چارچوب استانداردسازی الگوریتم‌های یادگیری ماشین برای نگهداری پیش‌بینانه موتورهای کشتی: رویکرد ترکیبی منطبق با استانداردهای imo و iso

نگهداری پیش‌بینانه موتورهای کشتی نقش حیاتی در کاهش هزینه‌های عملیاتی و افزایش ایمنی دریایی دارد. با وجود پیشرفت‌های قابل توجه در حوزه یادگیری ماشین، فقدان چارچوب استانداردسازی‌شده منطبق با الزامات سازمان بین‌المللی دریانوردی و سازمان بین‌المللی استاندارد، مانع اصلی پذیرش گسترده این فناوری‌هاست. این پژوهش یک چارچوب جامع برای یکپارچه‌سازی الگوریتم‌های هوشمند با استانداردهای بین‌المللی توسعه داد. مطالعه تطبیقی روی شبکه‌های عصبی، ماشین بردار پشتیبان و جنگل تصادفی با داده‌های 24 ماهه از 12 کشتی تجاری با 47 ویژگی حسگری و نمونه‌برداری یک هرتز انجام شد. مدل ترکیبی دو‌مرحله‌ای با یادگیرنده فراسطح گرادیان بوستینگ توسعه یافت و با استانداردهای ایزو 8217:2017، ایزو 19030-2:2016، و قطعنامه 302(87) سازمان دریانوردی هماهنگ‌سازی شد. مدل پیشنهادی به دقت 94.6 درصد با فاصله اطمینان 95 درصد و سطح معناداری کمتر از 0.001 دست یافت که برتری معناداری نسبت به سایر روش‌ها داشت. زمان پردازش 35 میلی‌ثانیه‌ای، امکان نظارت بلادرنگ را فراهم آورد. تحلیل اهمیت متغیرها نشان داد دمای روغن یاتاقان، ارتعاش محوری و فشار روغن مهم‌ترین پارامترها هستند. پیاده‌سازی چارچوب منجر به کاهش 88.8 درصدی هزینه‌های نگهداری و افزایش سه برابری میانگین زمان بین خرابی‌ها شد. نوآوری‌های کلیدی شامل معماری بهینه با وزن‌های تطبیقی، پروتکل ردیابی خودکار، سیستم امنیت چندلایه و سازوکار تشخیص رانش مدل است. این چارچوب با بازگشت سرمایه 710 درصدی در 24 ماه، امکان‌پذیری اقتصادی یادگیری ماشین استانداردسازی‌شده در صنعت کشتیرانی را اثبات کرد.