ТЕХНОЛОГІЇ МАШИННОГО НАВЧАННЯ В ПРОГНОЗУВАННІ ОБСЛУГОВУВАННЯ ДВИГУНІВ АВТОТРАНСПОРТУ У ВІЙСЬКОВІЙ ЛОГІСТИЦІ
Ключові слова:
штучний інтелект, машинне навчання, військова логістикаАнотація
У цьому дослідженні розглянуто перспективи впровадження технологій штучного інтелекту (ШІ) у сферу технічного обслуговування транспорту логістики, що використовується у збройних силах. Сучасні виклики військової логістики вимагають високої надійності, швидкості реагування та максимальної готовності техніки до виконання завдань у різноманітних умовах. У зв’язку з цим особливого значення набувають підходи до прогнозного обслуговування, які дозволяють виявляти потенційні несправності ще до їхнього фактичного виникнення. На відміну від традиційних методів, які ґрунтуються на регламентному підході або реагуванні на вже наявні поломки, прогнозне обслуговування використовує можливості машинного навчання для аналізу великих обсягів сенсорних даних у реальному часі. Це створює умови для формування гнучких, динамічних і більш ефективних стратегій експлуатації техніки. Транспорт логістики, що є ключовою складовою тилового забезпечення – транспортування боєприпасів, пального, продовольства, техніки та особового складу – має бути не лише функціональним, а й максимально доступним для використання у будь-який момент. У цьому контексті застосування ШІ дозволяє мінімізувати ризики раптових відмов і зменшити навантаження на ремонтні підрозділи. Крім того, автоматизовані системи аналізу технічного стану забезпечують підвищення точності прогнозів, що, своєю чергою, покращує планування місій та логістичних операцій. Однак інтеграція ШІ в оборонну інфраструктуру супроводжується низкою викликів. Йдеться, зокрема, про потребу в стандартизованих сенсорних системах, безпечних каналах передачі даних, а також гарантуванні кіберстійкості – адже витік або маніпуляція даними у військовому середовищі може мати критичні наслідки. Незважаючи на ці виклики, потенціал застосування ШІ в обслуговуванні транспорту логістики відкриває нові горизонти для підвищення ефективності, економічності та готовності техніки до виконання бойових і тилових завдань. Такий підхід формує основу для переходу до нової моделі технічного управління, заснованої на інтелектуальній аналітиці, гнучкості та випереджувальному прийнятті рішень.
Посилання
Mobley R. K. An introduction to predictive maintenance. Amsterdam : Elsevier, 2002.
Narayanan T. S. A., Padhy S. C. Artificial Intelligence for Predictive Maintenance of Armoured Fighting Vehicles Engine. Indian Journal of Artificial Intelligence and Neural Networking (IJAINN). 2023. Vol. 3, No. 5.
Sengupta P., Mehta A., Rana P. S. Predictive Maintenance of Armoured Vehicles using Machine Learning Approaches [Електронний ресурс]. DOI: https://doi.org/10.48550/arXiv.2307.14453
Samatas G.G., Moumgiakmas S.S., Papakostas G.A. Predictive Maintenance – Bridging Artificial Intelligence and IoT // Proceedings of the 2021 IEEE World AI IoT Congress (AIIoT), Seattle, WA, USA, 10–13 May 2021. Piscataway, NJ : IEEE, 2021. P. 413–419.
Xu G., Liu M., Wang J. та ін. Data-driven fault diagnostics and prognostics for predictive maintenance: A brief overview // Proceedings of the 2019 IEEE 15th International Conference on Automation Science and Engineering (CASE), Vancouver, Canada, 22–26 August 2019. Piscataway, NJ : IEEE, 2019. P. 103–108.
Longo N., Serpi V., Jacazio G., Sorli M. Model-based predictive maintenance techniques applied to the automotive industry // PHM Society European Conference. 2018. Vol. 4. Utrecht, The Netherlands, 3–6 July 2018.
Xiao Z., Cheng Z., Li Y. A review of fault diagnosis methods based on machine learning patterns // 2021 Global Reliability and Prognostics and Health Management (PHM-Nanjing). 2021. P. 1–4.
Theissler A., Perez-Velázquez J., Kettelgerdes M., Elger G. Predictive maintenance enabled by machine learning: Use cases and challenges in the automotive industry // Reliability Engineering & System Safety. 2021. Vol. 215. P. 107864.
Torcianti A., Matzka S. Explainable artificial intelligence for predictive maintenance applications using a local surrogate model // 4th International Conference on Artificial Intelligence for Industries (AI4I). 2021. P. 86–88.
Zhang W., Yang D., Wang H. Data-driven methods for predictive maintenance of industrial equipment: A survey // IEEE Systems Journal. 2019. Vol. 13, No. 3. P. 2213–2227.
Souza R. M., Nascimento E. G. S., Miranda U. A. та ін. Deep learning for diagnosis and classification of faults in industrial rotating machinery // Computers & Industrial Engineering. 2021. Vol. 153. P. 107060.
Longo N., Serpi V., Jacazio G., Sorli M. Model-based predictive maintenance techniques applied to the automotive industry // PHM Society European Conference. 2018. Vol. 4. Utrecht, The Netherlands, 3–6 July 2018.
Tessaro I., Mariani V. C., Coelho L. S. Machine learning models applied to predictive maintenance in automotive engine components // Proceedings. 2020. Vol. 64. P. 26.
Furch J., Turo T., Krobot Z., Stastny J. Using telemetry for maintenance of special military vehicles // Intelligent Systems in Production Engineering and Maintenance. 2018. P. 267–275. DOI: 10.1007/978-3-319-76072-8_28
Virca I., Badea D. Study on the Predictive Maintenance of Vehicles and its Management Using the Specific “Keep the Machine Running” Application // International conference KNOWLEDGE-BASED ORGANIZATION. 2019. Vol. 25. P. 291–297. DOI: 10.2478/kbo-2019-0048
