بررسی جامع رویکردهای نگهداری و تعمیرات پیش بینانه مبتنی بر هوش مصنوعی در شناورهای دریایی

با رشد روزافزون صنعت کشتیرانی و نقش کلیدی آن در زنجیره تامین جهانی، اهمیت بهبود روش های نگهداری و تعمیرات در افزایش ایمنی، کاهش هزینه ها و ارتقای بهره وری عملیاتی شناورها بیش از پیش احساس می شود. پژوهش حاضر به بررسی جامع راهبردهای نگهداری و تعمیرات پیش بینانه (PdM) مبتنی بر داده در صنعت دریایی می پردازد و مروری بر جدیدترین تکنیک های مورد استفاده در سامانه های مختلف کشتی، شامل پیشرانه، الکتریکی، کمکی و بدنه ارائه می دهد. برخلاف روش های سنتی مانند نگهداری واکنشی و پیشگیرانه، نگهداری و تعمیرات پیش بینانه (PdM) با بهره گیری از الگوریتم های یادگیری ماشین (ML) و یادگیری عمیق (DL) قادر است زمان خرابی را پیش بینی کرده و برنامه ریزی نگهداری را بهینه سازد. این مقاله به بررسی مدل های مختلف، از رگرسیون خطی تا شبکه های عصبی پیچشی و حافظه دار (مانند شبکه های حافظه کوتاه مدت بلندمدت (LSTM) و شبکه های عصبی پیچشی (CNNs)) می پردازد و چالش های عملیاتی آن ها از جمله نیاز به داده های برچسب خورده، پیچیدگی محاسباتی، و مشکلات مقیاس پذیری را تحلیل می کند. همچنین، از رویکردهای نوین مانند یادگیری فدرال (FL) و یادگیری انتقالی (TL) به عنوان راهکارهای نویدبخش برای حفظ حریم خصوصی، امنیت داده و کاهش نیاز به منابع متمرکز نام برده می شود. در نهایت، با اشاره به خلاهای موجود در استانداردسازی، داده های ناکافی و شفافیت تصمیم گیری مدل، مسیرهای آینده پژوهش و توسعه سامانه های نگهداری و تعمیرات پیش بینانه (PdM) قابل اعتماد و تطبیق پذیر برای صنعت دریایی ترسیم می گردد.

کلیدواژه ها:

نگهداری و تعمیرات پیش بینانه ، یادگیری ماشین ، هوش مصنوعی ، عمر مفید باقی مانده ، پیش بینی خرابی