Model for determining similarity between cases in failure diagnosis of ship power plant equipment

В. Вичужанін; А. Вичужанін

doi:10.31498/2225-6733.50.2025.336233

Автор(и)

В. Вичужанін Національний університет «Одеська політехніка», м. Одеса, Україна https://orcid.org/0000-0002-6302-1832
А. Вичужанін Національний університет «Одеська політехніка», м. Одеса, Україна https://orcid.org/0000-0001-8779-2503

DOI:

https://doi.org/10.31498/2225-6733.50.2025.336233

Ключові слова:

інтелектуальні системи підтримки прийняття рішень, суднова енергетична установка, відмова обладнання, прецедент, Case-Based Reasoning, подібність прецедентів, метрика, інтерпретованість

Анотація

Сучасні суднові енергетичні установки (СЕУ) є високотехнологічними комплексами, функціонування яких супроводжується постійним збором та аналізом великих обсягів діагностичних даних. Підвищення ефективності технічної експлуатації таких систем потребує розробки інтелектуальних засобів діагностики, здатних до точного розпізнавання й інтерпретації типових відмов. У статті розглянуто задачу оцінювання ступеня подібності між прецедентами в рамках методології Case-Based Reasoning (CBR), що є актуальним підходом за умов обмеженої навчальної вибірки та високої варіативності відмов. Подано аналітичний огляд сучасних методів оцінювання подібності, зокрема метричних підходів, агрегуючих операторів (зокрема інтеграла Чокета), логіко-вивідних систем та семантичних графових моделей. Визначено основні обмеження цих підходів: низька адаптивність до гетерогенних даних, слабка інтерпретованість результатів і висока залежність від апріорної інформації. Авторами запропоновано уніфіковану модель визначення подібності, яка враховує різнорідність діагностичних ознак. У моделі реалізовано інтеграцію різних метрик (евклідової, косинусної та Жаккара) залежно від типу даних (числові, категоризовані, множинні). Діагностична значущість ознак задається ваговими коефіцієнтами, які визначаються чисельною оптимізацією. У роботі також подано формалізований опис структури прецедента, класифікацію типових відмов та алгоритм зіставлення з урахуванням контексту експлуатації. Запропонований підхід забезпечує інтерпретованість, адаптивність і масштабованість моделі, що підтверджує її застосовність в інтелектуальних системах підтримки прийняття рішень для діагностики відмов обладнання СЕУ. Практична реалізація моделі сприятиме підвищенню надійності, безпеки й ефективності експлуатації морських технічних систем

Посилання

Vychuzhanin V., Vychuzhanin A. Stochastic Models and Methods for Diagnostics, Assessment, and Prediction of the Technical Condition of Complex Critical Systems. Lviv-Torun: Liha-Pres, 2025. 176 p. DOI: https://doi.org/10.36059/978-966-397-457-6.
Neykov N., Stefanova S. Using case-based reasoning in system diagnostics and maintenance. Proceedings of Seventh International Congress on Information and Communication Technology. Lecture Notes in Networks and Systems. 2023. Vol. 464. Рр. 305-312. DOI: https://doi.org/10.1007/978-981-19-2394-4_28.
Graph neural network-based fault diagnosis: A review / Chen Z., Wang K., Zhang C., Wang Q. arXiv preprint. 2021. arXiv:2107.04542. DOI: https://doi.org/10.48550/arXiv.2107.04542.
Case-based reasoning system for aeroengine fault diagnosis enhanced with attitudinal Choquet integral / Lin H., Wu Q., Liu L., Song X. Applied Sciences. 2022. Vol. 12, no. 3. Article 1130. DOI: https://doi.org/10.3390/app12031130.
Ye J. Single-valued neutrosophic similarity measures based on cotangent function and their application in the fault diagnosis of steam turbine. Journal of Intelligent & Fuzzy Systems. 2017. Vol. 32, no. 6. Рр. 4229-4236. DOI: https://doi.org/10.3233/JIFS-169424.
Serrà J., Arcos J.L. An empirical evaluation of similarity measures for time series classification. Pattern Recognition Letters. 2014. Vol. 35. Рр. 45-52. DOI: https://doi.org/10.1016/j.patrec.2012.12.020.
El Bitar I., Belouadha F.Z., Roudies O. A logic and adaptive approach for efficient diagnosis systems using CBR. International Journal of Computer Applications. 2012. Vol. 39, no. 15. Pp. 1-5. DOI: https://doi.org/10.5120/4893-7393.
Intellectualization Method and Model of Complex Technical System’s Failures Risk Estimation and Prediction / Vychuzhanin V., Shibaeva N., Vychu-zhanin A., Rudnichenko N. Computer Modeling and Intelligent Systems : Proceedings of The Sixth International Workshop, Zaporizhzhia, Ukraine, 3 May 2023. Vol. 3392. Pp. 130-140. DOI: https://doi.org/10.32782/cmis/3392-11.
Vychuzhanin V., Rudnichenko N. Complex Technical System Condition Diagnostics and Prediction Computerization. Computer Modeling and Intelligent Systems : Proceedings of The Third International Workshop, Zaporizhzhia, Ukraine, 27 April -1 May 2020. Vol. 2608. Pp. 1–15. DOI: https://doi.org/10.32782/cmis/2608-4.
Wang H., Wang W. Bearing fault diagnosis method based on similarity measure and ensemble learning. Measurement Science and Technology. 2021. Vol. 32, no. 5. DOI: https://doi.org/10.1088/1361-6501/abda97.
Choi J., Kong D., Cho H. Weighted domain adaptation using the graph-structured dataset representation for machinery fault diagnosis under varying operating conditions. Sensors. 2024. Vol. 24, no. 1. Article 188. DOI: https://doi.org/10.3390/s24010188.
Cheng Z., Yan A. A case weighted similarity deep measurement method based on a self-attention Siamese neural network. Industrial Artificial Intelligence. 2023. Vol. 1, no. 1. DOI: https://doi.org/10.1007/s44244-022-00002-y.
An ontology-based fault generation and fault propagation analysis approach for safety-critical computer systems at the design stage / X. Diao et al. Artificial Intelligence for Engineering Design, Analysis and Manufacturing. 2022. Vol. 36, no. 3. Рр. 345-360. DOI: https://doi.org/10.1017/S0890060421000342.
Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications. 1994. Vol. 7, no. 1. Рр. 39-59. DOI: https://doi.org/10.3233/AIC-1994-7104.
Manning C.D., Raghavan P., Schütze H. Introduc-tion to Information Retrieval. Cambridge: Cambridge University Press, 2008. 506 p. DOI: https://doi.org/10.1017/CBO9780511809071.
Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning: Data Mining, Inference, and Prediction. 2nd ed. New York: Springer, 2009. 745 p. DOI: https://doi.org/10.1007/978-0-387-84858-7.
Bishop C. M. Pattern Recognition and Machine Learning. New York: Springer, 2006. 778 p.
Tan P.-N., Steinbach M., Kumar V. Introduction to Data Mining. 1st ed. Boston: Addison-Wesley, 2005. 780 p.
Boggs P.T., Byrd R.H. Adaptive, Limited-Memory BFGS Algorithms for Unconstrained Optimization. SIAM Journal on Optimization. 2019. Vol. 29, no. 2. Рр. 947-967. DOI: https://doi.org/10.1137/16M1065100.
Tankaria H., Sugimoto S., Yamashita N. A Regularized Limited Memory BFGS Method for Large-Scale Unconstrained Optimization and its Efficient Implementations. arXiv preprint. 2021. arXiv:2101.04413. DOI: https://doi.org/10.48550/arXiv.2101.04413.