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 

AI, ML, IoT, LLMs: TRANSFORMING MAINTENANCE IN THE MARINE INDUSTRY

 7.7 IMPLEMENTING AI, ML, IOT, AND LLMS FOR PREDICTIVE AND PRESCRIPTIVE MAINTENANCE IN THE MARINE INDUSTRY: A COMPREHENSIVE ANALYSIS.

By Aleksandar Pudar

Technical Superintendent and Planned Maintenance Supervisor Reederei Nord BV

Co-founder of "Out of Box Maritime Thinker Blog" and founder of Narenta Gestio Consilium Group.

7.7.1 INTRODUCTION

The marine industry is rapidly undergoing a digital transformation, thanks to advancements in technologies like Artificial Intelligence (AI), Machine Learning (ML), the Internet of Things (IoT), and Large Language Models (LLMs). These technologies are ushering in a new era of maintenance strategies - predictive and prescriptive maintenance, that have the potential to dramatically increase the efficiency, reliability, and lifespan of the machinery onboard a vessel. This analysis aims to explore the implementation of these cutting-edge technologies and methodologies in the context of the marine industry.

7.7.1.1 PRESCRIPTIVE MAINTENANCE

Prescriptive maintenance elevates the capabilities of predictive maintenance by not only forecasting potential issues but also suggesting necessary actions for the maintenance teams. These recommendations can be executed on-site or off-site by in-house teams or service providers working from remote service centres.

7.7.2 SMART TERMINALS

Appropriate measuring devices connect to sensors and data sources like vibration, temperature, and oil quality sensors to a computing server (onboard/office ) or a cloud platform; these devices collect raw data, and the software converts it into intelligent data, adding connectivity, security, and remote configurability for ease and speed of use.

The software is a comprehensive tool for demanding use cases with features like 8 Time Synchronous high-frequency channels with RPM scaling, special means for slowly rotating machinery, and user-friendly configuration; the software is used for asset health monitoring of large machines such as compressors, gearboxes, generators, supply pumps, cargo pumps and turbines, large blowers/fans, and other critical equipment.

7.7.3 THE ANALYTICS SOLUTION

The analytic solution combines embedded analytics and a server (onboard/onshore) or cloud service to provide a comprehensive analytical platform for maximising machine health. High-speed data is analysed locally, converted into smart data, and sent to the cloud for further analysis and storage.

·         Data Collection: The first step is to collect data from the various systems and machinery onboard a vessel; this can be done using sensors and IoT devices installed on critical equipment, such as engines, generators, pumps, and turbines. The collected data typically includes parameters like temperature, vibration, pressure, and RPM. Collecting more sophisticated data, such as acoustic, ultrasonic, or thermal imaging, is possible.

·         Centralised Data Management: After gathering the data, storing and managing it in a central location is important. , A robust data management system must handle substantial amounts of data from multiple sources in real-time to accomplish this. The system should also be capable of cleaning, processing, and structuring the data for analysis.

·         Predictive Analytics: The next step is applying algorithms to the collected data. Machine learning (ML) and artificial intelligence (AI) can be leveraged to build predictive models to forecast equipment failures or performance degradation. Various methods such as regression models, time series analysis, or complex techniques like deep learning can be utilised depending on the nature of the data and problem.

·         Large Language Models (LLMs) in Prescriptive Maintenance: LLMs like GPT-3 or GPT-4 can analyse maintenance logs, reports, and other text data to extract valuable insights or identify patterns. They can generate text based on their learned patterns, auto-generate reports, explain the analytics results, or even provide step-by-step instructions for maintenance tasks. LLMs can also identify anomalies in new data, which could indicate potential problems. Additionally, these tools can be utilised to create smart chatbots or virtual assistants that can engage with users, respond to their inquiries, offer details, or assist them in completing particular tasks. LLMs can also mine knowledge from large amounts of textual data, such as technical manuals, maintenance guides, or historical incident reports. This knowledge can then support decision-making in the prescriptive maintenance process.

·         Integration with CBM: Condition-Based Maintenance (CBM) can be made more effective using predictive and prescriptive analytics based on the real-time condition of equipment rather than predetermined schedules; this would help carry out maintenance activities only when needed, improving efficiency and reducing costs.

·         User Interface and Visualisation: Lastly, the solution should include a user-friendly interface and visualisation tools that allow operators to understand the analytics results, predictions, and prescriptions easily; this should consist of dashboards, alerts, and reports that provide real-time insights into the vessel's condition and performance.

This overall system should be capable of operating in real time, allowing for proactive interventions and adjustments. The main benefits would be enhanced operational efficiency, reduced maintenance costs, improved safety, and increased equipment lifespan. Implementing such an analytics solution would require a multidisciplinary approach involving marine engineering, data science, AI, and software engineering expertise.

7.7.4 USEFUL TOOLS

Cloud solutions may offer several purpose-built tools for data analysis, automation, and anomaly tracking. Tools such as the Trend Revealer help users detect issues early, while the Anomaly Revealer automatically sets value ranges for anomalies. Other tools include the Lubrication Indicator for detecting and managing lubrication-related issues and the Forecasting tool for better planning. Given the complexity of prescriptive maintenance in the marine industry and the involvement of Large Language Models (LLMs), various tools may be required to facilitate this process. The following are some suggestions:

·         Data Collection Tools: IoT devices, sensors, and data loggers can be used for real-time data collection from various machinery and systems.

·         Data Management Tools: For centralised data storage and management, solutions like Apache Hadoop or cloud-based platforms (AWS S3, Google Cloud Storage, Microsoft Azure) can be used. Tools like Pandas (Python library) or Talend could be beneficial for data cleaning and preprocessing.

·         Machine Learning and AI Tools: TensorFlow, PyTorch, and Keras are popular deep learning frameworks for building predictive models. For simpler machine learning models, tools like Scikit-learn could be used.

·         Large Language Models (LLMs): OpenAI's GPT-3 or GPT-4 can be used for natural language processing tasks. APIs provided by OpenAI can be integrated into the system to leverage these models' power.

·         Prescriptive Analytics Tools: Tools like MATLAB or Python's SciPy and NumPy libraries can be used for optimisation and simulation tasks required for prescriptive analytics.

·         Visualisation Tools: Tools like Tableau, Power BI, or Python libraries like Matplotlib and Seaborn can be used for creating interactive dashboards and visualisations to interpret the analytics results easily.

·         Chatbot and Virtual Assistant Tools: Frameworks like Rasa or Microsoft Bot Framework can be used to develop intelligent chatbots or virtual assistants. These can be integrated with the LLMs for natural language understanding and text generation capabilities.

·         Knowledge Extraction Tools: Tools like Elasticsearch or Python's NLTK and Spacy libraries can be used for mining knowledge from large text data.

·         Workflow Orchestration Tools: Given the complex data workflows involved in this system, tools like Apache Airflow or Luigi can help manage and automate these workflows.

·         Integration Tools: Since this system would require integrating various components, tools like Apache Kafka for real-time data streaming and APIs for connecting different software components can be useful.

7.7.5 FEATURES

The following are some key features that functioning smart analysis software should possess for predictive and prescriptive maintenance in the marine industry:

·         Real-Time Monitoring and Alerts: The software should monitor the various machinery systems. Alarms and messages should be triggered if potential issues or anomalies are identified, including abnormal thermal, vibration, or visual conditions.

·         Thermal, Vibration, and Visual Analysis: Advanced thermal, vibration and visual data analysis capabilities should be integrated; this includes using AI/ML models to analyse and predict potential issues based on these data. For example, excessive heat might indicate friction or a malfunction in the cooling system. Abnormal vibration patterns can be early signs of wear and tear or alignment issues. Visual analysis, such as from CCTV footage or specific machinery imaging, can detect visible issues like leaks, breakages, or corrosion.

·         Visualisations: The software should have visualisation capabilities to assist professionals in interpreting data and analytics results; this includes thermal, vibration, and visual data, presented in a way that makes trends and issues straightforward and easy to understand.

·         Third-Party Integration: The software should support integration with other third-party systems, including thermal, vibration, and visual monitoring systems, databases, cloud platforms, and Large Language Models like GPT-3 or GPT-4.

·         Scalability and Remote Device Management: The software should be scalable to handle increasing amounts of data as more machinery and systems are added and provide remote device management capabilities.

·         AI/ML Analysis and Alerts: The software should leverage AI and ML for predictive and prescriptive analytics, including the analysis of thermal, vibration, and visual data.

·         Support for Condition-Based Maintenance (CBM): The software should support CBM by providing real-time condition monitoring and analytics, including thermal, vibration, and visual condition data.

·         Diagnostic Capabilities: Diagnostic capabilities should be integrated to analyse the collected data, including thermal, vibration, and visual data, to diagnose the machinery's condition, predict potential failures, and prescribe necessary maintenance activities.

·         Lube Oil Sampling and Analysis: The software should support the scheduling and recording regular lube oil sampling and incorporate the results into its analysis.

·         Advanced Analytics for Lube Oil Data: The software should be capable of analysing the results of lube oil analysis and integrating it with thermal, vibration, and visual data for comprehensive equipment health assessment.

·         Alerts and Recommendations: Based on the analysis results and predictive models, the software should trigger alerts and provide recommendations for corrective actions.

·         Trend Analysis and Predictive Modelling: The software should analyse the thermal, vibration, lube oil, and visual data, tracking changes over time and predicting future trends.

·         Reporting and Visualisation: Detailed reports and visualisations of the thermal, vibration, lube oil, and visual analysis results should be provided, helping operators understand and interpret the data.

7.7.6 CONCLUSION

In conclusion, prescriptive maintenance, powered by AI/ML, IoT, and LLMs, redefines the marine industry's future. It enables the timely prediction of potential machinery failures and prescribes specific actions to be taken, thereby maximising operational efficiency and reducing downtime. Smart terminals have made it possible to collect and analyse data in real time, which allows for intelligent decision-making based on data. The analytical solution outlined presents a cohesive system that leverages these technologies to maximise machine health. The tools suggested are aimed at easing and streamlining this process, making the complex task of data collection, management, and analysis more manageable.

Moreover, the features listed for the functioning smart analysis software outline the comprehensive capabilities needed to implement predictive and prescriptive maintenance effectively. Indeed, integrating these technologies and methodologies into the marine industry promises unprecedented operational efficiency, safety, and equipment lifespan. As we move forward, it is evident that continuous learning and adaptation to these emerging technologies will be pivotal in maintaining a competitive edge in the ever-evolving marine industry.

 

References and Bibliography‌:

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].

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.