МОДЕЛЮВАННЯ ІНТЕЛЕКТУАЛЬНОГО ПРОГРАМНОГО ЗАБЕЗПЕЧЕННЯ ДЛЯ ДІАГНОСТИКИ ТА МОНІТОРИНГУ КОМПОНЕНТІВ СУДНОВОЇ ЕЛЕКТРОННОЇ УСТАНОВКИ ЗА ДОПОМОГОЮ ЛАНЦЮГІВ МАРКОВА
DOI:
https://doi.org/10.18372/2310-5461.59.17946Ключові слова:
ланцюги Маркова, суднові енергетичні установки, діагностика, моніторинг, моделюванняАнотація
Надійність і експлуатаційна придатність металоконструкцій залежить від якості контролю за технічним станом і механічними властивостями матеріалів відповідно до міжнародних стандартів. Проте в процесі експлуатації виникають відхилення від нормативних значень властивостей матеріалів через невизначений характер і величину навантажень, що зумовлює необхідність періодичних відключень обладнання з метою діагностики. Безперебійна робота елементів енергетичного обладнання морських суден залежить від якості контролю їх технічного стану фізичними методами діагностики. Найбільш ефективним методом зниження експлуатаційних витрат і підвищення надійності обладнання є проведення технічного обслуговування на основі інтерактивного моніторингу його стану, виявлення несправностей і прогнозування параметрів енергетичного обладнання. Це робить особливо актуальними завдання контролю, діагностики та прогнозування параметрів енергетичного обладнання. У той же час використання різних методів діагностики не дозволяє врахувати всіх особливостей реальних умов експлуатації. Особливо гостро ця проблема постає в умовах різних екстремальних ситуацій та пікових навантажень, які врахувати неможливо. Перспективним напрямом досліджень є імовірнісні методи, зокрема ланцюги Маркова.
Представлена система інтелектуальної діагностики та моніторингу турбокомпресорів суднової енергетичної установки з використанням ланцюгів Маркова. Новизна розробленої методики полягає в заміні дискретних інтервалів часу діагностичного процесу послідовністю станів технічних об'єктів. У цьому формулюванні ланцюги Маркова являють собою синтетичну властивість, яка акумулює різноманітні фактори. Рандомізація процесів стохастичної діагностики та моніторингу компонентів суднової енергетичної установки дозволяє підвищити надійність обладнання у важких умовах експлуатації. Наведено результати розрахунків оцифровки експериментальних даних, розрахунків матриць переходів і побудови орграфа, що дозволяє досліджувати кінетику накопичення ушкоджень в реальному часі.
Посилання
и1. T. V. Kozulya, N. V. Sharonova, M. M. Kozulya, & Y. V. Svyatkin, Knowledge-oriented database formation for determination of complex method for quality identification of compound systems. Eastern-European Journal of Enterprise Technologies, 1(2)(79), (2016), pp. 13–21. doi:10.15587/1729-4061.2016.60590.
N. Khairova & N. Sharonova, Building of the logic network of the information area of the corporation, East-West Design & Test Symposium, St. Petersburg, Russia, (2010), pp. 371 - 373. doi:10.1109/EWDTS.2010.5742044.
M. Sharko, O. Liubchuk, G. Krapivina, N. Petrushenko, O. Gonchar, K. Vorobyova and N. Vasylenko. Information Technology to Assess the Enterprises' Readiness for Innovative Transformations Using Markov Chains. Lecture Notes on Data Engineering and Communications Technologies, 149, (2023), pp. 197–213 doi: 10.1007/978-3-031-16203-9
M. Sharko, N. Petrushenko, O. Gonchar, N. Vasylenko, K. Vorobyova, I. Zakryzhevska. Information Support of Intelligent Decision Support Systems for Managing Complex Organizational and Technical Objects Based on Markov Chains CEUR Workshop Proceedings, 3171, (2022), рр. 986-998. URL: https://ceur-ws.org/Vol-3171/paper71.pdf
M. Momenzadeh, M. Sehhati, H. Rabbani, A novel feature selection method for microarray data classification based on hidden Markov model. Journal of Biomedical Informatics, 95(2019), art. no. 103213.
T. Pesch, S. Schröders, H.J. Allelein, J.F. Hake, A new Markov-chain-related statistical approach for modelling synthetic wind power time series. New Journal of Physics, 17(2015), art. no. 055001.
R. Ludwig, B. Pouymayou, P. Balermpas. et al., A hidden Markov model for lymphatic tumor progression in the head and neck. Sci Rep 11, 12261, (2021). doi:10.1038/s41598-021-91544-1.
K.K. Wu, Y. Yam, H. Meng, M. Mesbahi, Parallel probabilistic swarm guidance by exploiting Kronecker product structures in discrete-time Markov chains. In: Proceedings of the American Control Conference, art. no. 7962977, (2017) pp. 346-351.
M. Ficco, Detecting IoT malware by Markov chain behavioral models. In: Proceedings - 2019 IEEE International Conference on Cloud Engineering, IC2E 2019, art. no. 8790169, pp. 229-234.
J. Liu, S. Feng, Intelligent forecasting model for hydrological and water resources system. Proceedings - 2019 11th International Conference on Measuring Technology and Mechatronics Automation, ICMTMA 2019, 8858710, (2019) pp. 657-661.
Z. Hu, R.C. Smith, N. Burch, M. Hays, W.S. Oates Homogenized energy model and Markov chain Monte Carlo simulations for macro fiber composites operating in broadband regimes ASME 2012 Conference on Smart Materials, Adaptive Structures and Intelligent Systems, SMASIS 2012, 1, (2012) pp. 321-327.
B. Pedretscher, B. Kaltenbacher, O. Pfeiler Parameter identification and uncertainty quantification in stochastic state space models and its application to texture analysis. Applied Numerical Mathematics, 146, (2019) pp. 38-54
L. Mudrik, Y. Oshman, Stochastic Interception Using Particle Filtering and Smoothing, and A Time-Varying Delayed-Information Game (2022) IACAS 2022 - 61st Israel Annual Conference on Aerospace Science.
B. Ozdemir, M. Kumral Stochastic Assessment of the Material Haulage Efficiency in the Earthmoving Industry (2017) Journal of Construction Engineering and Management, 143 (8)
Z. Wang, P. Jochem, W. Fichtner A Scenario-based stochastic optimization model for charging scheduling of electric vehicles under uncertainties of vehicle availability and charging demand. Journal of Cleaner Production, 254 (2020)
M. Sharko, N. Gusarina, N. Petrushenko. Information-entropy model of making management decisions in the economic development of the enterprises. Advances in Intelligent Systems and Computing, (2019) pp. 304-314.
M. Zhu, H. Zhu, X. Wang, J.W. Ju, W. Wu, Quantitative Analysis of Seasonal Uncertainty of Metro Tunnel's Long-Term Longitudinal Settlement via Hierarchy Bayesian Network (2020) Springer Series in Geomechanics and Geoengineering, pp. 279-291
M.A. Hasani, M. Regan, Understanding Risk and Uncertainty Management Practice in Complex Projects, European Scientific Institute, edition Vol.4, No.4, December 2017, pp. 24-38. doi:10.19044/elp.v4no4a3.
M. Sharko, O. Gonchar, M. Tkach, A. Polishchuk, N. Vasylenko, M. Mosin & N. Petrushenko, Intellectual Information Technologies of the Resources Management in Conditions of Unstable External Environment, International Scientific Conference "Intellectual Systems of Decision Making and Problem of Computational Intelligence", 2021, pp. 519-533. doi:10.1007/978-3-030-82014-5_35.
S. Zinchenko, O. Tovstokoryi, P. Nosov, I. Popovych & K. Kyrychenko (2022): Pivot Point position determination and its use for manoeuvring a vessel, Ships and Offshore Structures, DOI: 10.1080/17445302.2022.2052480
I. Popovych, O. Blynova, J. Luis Nass Álvarez, P. Nosov, S. Zinchenko. A historical dimension of the research on social expectations of an individual. Revista Notas Históricas y Geográficas, Número 27 Julio-Diciembre 2021. P. 190-217
S. Zinchenko, V. Moiseienko, O. Tovstokoryi, P. Nosov, I. Popovych. Automatic Beam Aiming of the Laser Optical Reference System at the Center of Reflector to Improve the Accuracy and Reliability of Dynamic Positioning. In: Hu Z., Petoukhov S., Dychka I., He M. (eds) Advances in Computer Science for Engineering and Education IV. ICCSEEA 2021. Lecture Notes on Data Engineering and Communications Technologies, Springer, Cham., Vol 83. (2021) P. 3-14, DOI: 10.1007/978-3-030-80472-5_1
B.C.A. Narciso, M. Kurihari History matching and quantification of uncertainty of production forecasts using hamiltonian monte carlo algorithm. In: 23rd Formation Evaluation Symposium of Japan 2017
B. Salah, Z. Slimane, M. Zoheir, B. Jurgen, Uncertainty estimation of mechanical testing properties using sensitivity analysis and stochastic modelling. Measurement: Journal of the International Measurement Confederation, 62, (2015) pp. 149-154
E.S. Park, L.R. Rilett, C.H. Spiegelman A Markov Chain Monte Carlo-based origin destination matrix estimator that is robust to imperfect intelligent transportation systems data (2008) Journal of Intelligent Transportation Systems: Technology, Planning, and Operations, 12 (3), (2008), pp. 139-155
M.G. Vayá, G. Andersson Smart charging of plug-in electric vehicles under driving behavior uncertainty. Reliability Modeling and Analysis of Smart Power Systems, (2014) pp. 85-99
L. Dong, D. Neufeld and C. Higgins, Top Management Support of Enterprise Systems Implementations, Journal of Information Technology, 24(1), (2009), pp. 55-80. doi:10.1057/jit.2008.21.
H.G. Gómez, M.D.A. Serna, R.F.O. Badenes, Evolution and trends of information systems for business management: the m-business. A review, DYNA, Vol. 77, (2010), pp. 181-193.
P. Bidyuk, Y. Matsuki, A. Gozhyj, V. Beglytsia, I. Kalinina Features of application of monte carlo method with Markov chain algorithms in bayesian data analysis. Advances in Intelligent Systems and Computing, 1080 AISC, (2020), pp. 361-376.
M. Ficco, Detecting IoT malware by Markov chain behavioral models. Proceedings - 2019 IEEE International Conference on Cloud Engineering, IC2E 2019, art. no. 8790169, (2019) pp. 229-234.
M. Momenzadeh, M. Sehhati, H. Rabbani, A novel feature selection method for microarray data classification based on hidden Markov model. Journal of Biomedical Informatics, 95(2019), art. no. 103213.
