Development of a technical condition assessment algorithm for complex systems based on probabilistic failure estimation

Abstract

This study proposed an integrated algorithm for assessing the technical condition of ship power plants, combining case-based reasoning (CBR), Bayesian networks, Markov processes, and cognitive simulation modelling. The algorithm was designed to enhance the accuracy and adaptability of diagnostics under conditions of uncertainty, limited data, and dynamic operational environments. The diagnostic process followed a multi-stage architecture that included the retrieval of historical failure cases, probabilistic correction based on interdependencies among components, modelling of component degradation over time, and adaptive scenario analysis. Each component of the algorithm plays a distinct role: CBR provides analogies to previously observed failures; Bayesian networks quantify probabilistic links between interrelated faults; Markov chains model the temporal degradation of equipment and estimate transition probabilities between operational states; and cognitive modelling allows the generation and testing of rare or cascading failure scenarios under variable conditions. The integration of these elements ensures that the algorithm dynamically updates failure probabilities and adapts to changing operational data. Simulation results demonstrated several improvements: the average prediction error for remaining useful life of components was reduced from 9% to 5.7%; the accuracy in identifying rare and cascading failures increased by 18% due to the use of cognitive modelling; and Bayesian correction reduced false positive diagnoses by 7.2% compared to baseline CBR systems. Overall, the predicted failure probability for 25,000 hours of operation was reduced from 83% (Bayesian-only model) to 68% with full model integration. The practical significance of the proposed algorithm lies in its ability to improve predictive maintenance planning, reduce equipment downtime, and increase the operational reliability of complex marine engineering systems. The modular architecture also enables the adaptation of the algorithm to various types of industrial technical systems.

This study proposed an integrated algorithm for assessing the technical condition of ship power plants, combining case-based reasoning (CBR), Bayesian networks, Markov processes, and cognitive simulation modelling. The algorithm was designed to enhance the accuracy and adaptability of diagnostics under conditions of uncertainty, limited data, and dynamic operational environments. The diagnostic process followed a multi-stage architecture that included the retrieval of historical failure cases, probabilistic correction based on interdependencies among components, modelling of component degradation over time, and adaptive scenario analysis. Each component of the algorithm plays a distinct role: CBR provides analogies to previously observed failures; Bayesian networks quantify probabilistic links between interrelated faults; Markov chains model the temporal degradation of equipment and estimate transition probabilities between operational states; and cognitive modelling allows the generation and testing of rare or cascading failure scenarios under variable conditions. The integration of these elements ensures that the algorithm dynamically s failure probabilities and adapts to changing operational data. Simulation results demonstrated several improvements: the average prediction error for remaining useful life of components was reduced 9% to 5.7%; the accuracy in identifying rare and cascading failures increased by 18% due to the use of cognitive modelling; and Bayesian correction reduced false positive diagnoses by 7.2% compared to baseline CBR systems. Overall, the predicted failure probability for 25,000 hours of operation was reduced 83% (Bayesian-only model) to 68% with full model integration. The practical significance of the proposed algorithm lies in its ability to improve predictive maintenance planning, reduce equipment downtime, and increase the operational reliability of complex marine engineering systems. The modular architecture also enables the adaptation of the algorithm to various types of industrial technical systemsУ статті запропоновано інтегрований алгоритм оцінки технічного стану суднових енергетичних установок, що поєднує метод розв’язання задач на основі прецедентів (CBR), байєсівські мережі, марковські процеси та когнітивне імітаційне моделювання. Алгоритм призначений для підвищення точності та адаптивності діагностики в умовах невизначеності, обмеженості даних та динамічної зміни експлуатаційних режимів. Діагностичний процес реалізовано як багаторівневу архітектуру, що включає пошук аналогічних відмов у базі прецедентів, імовірнісну корекцію з урахуванням взаємозв’язків між компонентами, моделювання деградації обладнання в часі та адаптивний аналіз сценаріїв. Кожен компонент алгоритму виконує окрему функцію: CBR забезпечує виявлення схожих раніше зафіксованих відмов; байєсівські мережі дозволяють кількісно оцінити ймовірнісні залежності між взаємопов’язаними несправностями; марковські процеси моделюють тимчасову деградацію обладнання та оцінюють ймовірності переходів між технічними станами; когнітивне моделювання дозволяє генерувати та аналізувати рідкісні або каскадні відмови за різних сценаріїв експлуатації. Інтеграція зазначених компонентів забезпечує динамічне оновлення ймовірностей відмов відповідно до нових експлуатаційних даних. Результати моделювання показали: середня похибка прогнозу залишкового ресурсу зменшилася з 9 % до 5,7 %; точність виявлення рідкісних і каскадних відмов зросла на 18 % завдяки когнітивному моделюванню; а застосування байєсівської корекції дозволило знизити кількість хибнопозитивних діагнозів на 7,2 % порівняно з базовою моделлю CBR. Загальна ймовірність відмови протягом 25 000 годин експлуатації зменшилася з 83 % (для моделі, заснованої лише на байєсівських мережах) до 68 % завдяки повній інтеграції всіх методів. Практична цінність алгоритму полягає в підвищенні ефективності планування технічного обслуговування, зменшенні простоїв обладнання та покращенні надійності складних морських технічних систем. Модульна архітектура дозволяє адаптувати алгоритм до інших типів промислових об’єктів.