CC BY
0УДК 004
Федотов И.С.
магистрант 1 курса Северный (Арктический) федеральный университет (г. Архангельск, Россия)
СИСТЕМА АНАЛИЗА КОРПУСА МОРСКОГО СУДНА И ЕЕ ИНТЕГРАЦИЯ В СУЩЕСТВУЮЩИЕ ПРОЦЕССЫ
Аннотация: в данной статье описывается автоматизированная система диагностики корпусов судов, использующая нейросетевые модели для повышения точности и эффективности контроля качества, что особенно актуально для судоремонтных и судостроительных организаций, а также государственных структур.
Ключевые слова: автоматизированная диагностика, судоремонт, судостроение, нейросетевые модели, компьютерное зрение, прогностические модели, морские перевозки.
Система представляет собой удобное и легкое в использовании решение для автоматизации диагностики корпусов суден, которое позволяет судоремонтным организациям сократить временные и финансовые затраты. Она будет интегрирована в уже существующие процессы компании и установлена на имеющиеся устройства. Программное обеспечение будет функционировать на основе лицензирования, что даст возможность организации использовать его в рамках приобретенной лицензии.
Процессы традиционного контроля качества корпуса судна имеют существующие ограничения:
1. низкая точность при визуальном осмотре,
2. зависимость от человеческого фактора,
3. высокая стоимость и длительное время проведения проверок.
Разрабатываемое нами ПО решает перечисленные проблемы путем использования нейросетевых моделей заранее обученных на тысячах снимков из тренировочной выборки для автоматической детекции и прогнозирования дефектов и обработки данных с камер и датчиков по периметру корпуса.
Анализ потенциальных потребительских сегментов является ключевым этапом в разработке и внедрении автоматизированной системы диагностики для судоремонтной и судостроительной отрасли. Мы выделяем два основных сегмента клиентов: юридические лица (Б2Б) и государственные организации.
Первый сегмент включает в себя судостроительные компании, судоремонтные предприятия и судовладельцев, представляющих морскую индустрию, судостроение и ремонт, а также логистические и транспортные организации. Для этого сегмента характерен высокий интерес к автоматизации процессов, что приводит к снижению эксплуатационных расходов, сокращению простоев и повышению надежности диагностики судов. Более того, строгие международные стандарты безопасности судов делают актуальным внедрение высокоточных технологий диагностики.
Второй сегмент - государственные организации, включая портовые администрации, морские инспекционные органы и министерства транспорта. Эти структуры занимаются государственным регулированием и контролем состояния судов в странах с развитой портовой инфраструктурой и значительными объемами морского трафика. Заинтересованность в данном сегменте заключается в необходимости внедрения точных и автоматизированных систем контроля состояния судов, призванных повысить безопасность морских перевозок и обеспечить соблюдение экологических норм.
Научно-технические решения играют важную роль в разработке автоматизированной системы диагностики для судоремонтной отрасли. Первым важным компонентом нашей системы является использование компьютерного зрения для автоматической идентификации и классификации дефектов. С помощью алгоритмов, основанных на свёрточных нейронных сетях
(CNN), мы сможем эффективно обрабатывать визуальные данные, полученные с камер и датчиков, установленных по периметру судна. Нейросетевые модели, обученные на обширных выборках изображений, позволят выявлять различные виды дефектов, таких как коррозия, трещины и деформация. Это решение обеспечит высокую степень точности и надежности диагностики.
Следующий этап разработки включает создание прогностических моделей для оценки развития выявленных дефектов. На основе исторических данных и временных рядов, получаемых от датчиков, мы сможем предсказывать, как дефекты будут изменяться со временем, учитывая внешние факторы, такие как соленость воды или нагрузка на корпус. Использование рекуррентных нейронных сетей (RNN) и моделей с долгосрочной памятью (LSTM) позволит нам эффективно анализировать динамику изменений и принимать оперативные решения по ремонту и обслуживанию.
Кроме того, важным элементом нашей системы является алгоритм формирования отчетов, который автоматически анализирует данные диагностической системы и генерирует структурированный отчет о состоянии судна. Этот алгоритм, использующий технологии генерации естественного языка (NLG), будет обеспечивать создание понятных и информативных текстов, а также визуальных представлений данных с помощью библиотек визуализации, таких как D3.js и Matplotlib. Все вышеперечисленные научно-технические решения являются основой эффективного и надежного функционирования системы, что, в свою очередь, позволит существенно улучшить процессы диагностики и управления состоянием судов в соответствии с современными стандартами морской индустрии.
Дополнительно, при интеграции такой автоматизированной системы в существующие процессы судостроительных и судоремонтных организаций большое внимание уделяется вопросам совместимости используемого программного и аппаратного обеспечения. Нередко предприятия располагают оборудованием и программами от разных поставщиков, поэтому при внедрении новой системы требуется тщательно продуманный план миграции данных и
адаптации интерфейсов. Предусмотренная нами модульная архитектура позволяет без существенных затрат и сложных настроек подстраивать наше ПО под конкретные условия и нужды заказчика, не нарушая при этом уже налаженные технологические процессы.
Важнейшей составляющей в дальнейшей эксплуатации системы является организация обучающих программ для персонала. Сотрудники судостроительных и судоремонтных предприятий, операторы и инженеры должны иметь представление не только о технической стороне работы с новой системой, но и понимать ключевые принципы машинного обучения и компьютерного зрения, лежащие в её основе. Это обеспечивает более вдумчивую интерпретацию результатов диагностики и оперативное принятие решений в случае возникновения сложных или нетипичных дефектов корпуса. Кроме того, грамотная подготовка персонала способствует более быстрым периодам адаптации и снижает вероятность ошибок при работе.
Еще одним значимым аспектом интеграции является обеспечение информационной безопасности. Так как система обрабатывает данные о состоянии корпусов судов, а также может взаимодействовать с другими информационными системами предприятия (например, ERP, системы планирования ремонтов), то необходимо предусмотреть надежные механизмы защиты от несанкционированного доступа и утечки конфиденциальной информации. Мы предлагаем использовать современные протоколы шифрования при передаче данных, а также многоуровневую систему авторизации с разграничением прав доступа для разных категорий пользователей.
В перспективе развития нашей автоматизированной системы диагностики планируется добавление функции прогностического моделирования не только для дефектов корпуса, но и для других систем судна.
Все вышеперечисленные научно-технические решения являются основой эффективного и надежного функционирования системы, что, в свою очередь, позволит существенно улучшить процессы диагностики и управления
состоянием судов в соответствии с современными стандартами морской индустрии.
СПИСОК ЛИТЕРАТУРЫ:
1. OpenCV // https://opencv.org;
2. TensorFlow // https://w.tensorflow.org;
3. International Ship and Port Facility Security Code (ISPS) // https://w.imo.org/en/OurWork/Safety/Pages/International-Ship-and-Port-Facility-Security-Code-(ISPS).aspx;
4. Руководство по освидетельствованию судов в процессе их эксплуатации (ПОСЭ) - Российское классификационное общество // https://rfclass.ru/uploads/pose_rko_vvedeny_v_dejstvie_s_28-09-2024.pdf
Fedotov I.S.
Northern (Arctic) Federal University (Arkhangelsk, Russia)
SYSTEM FOR ANALYZING THE HULL OF A MARINE VESSEL AND ITS INTEGRATION INTO EXISTING PROCESSES
Abstract: article describes an automated system for diagnosing ship hulls, utilizing neural network models to enhance the accuracy and efficiency of quality control, which is particularly relevant for ship repair and shipbuilding organizations, as well as governmental structures.
Keywords: automated diagnostics, ship repair, shipbuilding, AI models, computer vision, predictive models, maritime safety.
