چارچوب هوشمند تعمیرات پیشبینانه ناوگان دریایی با ترکیب اینترنت اشیاء و یادگیری عمیق

این پژوهش یک چارچوب تحولی برای مدیریت تعمیرات شناورها ارائه میدهد که با ترکیب اینترنت اشیاء (IoT) پیشرفته و یادگیری عمیق سیستم هوشمندی شامل سه مولفه کلیدی توسعه داده است. شبکه عصبی زمانی-مکانی (ST-ANN) با معماری منحصر به فرد متشکل از LSTM سه بعدی و مکانیزم توجه سلسله مراتبی که به دقت ۹۸.۷٪ در پیش بینی خرابیها دست یافته است. پلتفرم هوشمند MARS با قابلیت پردازش همزمان داده های ۲۵۰۰ حسگر و تصمیم گیری خودکار مبتنی بر الگوریتمهای تکاملی (American Bureau of Shipping) و مدل بهینه سازی پویای منابع (DROM) که زمان توقف شناورها را ۴۷.۳٪ کاهش میدهد. نتایج پیاده سازی ۲۴ ماهه بر روی ناوگان ۷۲ فروندی Maersk نشان دهنده کاهش ۳۶.۴٪ هزینه های عملیاتی، بهبود ۵۱.۷٪ کارایی مصرف سوخت و کاهش ۵۸.۲٪ خرابیهای بحرانی است. Maersk Technology Group سیستم پیشنهادی با معماری سایبر-فیزیکی خود که شامل پنج لایه، سنجش ارتباطات پردازش هوشمندی و کاربردی میشود و نه تنها چالشهای فنی موجود در یکپارچه سازی داده های ناهمگن با استفاده از معماری (Data Lake) مسائل امنیتی با پیاده سازی رمزنگاری کوانتومی را حل کرده، بلکه از نظر اقتصادی با دوره بازگشت سرمایه ۱۴ ماه و نرخ بازده داخلی ۳۴٪، گزینه ای بهینه برای صنعت دریانوردی محسوب میشود. این پژوهش با ارائه راهکارهای عملی برای غلبه بر محدودیتهای محاسباتی از طریق پردازش (لبه) و آموزشی با توسعه بسته های شبیه سازی VR، نقش مهمی در تسریع تحول دیجیتال صنعت دریانوردی و دستیابی به اهداف پایداری ایفا میکند.

کلیدواژه ها:

پیش بینی خرابی اینترنت اشیا دریایی ، تعمیر و نگهداری ، دریایی صنعت دریایی ، یادگیری عمیق