Astrakhan, Астраханская область, Россия
Современное судостроение и судоремонт сталкиваются с вызовами, связанными с усложнением технических объектов, ростом требований к качеству услуг, необходимостью сокращения сроков выполнения работ и повышения эффективности управления. В условиях высокой конкуренции и цифровой трансформации отрасли возрастает актуальность внедрения информационных решений, призванных формализовать знания о процессах технического обслуживания и ремонта (ТОиР), повысить прозрачность взаимодействия между подразделениями и поддержать принятие управленческих решений. Предложен подход к цифровизации управления ТОиР судов на основе онтологического моделирования. Онтология разработана с использованием программной платформы Protégé и реализована с применением стандартов OWL и RDF, что обеспечивает ее расширяемость, формальную строгость и совместимость с другими информационными системами. В модели представлены ключевые классы, отражающие структуру предметной области: судно, оборудование, процессы обслуживания и ремонта, персонал, запасные части, интервалы и частота обслуживания. Для описания взаимосвязей между сущностями используются объектные и дата-свойства. Инструмент логического вывода Reasoner, встроенный в Protégé, позволил провести автоматизированный анализ онтологии. В результате были выявлены зависимости между типами судов, видами ТОиР, задействованным оборудованием, персоналом и регламентами обслуживания. Также обеспечена проверка логической консистентности модели, выявлены потенциальные конфликты и определены новые связи между объектами. Это делает возможным не только хранение и систематизацию знаний, но и поддержку систем управления знаниями и автоматического логического анализа. Онтология учитывает региональные особенности эксплуатации флота. Полученная модель может быть использована в системах планирования ТОиР, в цифровых двойниках судов и в системах поддержки принятия решений.
онтологическая модель, техническое обслуживание, судоремонт, судостроительная отрасль, управление процессами, логические выводы
Введение
Судостроительная отрасль является одной из ключевых и стратегически значимых сфер экономики России, обеспечивающей транспортную безопасность, промышленное развитие и освоение водных пространств. Особенно важную роль в этом контексте играет Астраханская область, обладающая выгодным географическим положением на пересечении водных транспортных путей Волги и Каспийского моря. Регион характеризуется высокой концентрацией судостроительных и судоремонтных организаций (АО «Астраханский судостроительный завод», ОАО «Красные Баррикады», ООО «Лотос» и др.), ориентированных на строительство, техническое обслуживание и ремонт судов различного назначения – от гражданских до специализированных промысловых и вспомогательных.
Условия высокой конкуренции, потребность в ускорении производственных циклов и рост требований к качеству услуг обуславливают необходимость системного подхода к управлению деятельностью таких предприятий. Важно не только контролировать техническое состояние судов, но и грамотно организовывать все процессы, связанные с их обслуживанием и ремонтом. При этом на первый план выходит необходимость использования современных информационных решений, позволяющих структурировать знания, повысить прозрачность процессов и обеспечить согласованность действий различных подразделений.
В рамках цифровой трансформации отрасли все чаще рассматриваются методы формализации знаний, одним из которых является онтологическое моделирование. Онтология в данном случае представляет собой формализованную модель предметной области, позволяющую устранить семантические противоречия, повысить качество информационного взаимодействия между участниками процессов и обеспечить поддержку управленческих решений [1]. Это особенно важно в условиях сложности, многоэтапности и ресурсозависимости процессов технического обслуживания и ремонта (ТОиР), поскольку они могут привести к проблемам, связанным с неоднозначностью трактовки терминов, дублированием функций и неэффективным управлением данными.
Предложение такой онтологической модели становится актуальным и с точки зрения выполнения задач, поставленных в рамках государственной стратегии развития судостроительной промышленности до 2035 г., в которой особое внимание уделено созданию единого цифрового пространства отрасли [2]. Однако успешная реализация этих задач требует глубокой формализации знаний о процессах, объектах и ролях, что особенно важно в специфических условиях, характерных для предприятий Астраханского региона.
Разработка онтологической модели, ориентированной на сферу технического обслуживания и судоремонта, представляет собой значимый шаг в направлении повышения эффективности управления за счет качественной информационной поддержки деятельности компаний. Предложенная онтология ориентирована на предприятия Астраханской области, но ее структура инвариантна и позволяет адаптировать модель к условиям других регионов, что делает ее универсальным инструментом цифровизации ТОиР в судостроительной отрасли.
Целью данного исследования является разработка онтологической модели предметной области ТОиР судов, позволяющей формализовать знания, структурировать информацию, обеспечить семантическую согласованность терминологии и создать основу для поддержки принятия управленческих решений.
Онтологический подход позволяет детализировать и отразить структуру предметной области с учетом всех ключевых элементов, взаимосвязей и характеристик, что особенно важно в условиях высокой сложности и многокомпонентности процессов судоремонта.
Инструментальная реализация онтологии
Предложенный ниже подход к онтологии для управления процессами ТОиР в судостроительной организации реализован при помощи платформы Protégé – одного из мощных инструментов для создания онтологий. Она представляет графический интерфейс, поддерживающий стандарты OWL (Web Ontology Language) и RDF (Resource Description Framework), что позволяет интегрировать созданную онтологию с другими системами и ресурсами, а также описывать знания в различных областях [3]. Protégé включает поддержку инструментов Reasoner, таких как Pellet, HermiT и Fact++, которые помогают выполнять логические выводы и анализировать онтологию.
Структура онтологической модели ТОиР
Онтологическая модель для управления ТОиР судостроительной компании включает несколько основных классов (рис. 1), каждый из которых имеет свои свойства и взаимосвязи.
Рис. 1. Классы онтологической модели управления
техническим обслуживанием
и ремонтом судостроительной компании
Fig. 1. Classes of the ontological model of maintenance
and repair management of a shipbuilding company
Более подробная характеристика классов онтологической модели управления ТОиР судостроительной компании отражена в таблице.
Основные классы онтологической модели управления техническим обслуживанием
и ремонтом судостроительной компании
The main classes of the ontological management model of maintenance
and repair of a shipbuilding company
|
Класс |
Характеристика |
|
Судно (Ship) |
Описывает основные характеристики судна |
|
Оборудование судна |
Представляет отдельные системы судна (двигатель, электрооборудование, гидравлика и другие механизмы, которые требуют ТОиР) |
|
Процесс обслуживания (Maintenance Process) |
Процесс, связанный с техническим обслуживанием судна, позволяющий поддерживать его в работоспособном состоянии |
|
Ремонт (Repair) |
Конкретные работы по ремонту системы судна и устранению |
|
Интервал обслуживания (Maintenance Interval) |
Временной промежуток, в который требуется выполнить обслуживание. Он может быть задан в месяцах или годах |
|
Персонал (Personnel) |
Работники, которые занимаются техническим обслуживанием |
|
Частота обслуживания (Maintenance Frequency) |
Определяет, как часто необходимо проводить обслуживание |
|
Запасные части (Spare Parts) |
Детали, необходимые для ТОиР судна |
Далее были определены свойства, которые описывают отношения между классами и их конкретными атрибутами, или данные, которые характеризуют объекты. В данном случае были использованы объектные свойства (Object Properties) и свойства данных (Data Properties).
Объектные свойства позволяют установить отношения между экземплярами классов, например связь между судном и его оборудованием, процессами обслуживания и т. д.
Данные свойства связывают экземпляры классов с конкретными значениями, такими как строки, числа или даты. Например, они описывают атрибуты объектов («название судна»):
– «имеет интервал обслуживания» – связь между судном и интервалом обслуживания;
– «имеет историю ремонта» – связь между судном и ремонтом;
– «имеет частоту обслуживания» – связь между процессом обслуживания и частотой обслуживания;
– «используется персоналом» – связь между оборудованием судна и персоналом;
– «проводит обслуживание» – связь между процессом обслуживания и персоналом;
– «проводит ремонт» – связь между ремонтом и персоналом и др.
Так, к примеру, результаты настроек свойств «проводит обслуживание» и «имеет интервал обслуживания» приведены на рис. 2.
Рис 2. Настройка свойств для онтологической модели технического обслуживания
и ремонта судостроительной компании
Fig. 2. Setting up properties for the ontological model of maintenance and repair management of a shipbuilding company
Для Data Properties можно использовать следующие атрибуты, представленные на рис. 3: «дата последнего обслуживания», «дата последнего ремонта», «стоимость», «количество частей» и др.
Рис. 3. Основные атрибуты классов онтологической модели
технического обслуживания и ремонта судостроительной компании
Fig. 3. The main attributes of classes of the ontological model
of maintenance and repair management of a shipbuilding company
Далее были созданы экземпляры (рис. 4), которые могут быть добавлены для конкретных объектов, чтобы система могла работать не только с абстрактной структурой (например, конкретные судна, оборудование или сотрудники).
Рис. 4. Экземпляры классов «Судно», «Процесс обслуживания», «Ремонт», «Оборудование судна»,
«Запасные части», «Персонал», «Интервал обслуживания» и «Частота обслуживания»
Fig. 4. Instances of the classes “Vessel”, “Maintenance process”, “Repair”, “Vessel equipment”,
“Spare parts”, “Personnel”, “Maintenance interval” and “Maintenance frequency”
Далее были созданы связи между классами и экземплярами. Например, судно «Астрахань» связано:
– через «имеет_тип» с типом «Рыболовное судно»;
– через «имеет_интервал» с интервалом обслуживания «6 месяцев»;
– через «имеет_историю_ремонта» с ремонтом «Ремонт двигателя судна Астрахань»;
– через «требует_обслуживания» с процессом «Замена масла и фильтров»;
– через «имеет_частоту_обслуживания» с частотой обслуживания «Ежемесячно»;
– через «требует_оборудование» с оборудованием «Машина для замены масла «МоторСервис». Для класса «Персонал», в частности для И. И. Иванова (механик), была установлена связь:
– через «проводит_обслуживание» с процессом «Замена масла и фильтров»;
– через «используется_персоналом» с оборудованием «Машина для замены масла «МоторСервис» и т. д. (рис. 5).
Рис. 5. Создание связей для экземпляров судна «Астрахань» и механика И. И. Иванова
Fig. 5. Creation of connections for the instances of the ship “Astrakhan” and the mechanic I. I. Ivanov
Аналогичным образом установлены все связи между экземплярами классов, которые позволят объединить процессы обслуживания, судна, персонал и оборудование, необходимое для эффективного выполнения ТОиР судостроительной компании. В рамках реализации онтологии учитывались региональные особенности эксплуатации судов в Астраханской области, такие как преобладание речных и промысловых судов, особые условия в Каспийском бассейне, влияние сезонности на интервалы обслуживания и специфика оборудования. При этом структура онтологии предусматривает возможность настройки регионального контекста путем модификации отдельных классов, их атрибутов и экземпляров, что позволяет адаптировать модель для других географических условий.
Применение системы логического вывода
В процессе разработки онтологии для управления процессами ТОиР судостроительной компании был проведен эксперимент по использованию системы логического вывода Reasoner в программной среде Protégé. Целью эксперимента являлось применение Reasoner для анализа онтологической модели, проверки ее консистентности и автоматического извлечения новых фактов [4]. После настройки классов, свойств и экземпляров в онтологии был запущен Reasoner. В результате были получены следующие выводы:
1. Определены типы экземпляров. Reasoner успешно классифицировал экземпляры судов по типам на основе заданных свойств. Так, судно «Астрахань» было автоматически отнесено к классу «Рыболовное судно», «Волга-1» – к классу «Пассажирское судно», а «Каспий» – к классу «Буксирное судно».
Это стало возможным благодаря наличию в онтологии свойства «иметь_тип», связанного с конкретными категориями судна. В этом случае Reasoner применил правила логики, чтобы вывести типы экземпляров на основе их свойств.
2. Выводы о типах процессов обслуживания. На основе правил в онтологии Reasoner корректно установил типы процессов ТОиР и соответствующие им интервалы, сделал выводы о процессах обслуживания и их частотах.
В частности, процесс «Замена масла и фильтров» был отнесен к частоте «Ежемесячно». Процесс «Проверка навигационного оборудования» был связан с частотой «Ежегодно». Процесс «Диагностика двигателя» был связан с частотой «По необходимости».
3. Выводы по запасным частям и оборудованию. Логический вывод позволил автоматически связать процессы обслуживания с запасными частями. Процесс «Замена масла и фильтров» автоматически получил связь с запасной частью «Двигатель Кат-3512». Процесс «Проверка навигационного оборудования» был связан с запасной частью «Генератор МГ-2500». Процесс «Диагностика двигателя» был связан с запасной частью «Винт Север».
Также были выведены связи с оборудованием. Например, процесс «Замена масла и фильтров» был связан с оборудованием «Машина для замены масла "МоторСервис"», а процесс «Проверка навигационного оборудования» – с оборудованием «Диагностический сканер "ДиагноМастер"».
4. Выводы о персонале, выполняющем процессы. На основании свойств «используется персоналом» Reasoner автоматически связал персонал
с процессами обслуживания. Так, «Иванов И. И.» был связан с процессом «Замена масла и фильтров», «Петров П. П.» – с процессом «Проверка навигационного оборудования», а «Сидоров С. С.» – с процессом «Диагностика двигателя».
5. Инференция частоты и интервалов обслуживания. В разработанной онтологии уже есть классы для интервала обслуживания и частоты обслуживания, Reasoner использовал эти связи для вывода интервалов и частот. Например, судно «Астрахань» с интервалом обслуживания «6 месяцев» автоматически было связано с процессом «Замена масла и фильтров», который требовал ежемесячного обслуживания. Судно «Волга-1» с интервалом обслуживания «1 год» было связано с процессом «Проверка навигационного оборудования» для ежегодного обслуживания.
6. Проверка консистентности. Reasoner выполнил проверку онтологии на противоречия. В ходе проверки были обнаружены потенциальные конфликты – невозможность одновременного выполнения двух процессов, использующих одно и то же оборудование. Так, процесс «Замена масла и фильтров» требовал «Машину для замены масла "МоторСервис"», при этом же процесс «Диагностика двигателя» требовал тот же тип оборудования в то же время. Соответственно, Reasoner сообщил об этом. Этот конфликт был устранен.
7. Дополнительные логические выводы. Система вывела обобщенные связи между классами и экземплярами. Например, судно «Астрахань» было отнесено не только к «Рыболовным суднам», но и к более высокоуровневому классу «Судно» благодаря иерархии классов в модели.
8. Вычисление зависимостей. Reasoner автоматически установил зависимости между типами судов, интервалами обслуживания и процессами. Например, судно «Астрахань» как экземпляр класса «Рыболовное судно» было связано с интервалом обслуживания «6 месяцев» и процессом «Замена масла и фильтров» с частотой «Ежемесячно». Судно «Волга-1» было связано с интервалом «1 год» и процессом «Проверка навигационного оборудования» с частотой «Ежегодно». А персонал отнесен к выполняемым процессам, например «И. И. Иванов» связан с процессом «Замена масла и фильтров».
Результат эксперимента
Эксперимент подтвердил работоспособность Reasoner в среде Protégé и его эффективность для автоматического логического анализа онтологической модели. Так, логические выводы, полученные через Reasoner в Protégé, позволили проверить структуру онтологии, убедиться в правильности установленных связей и определить все возможные зависимости между экземплярами и классами [5].
Для визуализации онтологии использовался инструмент OntoGraf, с помощью которого была отражена графическая структура всех взаимосвязей между экземплярами, классами, атрибутами и процессами ТОиР. Онтологическую модель ТОиР наглядно можно представить на рис. 6.
Рис. 6. Онтологическая модель управления процессами ТОиР судостроительной компании
Fig. 6. The ontological model of maintenance and repair processes management of a shipbuilding company
Разработка онтологии для управления процессами ТОиР судостроительной организации с использованием Protégé представляет собой мощный инструмент для улучшения управления и автоматизации процессов обслуживания и ремонта судов, улучшения планирования и принятия решений. Инструмент логического вывода Reasoner помогает улучшить консистентность и точность данных в онтологии, выявить новые зависимости и факты, а также оптимизировать ресурсы, необходимые для поддержания судов в рабочем состоянии. В конечном итоге это ведет к повышению безопасности, экономии средств и увеличению срока службы флота. Применение Reasoner в Protégé в области ТОиР судов обладает значительным потенциалом для совершенствования процессов управления флотом
и повышения его операционной эффективности.
Заключение
В рамках данной работы была разработана онтология управления процессами ТОиР судостроительной организации. Разработка осуществлялась с использованием платформы Protégé, что позволило формализовать знания о структуре судов, элементах их оборудования, процессах обслуживания и ремонта, задействованных ресурсах и персонале. Онтология позволила систематизировать и структурировать информацию о процессах ТОиР, определить взаимосвязи между объектами, ресурсами, операциями и участниками процессов, а также обеспечить целостное представление всех компонентов системы ТОиР в графической форме с возможностью логического анализа и создать основу для экспертных систем, способных поддерживать принятие решений в реальном времени и минимизировать риски отказов оборудования. Кроме того, данная онтология учитывала региональные особенности эксплуатации судов в акватории дельты Волги и Каспийского бассейна. Однако она может быть масштабирована и адаптирована для применения в других судостроительных регионах России и за ее пределами. Это достигается за счет гибкой структуры модели и возможности модификации региональных классов и свойств.
Предложенная онтологическая модель служит мощным инструментом цифровизации процессов ТОиР, открывает возможности для повышения эффективности управлением техническим состоянием флота, снижением затрат и увеличением надежности судов. Внедрение подобных решений в практику судостроительных и судоходных организаций Астраханской области способствует формированию единого цифрового пространства отрасли и соответствует задачам, обозначенным в Стратегии развития судостроения России.
1. Грабчак Е. П. Цифровая трансформация электро-энергетики. Основные подходы // Энергия единой сети. 2018. № 4 (40). С. 13–25.
2. Об утверждении Стратегии развития судострои-тельной промышленности на период до 2035 года: Распоряжение Правительства РФ от 28 октября 2019 г. № 2553-р (ред. от 21.10.2024). URL: http://government.ru/docs/all/124379/ (дата обращения: 12.04.2025).
3. Глотов А. В., Черемисинов С. В., Щербаков М. В. Онтологическая модель риск-ориентированного управления техническим состоянием технологического оборудования // Энергия единой сети. 2019. № 3 (45). С. 77–85.
4. Федотова А. В., Давыденко И. Т. Онтологическое моделирование технического обслуживания // Открытые семантические технологии проектирования интеллектуальных систем: материалы V Междунар. науч.-техн. конф. (Минск, 19–21 февраля 2015 г.). Минск: Изд-во Белорус. гос. ун-та информатики и радиоэлектроники, 2015. С. 429–438.
5. Лукин Ю. М. Методы и алгоритмы управления техническим обслуживанием и ремонтом судов. М.: Транспорт, 2018. C. 56–59.
