РОЗРОБКА ІНТЕЛЕКТУАЛЬНОЇ СИСТЕМИ ПІДВИЩЕННЯ ГОТОВНОСТІ МЕХАНІКА ДО ЕКСПЛУАТАЦІЇ ТА РЕМОНТУ ФОРСУНОК З ВІЗУАЛІЗАЦІЄЮ ЇХ 3D МОДЕЛЕЙ
https://doi.org/10.33815/2313-4763.2024.1.28.134-151
Анотація
Проблема підвищення готовності механіка до експлуатації та ремонту суднових технічних систем є актуальною через складність виявлення несправностей та необхідність своєчасної діагностики. Метою цього дослідження є розробка та впровадження інтелектуальної системи, що підвищує готовність механіка шляхом візуалізації 3D моделей форсунок і використання нечітких методів діагностики.
Для вирішення поставлених завдань дослідження було проведено кілька ключових етапів. Спочатку було сформовано концептуальний опис інтелектуальної системи підтримки прийняття рішень механіка, який включає введення даних про симптоми несправностей, оцінку цих симптомів на основі заданих правил, генерацію рекомендацій та візуалізацію функцій належності. Основні елементи функціоналу системи включають: введення даних, де симптоми несправностей форсунок вводяться у вигляді набору параметрів; оцінка правил, які оцінюють вхідні дані на основі порогових значень для визначення рівнів серйозності симптомів; визначення рекомендацій, де система автоматично генерує рекомендації на основі оцінки правил; візуалізація функцій належності через побудову графіків функцій належності для кожного правила діагностики; 3D моделювання, що включає створення 3D моделей форсунок для візуалізації пошкоджених компонентів та полегшення процесу діагностики.
Наступним етапом було створення формально-логічної структури правил для ідентифікації несправностей форсунок на основі симптомів. Кожне з 15 правил оцінює симптоми на основі заданих порогових значень.
На завершальному етапі було розроблено програмний засіб із функцією нечіткого висновку для підтримки прийняття рішень оператора-механіка. Програмний засіб автоматично оцінює симптоми та генерує рекомендації. Крім того, було візуалізовано функції належності для кожного правила діагностики, що полегшує розуміння результатів та дозволяє розробникам покращювати та гнучко налаштовувати систему.
Експерименти показали, що розроблена система дозволяє знизити ризик помилок та підвищити ефективність ремонту форсунок. Тестування показало, що швидкість операцій при ремонті форсунок зросла на 22,5%. Система автоматично оцінює симптоми та генерує рекомендації для механіка, забезпечуючи своєчасне виявлення несправностей.
Система забезпечує оперативність та гнучкість у використанні, дозволяючи механіку візуально ідентифікувати пошкоджені компоненти форсунок. Впровадження інтелектуальної системи сприяє зниженню ризику аварійних ситуацій та оптимізації процесу ремонту.
Запропоновані методи можуть бути адаптовані для діагностики інших компонентів суднових технічних систем, що відкриває нові перспективи для подальших досліджень. Подальші дослідження передбачають інтеграцію з іншими системами моніторингу та управління судном, а також розширення функціоналу для діагностики інших компонентів суднових технічних систем. Планується впровадження динамічного відображення процесів ремонту та віртуальних засобів доповненої реальності для підвищення ефективності підготовки механіків.
Бібл. 33, рис. 5.
Посилання
2. Nosov, P. S. (2023). Systemic approaches to rational management of func-tional marine technical systems and complexes // Журналу "Водний транспорт. Збірник наукових праць Державного університету інфраструктури та технологій". No 2(38). С. 80–95. doi.org/10.33298/2226-8553.2023.2.38.09.
3. Nosov, P., Koretsky, O., Zinchenko, S., Prokopchuk, Y., Gritsuk, I., Sokol, I., Kyrychenko, K. (2023). Devising an approach to safety management of vessel control through the identification of navigator’s state. Eastern-European Journal 1of Enterprise Technologies, 4 (3 (124)), 19–32. doi: https://doi.org/10.15587/1729-4061.2023.286156.
4. Nosov, P., Zinchenko, S., Plokhikh, V., Popovych, I., Prokopchuk, Y., Makarchuk, D., Mamenko, P., Moiseienko, V., & Ben, A. (2021). Development and experimental study of analyzer to enhance maritime safety. Eastern-European Journal of Enterprise Technologies, 4/3(112), 27–35. https://doi.org/10.15587/1729-4061.2021.239093.
5. Weng, Jinxian & Yang, Dong & Chai, Tian & Fu, Shanshan. (2019). Investigation of occurrence likelihood of human errors in shipping operations. Ocean Engineering. 182. 28–37. 10.1016/j.oceaneng.2019.04.083.
6. Yang, Xinduoji & Liu, Minghui & Wang, Xinxin & Hu, Bingyu & Liu, Meng & Wang, Xiaomin. (2024). Ship Network Traffic Engineering Based on Reinforcement Learning. Electronics. 13. 1710. 10.3390/electronics13091710.
7. Yang, Taiwei & Zhu, Hanhua & Fan, Shidong & Wu, Jie & Yuan, Junlang & Zheng, Liangyan. (2023). Research on Lubrication Characteristics of Ship Stern Bearings Considering Bearing Installation Errors. Lubricants. 11. 478. 10.3390/lubricants11110478.
8. Saragih, Jasman & Hasibuan, Arnawan & Engineering, Electrical & , Suwarno. (2020). Analysis of Damage to Ship MT. Delta Victory due to Human Error and Electricity with the Shel Method. 10.1109/ELTICOM50775.2020.9230475.
9. Yu, Cairui. (2023). Exploring the Current Status and Development of Condition Monitoring and Fault Diagnosis for Power Machinery of Engineering Ships. Applied Science and Innovative Research. 7. p62. 10.22158/asir.v7n3p62.
10. Sharko, Oleksandr & Yanenko, Artem. (2023). MODELING OF INTELIGENT SOFTWARE FOR THE DIAGNOSIS AND MONITORING OF SHIP POWER PLANT COMPONENTS USING MARKOV CHAINS. Science-based technologies. 59. 251–261. 10.18372/2310-5461.59.17946.
11. Wang, Ning & Hou, Xiaojun & Ma, Jikun & Yuan, Bingbing & Xin, Fuyan. (2024). Research on Big Data Intelligent System for Fault Diagnosis of Computer Aided Ship Power System. Frontiers in Computing and Intelligent Systems. 8. 65–69. 10.54097/11sgn708.
12. Wei, Zhiguo & Wu, Jun & Li, Zhe & Cheng, Shangfang & Yan, Xiaojiang & Wang, Shunsen. (2024). The Intelligent Layout of the Ship Piping System Based on the Optimization Algorithm. Applied Sciences. 14. 2694. 10.3390/app14072694.
13. Lan, Dan & Xu, Peilong & Nong, Jia & Song, Junkang & Zhao, Jie. (2024). Application of Artificial Intelligence Technology in Vulnerability Analysis of Intelligent Ship Network. International Journal of Computational Intelligence Systems. 17. 10.1007/s44196-024-00539-z.
14. Hao, Guozhu & Xiao, Wenhui & Huang, Liwen & Chen, Jiahao & Zhang, Ke & Chen, Yaojie. (2024). The Analysis of Intelligent Functions Required for Inland Ships. Journal of Marine Science and Engineering. 12. 836. 10.3390/jmse12050836.
15. Zhang, Jiale & Jiang, Jiawei & Zhang, Sijie & Zhang, Peng & Dong, Junwei & Sun, Ze. (2023). A Review of Research on Intelligent Engine Room Systems. Advances in Machinery, Materials Science and Engineering Application IX. 10.3233/ATDE230571.
16. li, Guiqin & Li, Yang & Lan, Jian & Zhu, Qiuyu & Lu, Hao & Mitrouchev, Peter. (2020). Development of the database for intelligent ship management system. IOP Conference Series: Materials Science and Engineering. 768. 042055. 10.1088/1757-899X/768/4/042055.
17. Orifice Plate Flow Measurement Principle and Formula URL: (https://engineerscommunity.com/t/orifice-plate-flow-measurement-principle-and-formula/6165).
18. Varbanets, Roman & Minchev, Dmytro & Savelieva, I. & Rodionov, A. & Mazur, T. & Psariuk, S. & Bondarenko, V. (2023). Enhanced diagnostic techniques for marine diesel engines: achieving imo decarbonization compliance. Internal Combustion Engines. 26–36. 10.20998/0419-8719.2023.2.04.
19. Zacharewicz, Marcin & Kniaziewicz, Tomasz. (2017). Mathematical modelling malfunctions of marine diesel engine. MATEC Web of Conferences. 118. 00001. 10.1051/matecconf/201711800001.
20. Minchev, Dmytro & Varbanets, Roman & Shumylo, Oleksandr & Zalozh, Vitalii & Aleksandrovska, Nadiia & Bratchenko, Pavlo & Thanh Hai, Truong. (2023). Digital Twin Test-Bench Performance for Marine Diesel Engine Applications. Polish Maritime Research. 30. 81–91. 10.2478/pomr-2023-0061.
21. Pekař, Miloslav. (2024). The Behaviour of Gases. 10.1007/978-3-031-60321-1_4.
22. Fu, Chao & Liang, Xiaoxia & Li, Qian & Lu, Kuan & Gu, Fengshou & Ball, Andrew & Zheng, Zhaoli. (2023). Comparative Study on Health Monitoring of a Marine Engine Using Multivariate Physics-Based Models and Unsupervised Data-Driven Models. Machines. 49. 557. 10.3390/machines11050557.
23. Zacharewicz, Marcin & Kniaziewicz, Tomasz. (2017). Mathematical modelling malfunctions of marine diesel engine. MATEC Web of Conferences. 118. 00001. 10.1051/matecconf/201711800001.
24. Monieta, Jan. (2023). Diagnosing Cracks in the Injector Nozzles of Marine Internal Combustion Engines during Operation Using Vibration Symptoms. Applied Sciences. 13. 9599. 10.3390/app13179599.
25. Wu, Qinran & Liang, Xingyu & Zhu, Zhijie & Cui, Lei & Liu, Teng. (2024). Numerical Simulation Research on Combustion and Emission Characteristics of Diesel/Ammonia Dual-Fuel Low-Speed Marine Engine. Energies. 17. 2960. 10.3390/en17122960.
26. Gharib, Hla & Kovács, György. (2024). Implementation and Possibilities of Fuzzy Logic for Optimal Operation and Maintenance of Marine Diesel Engines. Machines. 12. 425. 10.3390/machines120604.
27. Varbanets, Roman & Shumylo, Oleksandr & Marchenko, Andrii & Minchev, Dmytro & Kyrnats, Vladyslav & Zalozh, Vitalii & Aleksandrovska, Nadiia & Brusnyk, Roman & Volovyk, Kateryna. (2022). Concept of Vibroacoustic Diagnostics of the Fuel Injection and Electronic Cylinder Lubrication Systems of Marine Diesel Engines. Polish Maritime Research. 29. 88-96. 10.2478/pomr-2022-0046.
28. Zakaria, Zunita & Hassan, Latiffah & Sharif, Zawiyah & Ahmad, Norazah & Ali, Rohaya & Husin, Suraya & Abd Hazis, Nor & Mohamed Sohaimi, Norfitriah & Bakar, Shafini & Garba, Bashiru (2020). Analysis of Salmonella enterica Enteritidis isolates from chicken and chicken meat products using PFGE, and MLST. 10.21203/rs.3.rs-23038/v1.
29. Heywood J. B., “Internal Combustion Engine Fundamentals,” McGraw Hill, New York, 1988.
30. Hiroyasu, H., Kadota, T., & Arai, M. (1983). Development and Use of a Spray Combustion Modeling to Predict Diesel Engine Efficiency and Pollutant Emissions : Part 1 Combustion Modeling. Jsme International Journal Series B-fluids and Thermal Engineering, 26, 569–575.
31. Lino, P., Maione, B., & Rizzo, A. (2007). Nonlinear modelling and control of a common rail injection system for diesel engines. Applied Mathematical Modelling, 31(9), 1770–1784.
32. Lakshminarayanan, P. A., Nayak, N., Dingare, S. V., and Dani, A. D. (June 19, 2002). "Predicting Hydrocarbon Emissions From Direct Injection Diesel Engines ." ASME. J. Eng. Gas Turbines Power. July 2002; 124(3): 708–716. https://doi.org/10.1115/1.1456091.
33. Omran, R., Younes, R., & Champoussin, J. C. (2008). Neural networks for real-time nonlinear control of a variable geometry turbocharged diesel engine. International Journal of Robust Nonlinear Control, 18(2), 1209–1229.