Модель визначення подібності між прецедентами для діагностики відмов обладнання суднової енергетичної установки
DOI:
https://doi.org/10.31498/2225-6733.50.2025.336233Ключові слова:
інтелектуальні системи підтримки прийняття рішень, суднова енергетична установка, відмова обладнання, прецедент, Case-Based Reasoning, подібність прецедентів, метрика, інтерпретованістьАнотація
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.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).
Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.
