Desarrollo de Diagnósticos de Motores Marinos Impulsado por IA.

Resumen El diagnóstico efectivo de fallos es esencial para la operación segura y eficiente de motores marinos diésel de baja velocidad. Las herramientas de diagnóstico de fácil acceso son cruciales para que los ingenieros marítimos mantengan estos sistemas complejos. El desarrollo tradicional de tales herramientas a menudo depende de la extensa elicitud de conocimiento manual de expertos, un proceso que consume tiempo y recursos. Esta investigación investiga la generación automatizada de un sistema de identificación de fallos utilizando datos simulados, aprovechando las capacidades de los Modelos de Lenguaje Grande (LLMs) y herramientas de diagramación. El objetivo es automatizar el desarrollo de un sistema de diagnóstico para motores diésel marinos, eliminando la necesidad de la intervención manual de expertos. El estudio aborda las ineficiencias de los métodos tradicionales al demostrar la viabilidad de utilizar LLMs y herramientas de diagramación para generar lógica diagnóstica directamente a partir de datos simulados de fallos de motor. Al automatizar la extracción de conocimiento, la generación de lógica y la visualización, este enfoque busca crear un método más eficiente y consistente para desarrollar herramientas de diagnóstico. Utilizando el simulador de sala de máquinas Kongsberg, se generó un conjunto de datos completo de escenarios de fallos. Se vincularon fallos simulados—como el desgaste de anillos de pistón y el ahogamiento de válvulas de combustible—con cambios en parámetros clave del motor (por ejemplo, VELOCIDAD, ÍNDICE, MIP). Estos datos se utilizaron para generar indicaciones para un LLM, que produjo reglas diagnósticas y lógica de decisión. La lógica se tradujo luego en diagramas visuales utilizando herramientas como Mermaid.js y PlantUML. La evaluación automatizada contra los datos simulados valoró la precisión diagnóstica del sistema. Los resultados demostraron que el proceso automatizado podía generar un sistema de identificación de fallos comprensivo y preciso. El sistema capturó efectivamente las relaciones entre condiciones de fallo y cambios en parámetros, reduciendo significativamente el tiempo y esfuerzo de desarrollo en comparación con métodos tradicionales. La consistencia y claridad de los diagramas generados mejoraron la usabilidad, y la alta tasa de identificación de fallos validó la efectividad del enfoque. Esta investigación destaca el potencial de la automatización asistida por IA para transformar el desarrollo de herramientas diagnósticas en la ingeniería marítima. El enfoque ofrece beneficios sustanciales en eficiencia, consistencia y escalabilidad. El trabajo futuro incorporará datos de motores del mundo real y retroalimentación estructurada de participantes para mejorar la robustez y generalizabilidad. La metodología también sienta las bases para la comparación con sistemas desarrollados por expertos e integrando razonamiento probabilístico e IA explicativa (XAI) para mejorar la transparencia e interpretabilidad. Esta tecnología promete no solo para diagnósticos operativos, sino también para aplicaciones educativas y una adopción más amplia en otros dominios técnicos complejos.