ПОТРЕБА У ВЕЛИКИХ І ЯКІСНИХ ОБСЯГАХ ДАНИХ ДЛЯ НАВЧАННЯ ШТУЧНОГО ІНТЕЛЕКТУ: ОГЛЯД SCADA ЯК ГОЛОВНЕ ДЖЕРЕЛО ДАНИХ ДЛЯ ПРОГНОЗУВАННЯ ТЕХНІЧНОГО ОГЛЯДУ СУДНА
DOI:
https://doi.org/10.32782/mathematical-modelling/2025-8-1-19Ключові слова:
штучний інтелект, машинне навчання, суднові SCADA-системи, прогнозне технічне обслуговування, аналіз даних, морська галузь, електроустаткування суденАнотація
У статті досліджено роль і важливість великих і якісних обсягів даних для ефективного застосування штучного інтелекту в морській галузі, особливо для прогнозування технічного стану суднового електроустаткування. Акцент зроблено на аналізі систем керування та збору даних (SCADA), які є основним джерелом інформації для навчання алгоритмів штучного інтелекту. Відзначається, що використання штучного інтелекту стає дедалі важливішим для покращення операційної ефективності, екологічної стійкості та безпеки в судноплавстві. Розглядаються ключові виклики, пов’язані з необхідністю збору й обробки великих обсягів даних у реальному часі, включаючи проблему імбалансу даних, коли приклади відмов обладнання трапляються значно рідше, ніж приклади його нормальної роботи. Особлива увага приділяється питанням інтеграції алгоритмів машинного навчання з наявними SCADA-системами, проблемам стандартизації даних та їхньої якості. Наводяться приклади успішного практичного застосування прогнозного технічного обслуговування із застосуванням алгоритмів штучного інтелекту, що демонструють можливості зниження операційних витрат і ризиків виникнення непередбачених поломок на суднах. Висвітлюються фінансові аспекти, які підкреслюють значні економічні вигоди від упровадження сучасних систем прогнозного технічного обслуговування. Аналізуються також конкретні випадки застосування алгоритмів штучного інтелекту для прогнозування поломок і виявлення аномалій на судновому обладнанні, що дозволяє суттєво підвищити надійність і безпеку суден. Окремо розглядаються аспекти кібербезпеки, необхідні для захисту даних, що використовуються у процесі навчання і експлуатації алгоритмів. Також окреслюються перспективні напрями подальших досліджень, зокрема й розроблення нових алгоритмів, адаптація наявних методів аналізу даних до специфіки морських умов і систематичний підхід до гарантування кібербезпеки суднових інформаційних систем. Висновки підкреслюють необхідність вирішення цих ключових завдань для ефективного та сталого розвитку сучасного морського судноплавства.
Посилання
Pereira M.T., Rocha N., Silva F.G., Moreira M.Â.L., Altinkaya Y.O., & Pereira M.J. Process Optimization in Sea Ports: Integrating Sustainability and Efficiency Through a Novel Mathematical Model. Journal of Marine Science and Engineering. 2025. № 13 (1). P. 119.
Using Optimization in the container shipping industry. Sia Partners Insights. URL: https://www.sia-partners.com/en/insights/publications/using-optimization-container-shipping-industry (date of access: 29.03.2025).
CMA CGM Group announces $20 billion investment in the Americas for maritime transportation and logistics. CMA CGM Group. URL: https://www.cmacgm-group.com/en/news-media/cma-cgm-group-announces-20-billion-investment-americas-maritime-transportation-logistics (date of access: 29.03.2025).
Durlik I., Miller T., Kostecka E., & Tuński T. Artificial Intelligence in Maritime Transportation: A Comprehensive Review of Safety and Risk Management Applications. Applied Sciences. 2024. № 14 (18). P. 8420.
The importance of high-quality training data for building machine learning and deep learning models. ADATA.PRO. URL: https://adata.pro/blog/the-importance-of-high-quality-training- data-for-building-machine-learning-and-deep-learning-models/ (date of access: 29.03.2025).
The true cost of ship downtime: data-driven insights for shipowners. Ship Universe. URL: https://www.shipuniverse.com/the-true-cost-of-ship-downtime-data-driven-insights-for-shipowners/ (date of access: 29.03.2025).
Basurko O., Uriondo Z. Condition-Based Maintenance for medium speed diesel engines used in vessels in operation. Applied Thermal Engineering. 2015. № 80. P. 404–412.
Macdonald F. The Use of AI in Condition-Based Maintenance and Autonomous Navigation. Thetius. URL: https://thetius.com/the-use-of-ai-in-condition-based-maintenance-and- autonomous-navigation/ (date of access: 29.03.2025).
AI-based condition monitoring system for the ship engines of a Shipbuilding company. Infosys. URL: from https://www.infosys.com/services/engineering-services/service-offerings/internet- of-things/case-studies/shipbuilding-company.html (date of access: 29.03.2025).
Taha M. Integrating Artificial Intelligence with SCADA Systems: Enhancing Operational Efficiency, Predictive Maintenance, and Environmental Sustainability. ResearchGate Technical Report. 2024. URL: https://www.researchgate.net/publication/382537416_Title_Integrating_Artificial_Intelligence_with_SCADA_Systems_Enhancing_Operational_Efficiency_Predictive_Maintenance_and_Environmental_Sustainability.
Suryadarma E.H.E., & Ai T.J. Predictive Maintenance in SCADA-Based Industries: A literature review. International Journal of Industrial Engineering and Engineering Management. 2020. № 2 (1). P. 57–70.
Anish W. What is marine electricity and how it is generated? Marine Insight. URL: https://www. marineinsight.com/marine-electrical/what-is-marine-electricity/ (date of access: 29.03.2025).
Knutsen K.E., Manno G., Vartdal B. Beyond condition monitoring in the maritime industry. Strategic research and innovation. 2014. URL: https://www.researchgate.net/publication/263583976_Beyond_condition_monitoring_in_the_maritime_industry.
Predictive maintenance and the smart factory. Deloitte. URL: https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-cons-predictive-maintenance.pdf (date of access: 29.03.2025).
Ajaykumar P. Ship hull inspection services market to reach new heights by 2032. Vocal Media. URL: https://vocal.media/journal/ship-hull-inspection-services-market-to-reach-new-heights-by-2032 (date of access: 29.03.2025).
