МЕТОД ОПЕРАТИВНОЇ ДІАГНОСТИКИ СТАНУ ГОЛОВНОГО СУДНОВОГО ДВИГУНА
10.33815/2313-4763.2023.1–2.26–27.133–143
Анотація
Стаття присвячена вирішенню проблеми підвищення якості оперативної діагностики головного суднового двигуна в режимі реального часу. Сучасні системи технічної діагностики повинні виконувати швидку та якісну ідентифікацію наростаючих несправностей для найбільш ефективного використання результатів моніторингу при вирішенні експлуатаційних завдань з видачею рекомендацій, що дозволить розширити компетентність технічного персоналу у процесі прийняття рішень. Тому актуальною задачею є розробка математичних моделей часових рядів виміряних значень контрольованих параметрів, які дозволять вдосконалити процедуру оперативної діагностики завдяки виявленню ймовірності відмови вузлів суднового двигуна раніше області найбільш інтенсивного зносу або руйнування. З метою покращення існуючих методів технічної діагностики технологічного обладнання розроблено ефективні алгоритми оперативного діагностування, що реалізовані у програмних модулях і в повній мірі враховують технічні та економічні вимоги, стохастичний характер зовнішніх впливів. При побудові алгоритмів оперативної діагностики враховано специфіку процесів, що відбуваються в головному судновому двигуні, використано сучасні прийоми і методи математичного моделювання та теорії інформації. На базі значень, отриманих у результаті вимірювань контрольованих параметрів головного суднового двигуна були обрані авторегресійні моделі ковзного середнього, які максимально точно описують отримані часові ряди. Параметри моделей авторегресії були ідентифіковані за допомогою методу найменших квадратів. Запропоновано метод оперативної діагностики, що заснований на визначенні спектральної ентропії і процедурі логіко-часової обробки. На основі розроблених математичних моделей і запропонованого методу діагностики розроблено автоматизовану систему оперативної діагностики стану головного суднового двигуна, яка дозволяє здійснювати своєчасне виявлення критичних режимів роботи технологічного обладнання в режимі реального часу.
Посилання
2. Charchalis, A. (2011). Diagnostics of vessel power plants. Journal of KONES, 2011, 18(2), 41–47.
3. Christian Velasco-Gallego, Iraklis Lazakis (2022). RADIS: A real-time anomaly detection intelligent system for fault diagnosis of marine machinery. Expert Systems with Applications, Volume 204, 2022, https://doi.org/10.1016/j.eswa.2022.117634.
4. Daya, A. A., & Lazakis, I. (2022, April). A semi automated model for improving naval vessel system reliability and maintenance data management. In RINA Autonomous Ships conference 2022 (pp. 1–12).
5. Engine monitoring systems – Kongsberg Maritime. https://u.to/fpgJIA.
6. MAN Energy Solutions SaCoS 5000 engine control system. https://u.to/S5oJIA.
7. Engine Control System Refit – Praxis Automation Technology. https://u.to/S88JIA.
8. Products and solutions for marine applications – Wärtsilä. https://www.wartsila.com/.
9. Makridakis, S., Spiliotis, E., Assimakopoulos, V. (2018). Statistical and Machine Learning forecasting methods: Concerns and ways forward. PLoS ONE, 13(3). https://doi.org/10.1371/journal.pone.0194889.
10. Kondratieva, I. U., Rudakova, H. V. and Polyvoda, O. V., (2018). "Using Acoustic Methods for Monitoring the Operating Modes of the Electric Drive in Mobile Objects," 2018 IEEE 5th International Conference on Methods and Systems of Navigation and Motion Control (MSNMC), Kiev, Ukraine, 2018, pp. 218–221. https://doi.org/10.1109/MSNMC.2018.8576296.
11. Polyvoda O., Rudakova H., Kondratieva I., Rozov Y., Lebedenko Y. (2019). Digital Acoustic Signal Processing Methods for Diagnosing Electromechanical Systems. In: Lecture Notes in Computational Intelligence and Decision Making. ISDMCI 2019. Advances in Intelligent Systems and Computing, vol 1020. Springer, Cham, pp 97–109. https://doi.org/10.1007/978-3-030-26474-1_7.
12. Kondratieva, I. U., Rudakova, H. V., Polyvoda, O. V., Lebedenko, Yu. O., Polyvoda, V. V. (2019). Using entropy estimation to detect moving objects. 2019 IEEE 5th International Conference Actual Problems of Unmanned Aerial Vehicles Development, October 22–24, 2019, Kyiv, Ukraine Proceedings, P. 270–273. https://doi.org/10.1109/APUAVD47061. 2019.8943839.
13. Rudakova, H., Polyvoda, O., Kondratieva, I., Polyvoda, V., Rudakova, A., Rozov, Y. (2022). Research of Acoustic Signals Digital Processing Methods Application Efficiency for the Electromechanical System Functional Diagnostics. In: Lecture Notes in Computational Intelligence and Decision Making. ISDMCI 2021. Lecture Notes on Data Engineering and Communications Technologies, vol 77. pp 349-366. Springer, Cham. https://doi.org/10.1007/978-3-030-82014-5_23.
14. Lenard, B., Pershey, E., Nault, Z., Rasin, A. (2023). An Approach for Efficient Processing of Machine Operational Data. In: Database and Expert Systems Applications. DEXA 2023. Lecture Notes in Computer Science, vol 14146. Springer, Cham. https://doi.org/10.1007/978-3-031-39847-6_9.
15. Pająk, M., Kluczyk, M., Muślewski, Ł., Lisjak, D., Kolar, D. (2023). Ship Diesel Engine Fault Diagnosis Using Data Science and SVM Classifier. In: Advances in Technical Diagnostics II. ICTD 2022. Applied Condition Monitoring, vol 21. Springer, Cham. https://doi.org/10.1007/978-3-031-31719-4_1.
