy that combines predictive analytics with actionable, tailored recommendations. It uses big data, artificial intelligence (AI), and machine learning to analyse real-time data and provide specific, evidence-based solutions to maintenance challenges.

Unlike traditional or predictive maintenance approaches, prescriptive maintenance anticipates potential issues and prescribes precise mitigation actions based on the equipment’s condition, operational load, environmental factors, and future usage predictions.

By integrating AI, the system continuously learns and improves, identifying patterns and potential failures that human operators or basic predictive models might miss. This strategy ensures marine vessels operate optimally, enhancing efficiency, safety, and cost-effectiveness.

Real-Time Data Monitoring and Analysis

Real-time data collection from advanced sensors and IoT devices enables prescriptive maintenance. Data such as temperature, vibration patterns, and engine performance is continuously analysed to detect anomalies, trends, and potential issues before they escalate.

Decision Support Systems (DSS)

DSS leverages advanced analytics and expert systems to provide actionable recommendations. It evaluates cost implications, time requirements, and resource availability to ensure maintenance actions are effective, timely, and aligned with operational priorities.

 Failure Mode and Effects Analysis (FMEA)

FMEA systematically identifies potential failure points, their causes, and their impacts on marine systems. It prioritises critical maintenance tasks, helping engineers mitigate risks and enhance vessel reliability and safety.

Maintenance Scheduling Optimisation

Using predictive algorithms, this component identifies optimal maintenance schedules, preventing early or delayed interventions. It considers factors like equipment conditions, failure rates, operational schedules, and external conditions to maximise uptime and reduce disruptions.

---

Benefits of Prescriptive Maintenance

Informed Decision-Making

Prescriptive maintenance equips marine engineers with actionable insights based on real-time data, enabling proactive and informed decision-making to preempt failures and optimise operations.

Optimised Maintenance Operations

This approach eliminates unnecessary interventions and reduces downtime by timing maintenance precisely. It ensures the smooth integration of maintenance activities with operational schedules.

Enhanced System Reliability

By addressing issues before they escalate, prescriptive maintenance ensures the consistent performance of marine systems, reducing risks of unexpected breakdowns and enhancing operational safety.

Cost Savings

Proactive maintenance reduces emergency repair costs and extends equipment life. This cost-effective strategy lowers overall operational expenses and boosts profitability.

---

 Examples

Prescriptive Maintenance for Dual-Fuel MAN B&W Engines

Prescriptive maintenance optimises fuel usage and prevents failures for Aframax tankers equipped with dual-fuel MAN B&W engines. Real-time sensor data, such as exhaust temperature and fuel pressure, predicts inefficiencies or wear. Tailored actions like fuel injection adjustments or targeted inspections reduce fuel consumption and emissions while avoiding operational disruptions.

Prescriptive Maintenance for Tanker Hulls

Hull stress monitoring systems and corrosion sensors predict areas prone to damage. For instance, increased corrosion activity might prompt proactive inspections or recommend route adjustments. This ensures structural safety, compliance with maritime standards, and significant cost savings on repairs.

---

Conclusion

Prescriptive maintenance represents a paradigm shift in marine engineering, leveraging IoT, AI, and machine learning to transform data into actionable insights. This proactive approach enhances reliability, reduces operational costs, and ensures compliance with safety standards. By adopting prescriptive maintenance, the maritime industry can achieve safer, more efficient operations, ensuring the longevity of vessels and equipment in demanding marine environments.

---

FAQs on Prescriptive Maintenance in Marine Engineering

1. What is prescriptive maintenance, and how is it different from predictive maintenance?
Prescriptive maintenance predicts potential issues and provides actionable recommendations tailored to specific circumstances, making it more advanced than predictive maintenance.

2. How does prescriptive maintenance improve vessel safety?
Prescriptive maintenance enhances vessel safety and reduces the risk of equipment failure at sea by identifying potential issues early and prescribing precise maintenance actions.

3. What technologies enable prescriptive maintenance?
Prescriptive maintenance relies on AI, machine learning, IoT sensors, big data analytics, and real-time monitoring systems to gather and analyse operational data.

4. Can prescriptive maintenance help reduce costs?
Yes, it lowers costs by preventing major breakdowns, optimising maintenance schedules, and extending equipment life through timely interventions.

5. What are practical examples of prescriptive maintenance applications in the marine industry?
Examples include optimising dual-fuel engine performance and predicting hull corrosion for targeted maintenance, improving efficiency and reducing costs.

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.

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.

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.

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