ANALIZA ARBORELOR DE DEFECȚII ȘI MODELAREA REȚELEI NEURALE

ARTIFICIALE PENTRU STABILIREA UNEI METODOLOGII PREDICTIVE DE

ÎNTREȚINERE A MAȘINILOR DE NAVE

Y Raptodimos și I Lazakis, Universitatea din Strathclyde, Marea Britanie

REZUMAT

Un model de arbore de defecțiuni dinamic pentru un motor principal de navă este

dezvoltat pentru a analiza și identifica sistemele/componentele critice ale motorului
principal. Cele mai critice sisteme identificate sunt apoi utilizate ca intrare într-o rețea
neuronală artificială. O abordare de modelare a rețelei neuronale dinamice autoregresive în
serie de timp este examinată într-un studiu de caz de nave container, pentru a monitoriza și
a prezice valorile viitoare ale parametrilor fizici selectați ai celor mai critice echipamente
ale mașinilor navelor obținute din analiza arborelui de defecte. Rezultatele studiului de caz
ale combinației dintre analiza arborelui de defecte și modelul rețelei neuronale artificiale
au demonstrat perspective promițătoare pentru stabilirea unei metodologii dense pentru
întreținerea predictivă a mașinilor de nave prin identificarea cu succes a sistemelor critice
de mașini ale navelor și prognozarea cu precizie a performanței parametrilor mașinilor.

1. INTRODUCERE Optimizarea întreținerii este o provocare din

Întreținerea se ocupă de sistemele care sunt
supuse deteriorării și defecțiunilor odată cu
utilizarea și vechimea. Pentru sistemele de
la bordul navelor, este extrem de important
să se evite defecțiunile în timpul
funcționării efective deoarece poate fi
periculoasă sau dezastruoasă din punct de
vedere al performanței, siguranței și
pierderilor economice. Performanța navei
se deteriorează în general în timp, ca
urmare a murdării sau degradării
sistemelor și componentelor mașinilor.
Defecțiunile nedorite au ca rezultat un
impact economic sub formă de costuri de
întreținere mai mari și fiabilitate și
disponibilitate mai scăzută a mașinii. Cu
niveluri reduse de personal și concurență
în continuă creștere, întreținerea navelor a
devenit una dintre provocările majore din
industria navală. Progresele tehnologice și
costul ridicat de proprietate au dus la un
interes considerabil pentru tehnicile
avansate de întreținere. În consecință,
industria maritimă caută o fiabilitate
sporită, un timp de funcționare maxim și o
eficiență operațională optimă, precum și să
asigure performanțe de mediu sigure și
durabile în medii dure.
cauza condițiilor de operare extrem de
restrictive și dure ale navelor, pe lângă nivelul
ridicat de incertitudine însoțit de aceste condiții
de operare. În comparație cu alte industrii,
colectarea și procesarea datelor nu este
întotdeauna posibilă, deoarece echipamente
similare în diverse condiții pot avea modele
diferite de defecțiuni. Datele nu sunt colectate
în moduri standard care ar ajuta la luarea
deciziilor cu succes [1]. O problemă
suplimentară este apariția constantă a
echipamentelor noi, care face ca înregistrările
istorice să fie depășite și pun alte aspecte
asupra deciziilor de înlocuire.
S-au făcut eforturi pentru a transforma tehnicile
de întreținere corectivă/preventivă în tehnici
predictive. Monitorizarea stării este considerată
o parte majoră a întreținerii predictive.
Evaluează starea de funcționare a
echipamentelor, pentru a furniza o avertizare
timpurie a potențialei defecțiuni, astfel încât să
se poată lua măsuri de întreținere preventivă.
Întreținerea predictivă constă în a decide dacă
se întreține sau nu un sistem
după starea sa [2]. Mai mult,
întreținerea predictivă se
concentrează pe predicția
defecțiunilor, survin prin urmăriri cu
o sistematică specifică asupra
parametrilor și condițiilor
echipamentelor. Acest tip de
întreținere nu a apărut ca înlocuitor
pentru întreținerea corectivă și
preventivă, ci ca un instrument
suplimentar, care urmărește reducerea
la minimum a costurilor de întreținere
și a pierderilor în echipamente prin
monitorizarea unor parametri
specifici [3].
Ca parte a celor de mai sus, această
lucrare se concentrează pe
combinarea unui model Fault Tree și
apoi a unei rețele neuronale artificiale
(ANN) pentru prognoza parametrilor
utilajului selectați. Fault Tree
Analysis (FTA) este o abordare de
sus în jos care utilizează ratele de
eșec, timpul mediu dintre defecțiuni
și seturi minime de tăiere pentru a
evalua fiabilitatea și disponibilitatea
sistemului examinat [4]. FTA poate fi
aplicat atât calitativ, cât și cantitativ.
Obiectivul unui arbore de erori este
de a evalua probabilitatea de apariție
a evenimentului de vârf. Mai mult
decât atât, Fault Trees sunt, de
asemenea, utilizați pentru a afișa
cauzele și consecințele
evenimentelor, pentru a identifica
componentele critice ale sistemului și
pentru a evalua schimbările în proiectare,
printre altele. Diagramele arborelui de
defecțiuni oferă informații importante cu
privire la probabilitatea apariției unei
defecțiuni și la mijloacele prin care
aceasta ar putea apărea. Ele pot fi
construite în orice moment al etapei de
proiectare, iar rezultatele FTA pot ajuta la
îmbunătățirea siguranței sistemului.
Raza și Liyanage [5] au declarat că a
existat o cerere din ce în ce mai mare
pentru testarea și implementarea tehnicilor
inteligente ca o subsidiară a programelor
de monitorizare existente și că Rețelele
Neurale Artificiale (ANN) au apărut ca
una dintre cele mai promițătoare tehnici în
acest sens. Starea echipamentului și
tendința de dezvoltare a defecțiunilor sunt
adesea foarte neliniare și se bazează pe
serii de timp. ANN-urile pot fi utilizate
datorită capacității lor potențiale de
predicție neliniară a tendințelor în serie de
timp. Prin urmare, această lucrare propune
inițial analiza unui model Fault Tree
pentru motorul principal al unei nave
pentru a identifica cele mai critice
sisteme/articole ale motorului principal.
Parametrii fizici ai sistemelor identificate
sunt apoi utilizați ca intrare în modelul
ANN pentru a monitoriza și prezice
valorile lor viitoare.

Acesta este un manuscris de autor acceptat, revizuit de colegi, al următoarei rezultate:

Raptodimos, Y. și Lazakis, I. (2017). Analiza arborelui de defecte și modelarea rețelei
neuronale artificiale pentru stabilirea unei metodologii predictive de întreținere a mașinilor
navelor. În Conferința Internațională privind Tehnologia Smart Ship 2017 Londra: Royal
Institution of Naval Architects.
 materialelor și a echipamentelor. Utilizează metode
Această lucrare este organizată după cum moderne de măsurare și procesare a semnalului pentru
urmează: Secțiunea 2 descrie pe scurt contextul a prezice și diagnostica cu precizie starea
cercetării, conținând informații privind articolelor/echipamentului în timpul funcționării [8].
întreținerea predictivă, FTA și ANN-uri.
Secțiunea 3 prezintă și definește metodologia 2.2 ANALIZA ARBORELOR DE DEFECTE
generală. Un studiu de caz este prezentat în
Secțiunea 4, iar rezultatele sunt prezentate în Instrumentele de evaluare a fiabilității includ
Secțiunea 5, urmate de observațiile finale Diagramele bloc de fiabilitate (RBD), FTA, Analiza
cuprinse în ultima secțiune. efectelor modurilor de defecțiune (FMEA), Efectele
modurilor de defecțiune și Analiza criticității
2. FUNDAL (FMECA), analiza Markov și Rețelele Bayesian Belief
(BBN). FTA este una dintre metodele de bază de
2.1 ÎNTREȚINERE evaluare a fiabilității. Metoda FTA permite examinarea
detaliată a principiilor de funcționare a sistemului în
Navele fac parte din sistemul de transport timpul proiectării, exploatării și investigațiilor
maritim și sunt active esențiale ale lanțului de accidentelor.
aprovizionare. În acest sens, sarcinile de
întreținere afectează standardele de fiabilitate și
disponibilitate ale industriei de transport
maritim și reprezintă un factor important în
ciclul de viață al unei nave care poate minimiza
timpul de nefuncționare și poate reduce
costurile de operare [9]. Importanța întreținerii
este demonstrată de faptul că este singura
activitate la bordul navei care are un element
întreg alocat acesteia [6]. De asemenea, datorită
impactului transportului maritim asupra
mediului și a importanței exploatării în
siguranță a navelor; proprietarii și operatorii de
nave urmăresc să adopte un plan de întreținere
și proceduri care vor reduce costurile, vor
promova integritatea ciclului de viață și vor
spori eficiența energetică a navei.

Inițial, întreținerea corectivă a fost aplicată

navelor, urmată de acțiuni de întreținere
preventivă de succes datorită codului și
reglementărilor internaționale de management
al siguranței (ISM) [6] și apoi a fost urmată de
progrese de întreținere predictivă [7].
Întreținerea predictivă nu a apărut ca un
înlocuitor al întreținerii corective și preventive,
ci ca un instrument suplimentar, care urmărește
să minimizeze, prin monitorizarea unor
parametri specifici, costurile de întreținere și
pierderile în echipamente [3]. Prin urmare,
întreținerea predictivă diferă de întreținerea
preventivă prin concentrarea întreținerii pe
starea reală a utilajului, mai degrabă pe un
program predefinit dictat de intervale de timp
predefinite sau de ore de funcționare a
sistemului. În consecință, întreținerea predictivă
este utilizată pentru a defini sarcinile de
întreținere necesare pe baza stării cuantificate a
Diagramele Fault Tree sunt o tehnică de
proiectare grafică care urmează o
abordare de sus în jos. Utilizează un
model grafic al căilor dintr-un sistem
care poate duce la un eveniment
proiectat, nedorit sau la eșec. Căile
interconectează evenimentele și
condițiile contributive, folosind
simboluri logice standard, iar
constructele de bază dintr-o diagramă
arbore de erori sunt porți și evenimente.
Modulul de analiză a arborelui de erori
se bazează pe seturi de reguli și
simboluri logice din teoria probabilității
și algebra booleană. Porțile reprezintă
operatori logici care leagă între ele
diferitele ramuri ale arborelui de erori și
determină dacă evenimentul superior
poate apărea sau nu. Evenimentele de
bază pot fi definite ca evenimente de
nivel inferior din fiecare ramură a
arborelui de erori.
FTA folosește ratele de eșec, timpul
mediu dintre defecțiuni și seturile
minime de tăiere pentru a evalua
fiabilitatea și disponibilitatea
sistemului. Mai mult, arborii de defecte
sunt, de asemenea, utilizați pentru a
afișa cauzele și consecințele
evenimentelor, pentru a identifica
componentele critice ale sistemului și
pentru a evalua schimbările în
proiectare, printre altele.
pentru scufundări.
Lazakis și Olcer [9] au introdus o strategie de
întreținere bazată pe fiabilitate și criticitate
(RCBM) utilizând o tehnică de luare a
deciziilor de grup atributiv multiplu fuzzy, care
este îmbunătățită și mai mult cu utilizarea
procesului de ierarhie analitică (AHP).
Rezultatul acestui studiu a indicat că
întreținerea preventivă este încă abordarea de
întreținere preferată de către operatorii de nave,
urmată îndeaproape de întreținerea predictivă;
prin urmare, evitarea cadrului de întreținere
corectivă a navei și creșterea fiabilității și
disponibilității globale a navei.
2.3 REȚELE NEURONALE ARTIFICIALE
O rețea neuronală poate fi definită în
conformitate cu Principe și colab. [10] ca
mașini de învățare distribuite, adaptive, în
general neliniare, construite din multe elemente
de procesare diferite care primesc conexiuni de
la alte elemente de procesare și/sau de la sine.
Câteva caracteristici distinctive ale ANN-urilor
[11] le fac atractive pentru dezvoltarea
instrumentelor de prognostic. În primul rând,
spre deosebire de metodele tradiționale bazate
pe model, ANN-urile sunt metode bazate pe
date și auto-adaptative, ceea ce înseamnă că
există puține ipoteze a priori despre modelele
studiate. Ei învață din exemplele trecute și
captează funcționalități subtile

Lazakis şi colab. [7] a prezentat o

strategie de întreținere predictivă
utilizând FMECA și FTA, luând în
considerare regimul existent de
întreținere a navelor ca o strategie
generală care include progrese
tehnologice și un sistem de sprijinire a
deciziilor, prin combinarea sarcinilor
operaționale și de întreținere a navelor
existente cu instrumentul FTA și
FMECA.

O strategie inovatoare de întreținere a

navelor este prezentată și de Turan și
colab. [4] bazat pe evaluarea criticității
și a fiabilității în timp ce se utilizează
instrumentul FTA cu porți dinamice
dependente de timp pentru a prezenta cu
exactitate interrelația dintre
componentele unei nave de sprijin
relațiile dintre date chiar dacă relațiile
subiacente sunt greu de descris sau
necunoscute. ANN-urile nu se bazează pe
principii sau modele statistice anterioare și pot
simplifica în mod semnificativ procesul de
sintetizare a modelului. Ele pot aborda cu
ușurință problemele de modelare care sunt
dificile din punct de vedere analitic și pentru
care abordările convenționale nu sunt practice,
inclusiv procese fizice complexe care au o
dinamică neliniară, de ordin înalt și variabilă în
timp. În al doilea rând, ANN-urile au capacități
bune de generalizare și sunt aproximatori
funcționali universali. Ele sunt, de asemenea,
neliniare. Modelele reale de eșec de cuvinte
sunt, în general, neliniare. Cu toate acestea,
aceste modele sunt încă limitate prin faptul că
se bazează pe puține cunoștințe ale legii
subiacente.
probleme complexe din lumea reală. Rețelele
neuronale au potențialul de a reprezenta orice
mapare subiacentă complexă, neliniară, care poate
guverna schimbările într-o serie de timp [14]. Zhang
şi colab. [15] au arătat că rețelele neuronale sunt
instrumente valoroase pentru modelarea și prognoza
seriilor temporale neliniare, în timp ce metodele
liniare tradiționale nu sunt la fel de competente
pentru această sarcină. Lipsa abordărilor sistematice
ale construirii modelelor de rețea neuronală este
probabil cauza principală a inconsecvențelor în
constatările raportate.
Odată cu disponibilitatea crescută a datelor de
monitorizare privind starea sistemelor și
echipamentelor, rețelele neuronale sunt din ce în ce
mai aplicate în domeniul detectării defecțiunilor
[16], diagnosticării defecțiunilor [17] și pentru
prezicerea duratei de viață utilă reziduală [18].

Domeniile de aplicare ale rețelelor neuronale

pot fi clasificate în funcție de diferite criterii,
cum ar fi aplicația industrială, tipul problemei
de fiabilitate, faza ciclului de viață în care
algoritmii sunt aplicabili predominant și tipul
problemei de învățare. Elementul de bază al
unei rețele neuronale este un neuron [12], care
are mai multe intrări an, fiecare dintre aceste
intrări este înmulțită cu greutăți wij și apoi
adunate. Greutățile sunt coeficienți adaptivi în
cadrul rețelei care determină intensitatea
semnalului de intrare [13]. Adesea se adaugă o
părtinire bj, care este pragul intern al nodului.
Rezultatul este activarea neuronului z, așa cum
se arată în următoarea ecuație:
n

zAiwij
bji1

Modelarea și prognozarea seriilor temporale au

o importanță fundamentală pentru diferite
domenii practice. Scopul principal al modelării
serii de timp este de a colecta cu atenție și de a
studia riguros observațiile trecute ale unei serii
de timp pentru a genera valori viitoare pentru
serie. Prognoza serii cronologice poate fi
numită actul de a prezice viitorul prin
înțelegerea trecutului.

Deși modelele liniare au multe avantaje în

implementare și interpretare, ele au limitări
serioase prin faptul că nu pot captura relații
neliniare în date care sunt comune în multe
3. METODOLOGIE
Metodologia sugerată în această lucrare
generează inițial o abordare a modelului
generic, utilizând capabilitățile de
modelare a arborelui de erori. Ulterior,
modelul ANN este aplicat pentru trecerea
modelului generic într-un model specific.
Scopul FTA este de a calcula și identifica
cele mai critice subsisteme/componente
ale sistemului principal de top. Odată ce
elementele cele mai critice ale FTA au
fost achiziționate, parametrii fizici asociați
cu acești itemi sunt utilizați ca intrare în
ANN pentru a efectua o analiză a seriilor
temporale care urmărește prezicerea
valorilor lor viitoare. Figura 1 oferă o
privire de ansamblu asupra abordării
metodologice.
Figura 1: Metodologie
anticipați factorii care contribuie la apariția
acestor evenimente nedorite. În plus, FTA
necesită abilități de analist și poate fi
consumatoare de timp, prin urmare costisitoare.
Următorii pași sunt de obicei executați la construirea
unui arbore de erori [19]:
 Definirea domeniului de aplicare al ALS
 Identificarea evenimentului de top.
 Identificarea evenimentelor de primul nivel.
 Conectarea evenimentelor de primul
nivel cu evenimentul de vârf prin
utilizarea porților.
 Identificarea evenimentelor de nivelul doi.
ALS ANN Extrage predicții

3.1 MODEL FTA

Obțineți cele mai Modelarea serii
Preziceți valorile
O parte foarte importantă a FTA este importante temporaleși analiză
viitoarede serii
elemente ale
definirea sistemului. Baza definiției sistemului navei Analiza cantitativa
temporale pentru
articolele critice ale
sistemului este diagrama arborelui Analiza FTA
defecțiuni care definește toate
interconexiunile și componentele
sistemului. De asemenea, trebuie
identificați parametrii de fiabilitate, iar
definiția sistemului trebuie să identifice
ipoteze importante privind sistemul și
condițiile care indică că componentele
sistemului au defectat. Evenimentul de
vârf ar trebui, de asemenea, definit clar, ca
și cum un eveniment de vârf nu este
definit în mod concis, atunci arborele de
erori poate deveni prea mare și complex,
rezultând o analiză nefocalizată a
sistemului.

Unul dintre avantajele FTA este că este o

metodă orientată spre evenimente. Pe
lângă luarea în considerare a defecțiunilor
hardware, arborii de defecțiuni pot lua în
considerare și evenimentele nedorite care
pot apărea eventual din cauza
defecțiunilor software, a influențelor de
mediu și a erorilor umane în timpul
etapelor de întreținere și de funcționare a
sistemului. Pe de altă parte, unul dintre
cele mai mari dezavantaje ale FTA este că
trebuie prevăzute toate evenimentele care
conduc la evenimentul de vârf și trebuie
  Conectarea evenimentelor de nivelul doi
cu primul nivel prin utilizarea porților.
 Repetarea pașilor de mai sus pentru
toate nivelurile de evenimente
ulterioare.
3.1(a) Seturi de tăiere minimă a arborelui
defecte
componentelor de bază.
Dacă sunt disponibile date precum timpul mediu dintre
defecțiuni, ratele de eșec, probabilitățile, arborele
defecțiunii poate folosi metode de calcul cantitativ și,
de asemenea, măsuri de importanță a fiabilității [4],
cum ar fi Birnbaum, Criticality și Fussell-Vesely pentru
a identifica și calcula cele mai critice elemente.

ALS poate fi realizat într-o manieră calitativă 3.1(b) Porțile arborelui defecte
sau cantitativă, în funcție de tipul de date
disponibile. Dacă nu sunt disponibile date, un Operatorii logici cunoscuți sub numele de porți
arbore de defecte poate fi analizat calitativ determină modul în care sunt generate evenimentele.
utilizând seturi minime de tăiere. Analiza Un eveniment de bază reprezintă cel mai scăzut nivel al
calitativă este utilizată pentru a identifica ce unui arbore de defecte. Porțile sunt folosite pentru a
combinații de evenimente determină reprezenta căile logice de eșec între diferitele niveluri
producerea evenimentului de top. ale arborelui. Porțile pot fi fie statice, fie dinamice. O
poartă statică indică faptul că ordinea intrărilor unei
Un set de tăiere este un set de evenimente de porți nu contează, prin urmare nu sunt dependente de
bază, care, dacă au loc toate, vor avea ca secvență ca în porțile dinamice. Pe de altă parte, în
rezultat apariția evenimentului superior al porțile dinamice, ordinea apariției evenimentelor de
arborelui de erori. Un set minim de tăieturi este intrare este vitală pentru determinarea ieșirii. Dacă
o combinație (intersecție) de evenimente dinamic
primare suficientă pentru evenimentul de top.
Combinația este o combinație „minimă” prin
aceea că toate eșecurile sunt necesare pentru ca
evenimentul de vârf să aibă loc; dacă una dintre
defecțiunile din setul de tăiere nu are loc, atunci
evenimentul de vârf nu va avea loc (prin
această combinație). Pentru a determina seturile
minime de tăiere ale unui arbore de defecte,
arborele este mai întâi tradus în ecuațiile sale
booleene echivalente. Unul dintre scopurile
principale ale reprezentării unui arbore de
defecte în termeni de ecuații booleene este
acela că aceste ecuații pot fi apoi utilizate
pentru a determina seturile de tăieturi minime
asociate.

Expresia setului de tăiere minimă pentru

evenimentul de top poate fi scrisă în forma
generală conform [19]:

T M1 M2... Mk

unde T este evenimentul de top și Mi sunt

seturile de tăiere minime, fiecare dintre ele
constând dintr-o combinație de defecțiuni
specifice ale componentelor. Tăierea minimă
generală n-componentă poate fi exprimată
astfel:

Mi X1 X2...  Xn

unde X1, X2,…, Xn sunt defecțiuni ale

sunt folosite porți, apoi arborele de 3.2(a) Pregătirea și prelucrarea datelor
defecte devine un arbore de defecte
dinamic. Cele mai comune porți statice Înainte ca datele să poată fi analizate în rețeaua
includ porțile AND, SAU și Voting. O neuronală, acestea trebuie procesate corect
poartă AND indică faptul că ieșirea are pentru a realiza o analiză corectă și pentru a
loc dacă și numai dacă au loc toate îmbunătăți eficiența antrenamentului în rețea. O
evenimentele de intrare. Poarta OR este serie temporală este un set secvenţial de puncte
utilizată pentru a specifica faptul că de date, măsurate de obicei pe perioade
ieșirea are loc dacă și numai dacă are succesive. Este definit matematic ca o mulțime
loc cel puțin unul dintre evenimentele de vectori y(t), t = 0 ,1 , 2 ,...,d unde t reprezintă
de intrare. Poarta de vot apare atunci timpul scurs [20]. Variabila y(t) este tratată ca o
când au loc cel puțin m din n variabilă aleatoare. Măsurătorile efectuate în
evenimente de intrare. Porțile arborelui timpul unui eveniment dintr-o serie temporală
de erori dinamice includ, printre altele, sunt aranjate într-o ordine cronologică
Poarta de aplicare a secvenței, Poarta de adecvată. Valorile viitoare ale unei serii de timp
prioritate și, Poarta de rezervă și Poarta y(t) sunt prezise numai din valorile trecute ale
de dependență funcțională. Poarta acelei serii. Această formă de predicție se
Priority AND indică faptul că ieșirea va numește autoregresiv neliniar și poate fi scrisă
avea loc dacă și numai dacă toate ca:
evenimentele de intrare au loc într-o
anumită ordine de la stânga la dreapta. y(t)  f ( y(t 1),..., y(t  d))
Astfel, elementele trebuie să eșueze în
ordine temporală de la stânga la dreapta
pentru a declanșa evenimentul. În mod
similar, Poarta de aplicare a secvenței
forțează evenimentele să apară într-o
anumită ordine de la stânga la dreapta.
Aceasta implică faptul că evenimentul
cel mai din stânga trebuie să aibă loc
mai întâi și că un eveniment conectat la
o astfel de poartă va fi inițiat imediat
după apariția evenimentului său imediat
din stânga.

3.2 ANN ARHITECTURE

Datele trebuie să fie preprocesate

înainte de a le utiliza în rețeaua
neuronală artificială. De asemenea,
arhitectura rețelei neuronale trebuie să
fie stabilită pentru a proiecta o rețea
capabilă să modeleze o problemă de
serie de timp și să prezică cu precizie
valorile viitoare ale acelei serii de timp.
Figura 2 demonstrează implementarea
metodologiei urmată pentru structura
rețelei neuronale.

Figura 2: Metodologia ANN ANN

DeschisBuclă
Odată ce datele au fost procesate, DateColecti DatePrelucr Rezultate predicții
rețeaua neuronală este mai întâi e are
modelată în buclă deschisă și apoi este ANN
convertită în buclă închisă pentru ÎnchisBuclă
predicții cu mai multe pași înainte.
Unde yt este observația la momentul t; și d este Coeficientul de corelație (R) dat de următoarele
dimensiunea vectorului de intrare sau numărul ecuații, respectiv [23]:
de observații trecute utilizate pentru a prezice
2
viitorul; și f este un non-
funcție liniară. Datele sunt pregătite prin P N dij yij
deplasarea timpului cu cantitatea minimă pentru MSE
  j i
a umple stările de intrare și stările stratului 0 0
pentru modurile de feedback în buclă deschisă
și în buclă închisă de rețea. Acest lucru permite NP
ca datele din seria temporală să fie antrenate cu
rețeaua neuronală dinamică. În cele din urmă, Xi xRăudi dRău
datele sunt împărțite în două subseturi în rețea N
R 0,5
în scopuri de instruire și testare.
Setul de antrenament este utilizat pentru
calcularea gradientului și actualizarea 
greutăților și a prejudecărilor rețelei și a datelor
de testare   d d 2 2
este folosit pentru
generalizează a măsura cât de bine se
rețeaua     X x  
per total.  i Rău i 

 N  
3.2(b) Neurale Modelarea  Rău
rețelei N

O rețea neuronală artificială constă din
interconectarea neuronilor. Neuronii sunt de
obicei asamblați în straturi [12]. Fiecare strat
are un număr de elemente simple, de procesare
a neuronilor, numite noduri sau neuroni, care
interacționează între ele folosind conexiuni
ponderate numeric [21]. În general, o rețea
neuronală constă din n straturi de neuroni dintre
care două sunt straturi de intrare și, respectiv,
de ieșire. Primul este primul și singurul strat
care primește și transmite semnale externe, în
timp ce al doilea este ultimul și cel care trimite
rezultatele calculelor. Cele n- 2 interioare se
numesc straturi ascunse care extrag, în relee,
caracteristici sau modele relevante din
semnalele primite.
Interconectivitatea definește topologia ANN
[5]. Topologia rețelei descrie aranjamentul
rețelei neuronale. Modelarea ANN de succes se
bazează pe numărul de neuroni, numărul de
straturi ascunse, valorile ponderilor și
părtinirilor, tipul funcției de activare, structura
rețelei, stilurile de antrenament și algoritmi,
precum și structura datelor. Cu toate acestea,
cea mai bună structură este cea care poate
prezice comportamentul sistemului cât mai
precis posibil. Un pas crucial în construirea
unui model de rețea neuronală este
determinarea numărului de elemente de
procesare și a straturilor ascunse din rețea.
Nodurile ascunse sunt folosite pentru a captura
structurile neliniare într-o serie de timp. Deoarece nu
există o bază teoretică care să ghideze selecția, în
practică numărul de noduri ascunse este adesea ales
prin experimentare sau prin încercare și eroare.
ANN-urile învață relația dintre intrările și ieșirile
sistemului printr-un proces iterativ numit
antrenament [22]. Rețelele neuronale sunt antrenate
pentru datele de intrare și ieșirea este calculată.
Eroarea obținută prin compararea ieșirilor cu un
răspuns dorit este utilizată pentru a modifica
ponderile cu un algoritm de antrenament specific.
Această procedură este efectuată utilizând setul de
date de antrenament până când este îndeplinit un
criteriu de convergență. Rețelele neuronale au diferiți
algoritmi de învățare pentru antrenament. Alegerea
unui anumit algoritm de învățare este influențată de
sarcinile de învățare pe care trebuie să le
îndeplinească o rețea neuronală. Performanța
antrenamentului este evaluată folosind următoarele
măsuri de performanță, și anume suma medie a
erorilor pătratice (MSE) a erorilor pătratice și
unde P = numărul de elemente de RNN-urile pot stoca informații secvențiale sub
procesare a ieșirii; N = numărul de formă de date istorice și pot fi utilizate în
exemplare din setul de date; yij = ieșire de prognoză. De exemplu, într-un RNN, nodurile
rețea pentru exemplarele i la elementul de de intrare sunt luate ca valoare a condiției
procesare j ; și dij = ieșirea dorită pentru curente Xt și valorile condiției anterioare din
exemplarele i la elementul de procesare j. seria temporală (Xt-1, Xt-2, Xt-3,..., Xt-d și
Xn) . Valoarea ieșirii Xt+1 poate oferi o
Pentru predicție este utilizată o rețea predicție cu un pas înainte a unei stări de serie
neuronală dinamică autoregresivă de timp, care este o funcție a
neliniară. Se utilizează o funcție de
transfer tangentă hiperbolică în stratul
ascuns și o funcție de transfer liniar în
stratul de ieșire, capabile să aproximeze
orice funcție cu un număr finit de
discontinuități. Sistemul este mai întâi
modelat ca un sistem în buclă deschisă
pentru a antrena rețeaua cu acuratețe până
în prezent cu toate datele pentru a realiza
predicții corecte; și apoi este transformat
în buclă închisă pentru calcularea
predicțiilor cu mai multe etape înainte. În
timpul antrenamentului, ponderile și
părtinirile rețelei sunt actualizate după ce
toate intrările și valorile țintă au fost
prezentate rețelei. Rețeaua este
autoregresivă deoarece singurele intrări
sunt valorile țintă întârziate. Rețeaua
neuronală este antrenată folosind
algoritmul de retropropagare a
regularizării bayesiane. Termenul de
propagare inversă se referă la procesul
prin care pot fi calculate derivatele erorii
de rețea, în raport cu ponderile și
părtinirile rețelei. Algoritmul de
regularizare bayesian oferă o performanță
de generalizare mai bună și este cel mai
potrivit pentru seturi de date mici în
comparație cu alți algoritmi de
antrenament. Performanța rețelei este
evaluată folosind măsura performanței
MSE și coeficientul de corelație R.

Rețeaua în buclă deschisă este o rețea de

propagare feed-forward back. Apoi,
pentru predicțiile multistep-ahead, rețeaua
în buclă deschisă este convertită într-un
sistem în buclă închisă de rețea neuronală
recurentă (RNN), prin crearea unei
conexiuni de feedback de la ieșire la
intrarea în rețea, făcând astfel rețeaua
dinamică. Primii doi pași de timp ai
intrării sunt utilizați ca stări de întârziere
de intrare pentru a modela sistemul
dinamic.
valoarea curentă Xt și valorile decalate ale
condiției anterioare ( Xt-1, Xt-2, Xt-3, … , Xt-d
și Xn). Valoarea estimată Xt+1 a unei serii de
timp, cu un pas înainte în viitor este dată de
următoarea ecuație:
Xt1  FXt, Xt1, Xt2,, Xtl ,, Xn
Unde, l este decalajul de timp, Xt+1 este
valoarea prezisă, Xt este valoarea sau condiția
curentă și Xt-d este valorile condiției anterioare
întârziate de timpul d. Rețeaua în buclă închisă
este prezentată în Figura 3.
4.1 DEFINIȚIA DE MODELARE A
ARBORELOR DE DEFECT
Ca și în cazul oricărei tehnici de modelare, limitele
unui FTA trebuie definite înainte de construirea
arborelui de defecte. În general, definirea limitelor
analizei implică definirea a ceea ce este în analiză și a
ceea ce este în afara analizei. Figura 4 afișează condiția
la limită pentru motorul principal.

Sisteme
Sisteme
de ulei
de racire
de
lubrifi
ere

Bloc motor &

Figura 3: Rețea neuronală dinamică în buclă
închisă PrincipalMotorCombustibil
Componentele sistemului

4. STUDIU DE CAZ

Metodologia descrisă este aplicată pentru Cilindrubloc

studiul de caz al unei nave portacontainere Sisteme de aerAsamblare
Panamax. Un model Fault Tree este construit
pentru sistemul unui motor diesel marin în doi Figura 4: Starea la limită a motorului principal, inclusiv
timpi cu opt cilindri. Odată ce Arborele de subsistemele
Defecțiuni a fost construit și analizat, sunt
identificate cele mai critice După cum se observă în Figura 4, motorul principal
subsisteme/componente ale sistemului principal este împărțit în șase categorii care includ și anume
de sus. Apoi, parametrii fizici (de exemplu, sistemele de răcire,
temperatura, presiunea) asociați cu elementele
critice ale arborelui de defecțiuni sunt utilizați
ca intrare în ANN pentru a efectua o analiză a
seriei cronologice cu scopul de a prezice
valorile lor viitoare.
sisteme de ulei de lubrifiere, sistem de
combustibil, sisteme de aer, ansamblu Filtru de ulei lubrifiant Răcitor de aer,
bloc de cilindri și bloc motor și conducte
Pompă principală de Răcitor de aer
componente. Sistemul de răcire este ulei de lubrifiere
împărțit în continuare în sistem de Supape ale sistemului Scavenge Air Port
răcire cu apă și sistem central de răcire. de lubrifiere
Răcitor de ulei Receptorul de aer de
Sistemul de răcire cu apă a jachetei lubrifiant evacuare
constă din pompa de răcire cu apă Pompă de răcire JFW colector de aer de
proaspătă a jachetei și răcirea cu apă a evacuare
jachetei și sistemul central de răcire al Jachetă de răcire cu apă Receptor de aer
Sitor pentru piept de Cap cilindru
sitărului cufărului de mare, conductelor mare
de apă de mare și răcitorului central. Conducte de apă de Cilindru de linie
Sistemul de ulei de lubrifiere include mare
filtrul de ulei de lubrifiere, pompa, Răcitor central Coroana pistonului
Sistem de conducte de Inel de piston
supape și răcitorul de ulei de lubrifiere. combustibil
În plus, sistemul de combustibil Filtru de ulei de Cutie de umplere a
seamănă cu sistemul de ulei de combustibil tijei de piston
Pompe de combustibil Biela Piston
lubrifiere cu adăugarea injectoarelor de Supape de combustibil Rulment arbore cu
combustibil. Sistemele de aer sunt came
separate în continuare în sistemul de aer Injector de combustibil Rulment de tracțiune
principal și sistemul de evacuare a Compresor de aer Principalele directii
principal
aerului. În sistemul de asamblare a Distribuitor de aer Arbore cotit
blocului cilindric, sistemul a fost Supape de pornire a Carter
separat în sistemul cilindric care include aerului
chiulasa și căptușeala și ansamblul Filtru de aer Arbore cu came
Suflanta auxiliara Supape de evacuare
pistonului, inclusiv coroana pistonului,
Tabelul 1: Lista componentelor utilizate pentru arborele
inelele, cutia de presa și biela. În cele
de defecțiuni
din urmă, blocul motor și grupul de
componente conține componente ale Pentru fiecare sistem și componentă asociată,
motorului principal, cum ar fi arborele parametrii fizici precum temperatura, presiunea
cotit, carterul, arborele cu came și sunt măsurați pentru a monitoriza starea
diferiți rulmenți. În total, 39 de acestora. Parametrii cheie în observațiile de
evenimente de bază au fost create în performanță includ, printre alții:
arborele de defecțiuni reprezentând
componentele diferitelor subsisteme  Viteza motorului
principale ale motorului, așa cum este  Presiune barometrică
ilustrat în Tabelul 1.  Presiunea de compresie
 Indicele pompei de combustibil
 Temperaturile și presiuni ale gazelor de
eșapament
 Eliminați temperatura și presiunea aerului
 Temperatura aerului și a apei de răcire
înainte și după eliminarea răcitorului de
aer.
Tabelul 2 ilustrează un eșantion de parametri 5. REZULTATE
fizici monitorizați pentru sistemele și
componentele incluse și modelate în analiza Rezultatele sunt afișate mai întâi pentru FTA al
Fault Tree. În total, sunt monitorizați 20 de motorului principal. În cele din urmă, pe baza
parametri fizici asociați cu cele 6 sisteme analizei arborelui defectelor, sunt afișate
utilizate în Arborele de defecțiuni al motorului rezultatele pentru rețeaua neuronală artificială.
principal, așa cum se vede în Figura 5.
5.1 REZULTATE ALS
Măsurarea fizică
Sistem Parametru Temperatur Presiune Este construit un arbore de defecte cu patru
a niveluri pentru motorul principal al navei,
Aer de captare • incluzând 39 de evenimente de bază și 14 porți,
Gazele de la așa cum este descris în Tabelul 1. Analiza
esapament •
Ieșire de calitativă este efectuată pentru a obține seturile
Cilindru temperatură minime de tăiere ale arborelui de defecte, care
Jacheta Fresh oferă o perspectivă asupra punctelor slabe ale
Intrare de • complexului. sisteme. Figura 5, afișează un
răcire cu fragment din arborele principal de defecțiuni ale
apă motorului.
Răcirea
Piston pistonului •
Intrare ulei
lubrifiant
Răcit Priză de apă •
or de de mare
ulei Apa de mare
lubrif Priză •
iant
Împinge Rulment de
re tracțiune •
Ținând Ieșire ulei
lubrifiant
Tabelul 2: Parametrii fizici pentru sistemele
principale ale motoarelor

Pe baza FTA și utilizând Tabelul 2, parametrii

fizici selectați sunt apoi utilizați ca intrare
pentru ANN.

4.2 RETELE NEURONALE ARTIFICIALE

Datele compuse pentru analiza parametrilor

fizici selectați au fost colectate printr-o
campanie de măsurare la bord, așa cum este
prezentată în Raptodimos și colab. [24].
Rețeaua neuronală utilizează un set de date
univariate în serie de timp. Datele monitorizate
la bordul studiului de caz al navei container,
reprezintă 30 de înregistrări continue pe oră ale
parametrilor fizici privind sistemele, cum ar fi
cele prezentate în tabelul 2. ANN-ul construit
constă dintr-un strat ascuns cu 8 noduri
ascunse, așa cum este ilustrat în figură.
3. ANN primește aceste valori ca date de
intrare ca date de serie temporală univariată și
încearcă să prezică valorile viitoare ca ieșire.
 Figura 6: Subsistemul ansamblului blocului cilindri
Figura 5: Diagrama arborelui principal al
defecțiunilor motorului Figura 6 prezintă sistemul de asamblare a
blocului cilindric modelat cu o poartă AND,
Sistemele de răcire sunt modelate folosind o poarta cilindrului SAU și subsistemul piston
poartă AND presupunând că atât răcirea cu apă modelat cu o poartă de vot 2 din 4.
a mantalei, cât și sistemul central de răcire
trebuie să se defecteze. Sistemul de ulei de
lubrifiere a fost modelat utilizând o poartă de
Prioritate-ȘI, presupunând, așa cum se vede în
Figura 5, că filtrul de ulei de lubrifiere trebuie
să apară înainte ca pompa, valele și apoi
răcitorul de ulei de lubrifiere să apară. Prin
utilizarea porților dinamice, arborele de
defecte devine un arbore de defecte dinamice.
Sistemul de combustibil a fost proiectat
folosind o poartă de vot de 3 din 5 sisteme, iar
sistemul de aer a fost modelat ca o poartă SI
presupunând că trebuie să apară atât sistemul
de aer principal, cât și sistemul de evacuare a
aerului. Poarta blocului motor și a
componentelor este compusă dintr-o poartă de
vot, presupunând că trebuie să apară oricare
trei dintre rulmenți, arborele cotit, carterul,
arborele cu came sau supapele de evacuare.
Tabelul 3 afișează primele cinci seturi minime
de tăiere obținute din FTA motor principal.

1 Cap
cilindru
Coroana Inel de piston
pistonului
2 Cap
cilindru
Coroana Cutie de umplere a
pistonului tijei de piston
3 Cilindru
linie
de Coroana Inel de piston
pistonului
4 Carter Arbore
cotit
Arbore cu came

5 Filtru
ulei de
de Pompe de Injector de
combustibi combustibil
combustibil l
Tabelul 3: Top cinci seturi minime de tăiere a
arborelui defecte

Toate seturile de tăieturi minime sunt de

ordinul trei. După cum sa observat, primele
trei seturi de tăiere implică
sisteme/componente care au fost construite în
poarta ansamblului blocului cilindric ilustrată
în Figura 6.
Deoarece seturile minime de tăiere au fost arată în Figura 9.
calculate și implică sisteme și componente din
interiorul cilindrului, pe baza tabelului 2,
parametrii fizici, cum ar fi temperatura gazelor
de eșapament din cilindru, pot fi utilizați ca
intrare în ANN pentru a monitoriza și a
examina în continuare performanța cilindrului.
sistem specific.

5.2 REZULTATE ANN

ANN-ul construit încearcă să prezică

următoarele valori ale temperaturii gazelor de
eșapament din cinci cilindri ca ieșire, pentru
cilindrul 1. Rezultatele obținute din rețea pentru
prezicerea viitoarelor cinci valori în timp sunt
ilustrate în Figura 7.

Figura 7: Graficul de predicție a temperaturii

gazelor de eșapament cilindrului 1

Figura 7 ilustrează graficul valorilor înregistrate

și ale celor prezise în timp. Temperaturile
înregistrate se încadrează în intervalul de la 254
la 283 de grade Celsius. Se observă variații de
temperatură, în special creșterea temperaturii
gazelor de eșapament în unele puncte și sunt
cauzate în principal de creșterea sarcinii
motorului și a combustibilului. Acest lucru se
datorează regulatorului motorului care reglează
turația motorului, deoarece nava navighează și
cu o viteză constantă de 10 noduri. Mai mult,
aceste variații ar putea fi rezultatul stării
specifice a cilindrului.

5.2(a) Validarea ANN

Rezultatele ANN sunt examinate și validate

folosind două abordări. Prima abordare
folosește performanța rețelei în ceea ce privește
graficele de regresie R pentru datele de
antrenament și testare, așa cum se arată în
Figura 8, și autocorelarea erorilor, așa cum se
 linia centrală care arată eroarea pătratică medie,
toate celelalte linii ar trebui să se încadreze în
limitele de încredere, așa cum se arată cu
succes în Figura 9.

Figura 8: Rezultatele regresiei pentru

datele de antrenament și de testare ale
rețelei neuronale

Coeficientul de corelație R, diagrama de

regresie, este o măsură bună a cât de bine
s-a potrivit rețeaua datelor. Graficul de
regresie arată ieșirile reale ale rețelei
reprezentate în termeni de valorile țintă
asociate. Valorile de regresie măsoară
corelația dintre rezultate și obiective. O
valoare a coeficientului de corelație R de
1 implică o potrivire perfectă a
rezultatelor exact egale cu obiectivele.
Figura 8 afișează ieșirile rețelei cu privire
la obiectivele pentru antrenament și seturi
de testare. Regularizarea bayesiană nu
utilizează un set de validare, dar include
acest lucru în setul de antrenament. Datele
de antrenament indică o potrivire bună, ca
și rezultatele testelor care arată valori ale
R mai mari de 84% și, respectiv, 91%.
Pentru toate seturile de date, potrivirea
este foarte bună.

Autocorelarea erorilor este utilizată pentru

a valida performanța rețelei. Funcția de
autocorelare a erorilor definește modul în
care erorile de prognoză sunt
interconectate în timp. Pentru un model de
predicție fără greșeli, ar trebui să existe o
valoare diferită de zero care ar trebui să
apară la zero, ceea ce implică faptul că
erorile de prognoză sunt complet
necorelate între ele. Prin urmare, dacă
rețeaua a fost bine pregătită, în afară de
 bord. Astfel, aceasta va duce la evoluția întreținerii
de la intervale fixe, către aplicații de întreținere
predictivă personalizate, care vor optimiza
întreținerea și planificarea operațiunii și, de
asemenea, vor spori performanța și siguranța. Prin
urmare, este clar că astfel de dezvoltări au potențialul
de a transforma proiectarea, construcția și
exploatarea navelor comerciale.

Figura 9: Autocorelarea erorii

În a doua abordare de validare a rețelei, se

efectuează o analiză de sensibilitate [25].
Valorile prognozate de rețea pentru temperatură
sunt comparate cu valorile reale înregistrate la
bordul navei, așa cum se observă în Tabelul 4,
pentru a valida acuratețea predicției rețelei.

Înregistrat ANN
Previziune e Previziune Eroare
La bord
ore °C °C
+1 263,00 261,66 0,51%
+2 260,00 261,45 0,56%
+3 262,00 261,29 0,27%
+4 262,00 261,14 0,33%
+5 263,00 261,00 0,76%
Tabelul 4: Rezultatele predicției ANN versus
rezultatele reale

După cum se vede din Tabelul 4, diferența de

eroare dintre valori indică faptul că valorile
prezise sunt extrem de apropiate de valorile
reale de temperatură monitorizate înregistrate la
bordul navei, verificând astfel performanța și
acuratețea rețelei instruite.

6. CONCLUZII

Automatizări marine, sisteme electrice și de

propulsie, senzori, robotică, materiale avansate,
analize de date mari, sunt câteva dintre
categoriile care pot descrie conceptul din
spatele navelor inteligente. Întrebarea cât de
multe date, care date și cât de des ar trebui
colectate acestea și cum a crescut, de asemenea;
întrucât, deși companiile adoptă scheme de
întreținere bazate pe condiții, pare să existe o
problemă în procesarea, analizarea și utilizarea
datelor operaționale înregistrate. Navele
inteligente vor permite proprietarilor să ia
decizii operaționale mai rapide, prin analiza
datelor în timp real, oferind informații în timp
real cu privire la starea echipamentelor de la
Această lucrare a propus combinarea unui
model Fault Tree cu ANN pentru a crea un
model generic în ceea ce privește
obținerea celor mai critice sisteme și
componente ale unui motor principal prin
analiză calitativă folosind seturi minime
de tăiere. Un set minim de tăieturi este cel
mai mic set de evenimente de bază care au
ca rezultat apariția evenimentului de vârf.
Setul este minim în sensul că, dacă
vreunul dintre evenimente nu are loc,
atunci evenimentul de vârf nu va avea loc
prin această combinație de evenimente de
bază. Parametrii fizici ai celor mai critice
sisteme și componente identificate din
arborele de defecțiuni sunt utilizați ca
intrare într-o rețea neuronală artificială
pentru analiza și predicția serii de timp.
Datele utilizate pentru rețea reprezintă
temperaturile gazelor de eșapament ale
cilindrului în timp ce vasul a fost în
funcționare tranzitorie. Deoarece nu au
apărut date defecte sau defecțiuni în
timpul măsurării la bord, datele obținute
nu acoperă întreaga gamă de funcționare a
sistemului. Studiul de caz a oferit rezultate
precise pentru prezicerea măsurătorilor
viitoare de temperatură pe baza valorilor
monitorizate anterioare. Datele
monitorizate reprezintă valori continue ale
temperaturii pe oră. Valorile prognozate
ale rețelei pentru temperaturi sunt apoi
comparate cu valorile reale înregistrate la
bordul navei, ceea ce a indicat că rețeaua
este capabilă pentru analiza seriilor
temporale și are capacități bune de
predicție.
performanță de generalizare pentru un set de
date mic. Cu toate acestea, întrebarea cu privire
la cât de multe date sunt suficiente încă există și
modelele ANN sunt încă limitate, deoarece se
bazează pe puține cunoștințe ale legislației
subiacente.
În concluzie, rezultatele predictive obținute pot
fi utilizate într-un cadru de întreținere și
monitorizare a stării pentru a evalua
performanța echipamentului mașinilor navelor
pe baza informațiilor actuale și în timp real și
pot fi utilizate în scopuri și aplicații de
prognostic și diagnostic. În cele din urmă, este
posibil să se extindă capacitățile rețelei
neuronale prin investigarea analizelor
suplimentare în ceea ce privește includerea și
intervalele de temperatură cu diferite sarcini ale
motorului și alți parametri, ceea ce va crește
generalizarea și precizia rețelei.
7. MULȚUMIRI
Lucrarea din această lucrare este finanțată
parțial de proiectul INCASS. INCASS a primit
finanțare pentru cercetare de la cel de-al
șaptelea program-cadru al Uniunii Europene în
baza acordului de grant nr. 605200. Această
publicație reflectă doar opiniile autorului, iar
Uniunea Europeană nu este responsabilă.

O problemă importantă în construirea

modelului ANN este cât de mari ar trebui
să fie dimensiunile eșantionului de
antrenament și/sau de testare. În literatura
de specialitate ANN, dimensiunea mare a
eșantionului pentru antrenament este
adesea sugerată pentru o învățare
suficientă și pentru a ușura efectul de
supraadaptare în formarea unei rețele
neuronale. Cu toate acestea, Kang [26] a
descoperit că modelele de rețele neuronale
nu necesită neapărat seturi mari de date
pentru a funcționa bine, așa cum s-a
demonstrat și în această lucrare, în care
algoritmul de regularizare bayesian a
furnizat capacități suficiente de
pentru orice utilizare care poate fi făcută a mai bune abordări de întreținere în industria
informațiilor conținute aici. maritimă în mediul de luare a deciziilor de grup
atributiv multiplu fuzzy. Journal of Engineering
8. REFERINȚE for the Maritime Environment, 2015: p. 13.
10. Principe, JC, NR Euliano și WC Lefebvre,
1. Dekker, R., Aplicații ale modelelor de Neural and Adaptive Systems: Fundamentals
optimizare a întreținerii: o revizuire și o through Simulations with CD-ROM. 1999: John
analiză. Reliability Engineering & Wiley \& Sons, Inc. 672.
System Safety, 1996. 51(3): p. 229-240. 11. Zhang, G., B. Eddy Patuwo și MY Hu,
2. Garg, A. și SG Deshmukh, Prognoza cu rețele neuronale artificiale: stadiul
Managementul întreținerii: revizuirea tehnicii. International Journal of Forecasting,
literaturii și direcții. Journal of Quality 1998. 14(1): p. 35-62.
in Maintenance Engineering, 2006. 12. Barad, SG, et al., Abordarea rețelei neuronale
12(3): p. 205-238. pentru o performanță combinată și
3. de Faria Jr, H., JGS Costa și JLM monitorizarea sănătății mecanice a unui motor
Olivas, O revizuire a metodelor de cu turbină cu gaz. Sisteme mecanice și
monitorizare pentru întreținerea procesare a semnalelor, 2012. 27: p. 729-
predictivă a transformatoarelor de 742.
energie electrică bazată pe analiza
gazelor dizolvate. Evaluări privind
energia regenerabilă și durabilă, 2015.
46: p. 201-
209.
4. Turan, O., et al., Investigarea fiabilității
și criticității caracteristicilor de
întreținere ale unei nave de sprijin
pentru scufundări. Quality and
Reliability Engineering International,
2011. 27(7): p. 931-
946.
5. Raza, J. și JP Liyanage, Aplicarea
tehnicii inteligente pentru a identifica
anomaliile ascunse într-un sistem: Un
studiu de caz de la pompele de export
de petrol dintr-o instalație de producție
de petrol offshore. Journal of Quality in
Maintenance Engineering, 2009. 15(2):
p. 221-235.
6. IMO, Codul Internațional de
Management al Securității
(ISM)/Orientări privind implementarea
Codului ISM. 1997: Londra.
7. Lazakis, I., O. Turan și S. Aksu,
Creșterea fiabilității operaționale a
navei prin implementarea unei strategii
holistice de management al întreținerii.
Ships and Offshore Structures, 2010.
5(4): p. 337-357.
8. Sharma, A., GS Yadava și SG
Deshmukh, O revizuire a literaturii și
perspective viitoare asupra optimizării
întreținerii. Journal of Quality in
Maintenance Engineering, 2011. 17(1):
p. 5-25.
9. Lazakis, I. și AI Olcer, Selecția celei
13. Nasr, MS, et al., Aplicarea Starea actuală a prognozei mașinii în
rețelei neuronale artificiale întreținerea bazată pe condiție: o
(ANN) pentru predicția revizuire. The International Journal of
performanței stației de tratare a Advanced Manufacturing Technology,
apelor uzate EL-AGAMY - 2010. 50(1): p. 297-313.
EGIPTUL. Alexandria 22. Asgari, H., X. Chen și R. Sainudiin,
Engineering Journal, 2012. Aplicații ale rețelelor neuronale
51(1): p. 37-43. artificiale (ANN) la echipamentele
14. Tang, Z. și PA Fishwick, rotative. 2011.
Feedforward Neural Nets as 23. Oladokin, VO, OE Charles-Owaba și
Models for Time Series CS Nwaouzru, O aplicație a rețelei
Forecasting. ORSA Journal on neuronale artificiale pentru
Computing, 1993. 5(4): p. 374- managementul întreținerii. Journal of
385. Industrial Engineering International,
15. Zhang, GP, BE Patuwo și MY 2006. 2(3):
Hu, Un studiu de simulare al p. 19-26.
rețelelor neuronale artificiale 24. Raptodimos, Y., și colab. Colectarea și
pentru prognoza neliniară a analiza datelor senzorilor de nave pentru
seriilor de timp. Calculator. monitorizarea stării structurilor navei și
Oper. Res., 2001. 28(4): p. 381- a sistemelor de mașini. în Conferința
396. Smart Ships 2016. 2016. Londra: Royal
16. Tan, WL, et al., Parametri Institution of Naval Architects.
optimi pentru detectarea 25. Baio, G. și AP Dawid, Analiza
defecțiunilor și a sistemului de probabilistică a sensibilității în
diagnosticare a reacției în lot economia sănătății. Metode statistice în
folosind mai multe rețele cercetarea medicală, 2015. 24(6): p.
neuronale. Journal of Loss 615-634.
Prevention in the Process 26. Kang, SY, O investigație a utilizării
Industries, 2012. 25(1): rețelelor neuronale feedforward pentru
p. 138-141. prognoză. 1992, Universitatea de Stat
17. Tamilselvan, P. și P. Wang, Kent.
Diagnosticul eșecului utilizând
clasificarea stării de sănătate
bazată pe învățarea prin credință
profundă. Reliability
Engineering & System Safety,
2013. 115: p. 124-135.
18. Tian, Z., L. Wong și N. Safaei,
O abordare a rețelei neuronale
pentru predicția vieții utile
rămase utilizând atât istoriile de
eșec, cât și istoriile de
suspendare. Mechanical
Systems and Signal Processing,
2010. 24(5): p. 1542-1555.
19. Stamatelatos, M. și W. Vesely,
Fault Tree Handbook with
Aerospace Applications, NASA,
Editor. 2002: Washington, DC.
20. Hipel, KW și AI McLeod,
Modelarea în serie de timp a
resurselor de apă și a sistemelor
de mediu. Vol. 45. 1994:
Elsevier.
21. Peng, Y., M. Dong și MJ Zuo,
9. BIOGRAFIA AUTORILOR Dr. Iraklis Lazakiseste lector superior în
cadrul Departamentului de NAOME de la
Domnul Yiannis Raptodimos este cercetător
Universitatea din Strathclyde. Are 10 ani de
doctor la Universitatea Strathclyde, Glasgow,
experiență industrială în ceea ce privește
Marea Britanie. Cercetările sale investighează
operațiunile de nave care implică întreținere și
dezvoltarea instrumentelor și strategiilor
reparații și sondaje. El și-a dezvoltat expertiza
inteligente de întreținere a navelor. De
în ceea ce privește fiabilitatea și întreținerea
asemenea, face parte din proiectul INCASS
bazată pe criticitate pentru a îmbunătăți
finanțat de UE-FP7. Și-a absolvit masteratul în
siguranța și operațiunile navei. În prezent,
Arhitectură navală și inginerie marină în 2014,
conduce proiectul INCASS FP7 și, de
de asemenea, la Universitatea din Strathclyde.
asemenea, a participat și a contribuit la proiecte
Experiența sa anterioară include experiență
legate de cercetare finanțate din industrie,
industrială în ceea ce privește docurile uscate și
Marea Britanie și UE în domeniile întreținerii,
inspecțiile de mașini pentru vrachiere.
inspecției, monitorizării stării, analizei datelor,
sistemelor de sprijinire a deciziilor, fiabilității și
analizei de risc.