Применение методов стохастического моделирования для оптимизации процессов ТОИР
системный подход
Аннотация
В работе представлен системный подход к оптимизации процессов технического обслуживания и ремонта сложных технических систем на основе методов стохастического моделирования. Разработана расширенная стохастическая модель деградации оборудования, учитывающая многофакторность воздействий и нелинейный характер износа. Модель основана на стохастических дифференциальных уравнениях с пуассоновской составляющей, описывающих непрерывные и скачкообразные изменения состояния системы. Сформулирована многокритериальная задача оптимизации технического обслуживания и предложен адаптивный метод её решения на основе стохастического динамического программирования. Разработан алгоритм расчета остаточной погрешности прогнозирования с использованием методов статистического анализа. Представлен многомасштабный подход к моделированию процессов деградации, учитывающий различные временные и пространственные масштабы. Предложена стратегия оптимального управления с обратной связью на основе уравнения Гамильтона-Якоби-Беллмана и методов стохастической фильтрации для оценивания состояния системы. Рассмотрена задача оптимизации периодичности и объема обслуживания с учетом вероятностных ограничений. Предложены методы анализа чувствительности и обеспечения робастности решений. Предложенный подход обеспечивает повышение эффективности управления жизненным циклом оборудования в условиях стохастичности воздействий.
Литература
2. Jardine A.K., Lin D., Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing. 2006;20(7):1483-1510. https://doi.org/10.1016/j.ymssp.2005.09.012
3. Zio E. Reliability engineering: Old problems and new challenges. Reliability Engineering & System Safety. 2009;94(2):125-141. https://doi.org/10.1016/j.ress.2008.06.002
4. Doyen L., Gaudoin O. Classes of imperfect repair models based on reduction of failure intensity or virtual age. Reliability Engineering & System Safety. 2004;84(1):45-56. https://doi.org/10.1016/S0951-8320(03)00173-X
5. Si X.S., Wang W., Hu C.H., Zhou D.H. Remaining useful life estimation A review on the statistical data driven approaches. European Journal of Operational Research. 2011;213(1):1-14. https://doi.org/10.1016/j.ejor.2010.11.018
6. Heng A., Zhang S., Tan A.C., Mathew J. Rotating machinery prognostics: State of the art, challenges and opportunities. Mechanical Systems and Signal Processing. 2009;23(3):724-739. https://doi.org/10.1016/j.ymssp.2008.06.009
7. Kallen M.J., van Noortwijk J.M. Optimal maintenance decisions under imperfect inspection. Reliability Engineering & System Safety. 2005;90(2-3):177-185. https://doi.org/10.1016/j.ress.2004.10.004
8. Van Horenbeek A., Pintelon L. A dynamic predictive maintenance policy for complex multi-component systems. Reliability Engineering & System Safety. 2013;120:39-50. https://doi.org/10.1016/j.ress.2013.02.029
9. Nicolai R.P., Dekker R. Optimal Maintenance of Multi-component Systems: A Review. In: Complex System Maintenance Handbook. Springer Series in Reliability Engineering. London: Springer; 2008. p. 263-286. https://doi.org/10.1007/978-1-84800-011-7_11
10. Saltelli A., et al. Global Sensitivity Analysis. The Primer. John Wiley & Sons; 2008. https://doi.org/10.1002/9780470725184
11. Julier S.J., Uhlmann J.K. Unscented filtering and nonlinear estimation. Proceedings of the IEEE. 2004;92(3):401-422. https://doi.org/10.1109/JPROC.2003.823141
12. Doucet A., Johansen A.M. A Tutorial on Particle Filtering and Smoothing: Fifteen years later. In: Crisan D., Rozovskii B. (eds.) The Oxford Handbook of Nonlinear Filtering. New York: Oxford University Press; 2009. p. 656-704. Available at: https://www.stats.ox.ac.uk/~doucet/doucet_johansen_tutorialPF2011.pdf (accessed 28.06.2024).
13. Powell W.B. Approximate Dynamic Programming: Solving the curses of dimensionality. Vol. 703. John Wiley & Sons; 2007. 480 p. https://doi.org/10.1002/9780470182963
14. Weinan E., Engquist B., Li X., Ren W., Vanden-Eijnden E. Heterogeneous multiscale methods: a review. Communications in Computational Physics. 2007;2(3):367-450.
15. Abdulle A., Weinan E., Engquist B., Vanden-Eijnden E. The heterogeneous multiscale method. Acta Numerica. 2012;21:1-87. https://doi.org/10.1017/S0962492912000025
16. Zagorowska M., et al. A survey of models of degradation for control applications. Annual Reviews in Control. 2020;50:150-173. https://doi.org/10.1016/j.arcontrol.2020.08.002
17. Zio E. Some challenges and opportunities in reliability engineering. IEEE Transactions on Reliability. 2016;65(4):1769-1782. https://doi.org/10.1109/TR.2016.2591504
18. Meeker W.Q., Hong Y. Reliability meets big data: opportunities and challenges. Quality Engineering. 2014;26(1):102-116. https://doi.org/10.1080/08982112.2014.846119
19. Liao H., Sun J. Nonparametric and semi-parametric sensor recovery in multichannel condition monitoring systems. IEEE Transactions on Automation Science and Engineering. 2011;8(4):744-753. https://doi.org/10.1109/TASE.2011.2159265
20. Alaswad S., Xiang Y. A review on condition-based maintenance optimization models for stochastically deteriorating system. Reliability Engineering & System Safety. 2017;157:54-63. https://doi.org/10.1016/j.ress.2016.08.009
21. Do P., Voisin A., Levrat E., Iung B. A proactive condition-based maintenance strategy with both perfect and imperfect maintenance actions. Reliability Engineering & System Safety. 2015;133:22-32. https://doi.org/10.1016/j.ress.2014.08.011
22. Liu B., Xu Z., Xie M., Kuo W. A value-based preventive maintenance policy for multi-component system with continuously degrading components. Reliability Engineering & System Safety. 2014;132:83-89. https://doi.org/10.1016/j.ress.2014.06.012
23. Ye Z.S., Xie M. Stochastic modelling and analysis of degradation for highly reliable products. Applied Stochastic Models in Business and Industry. 2015;31(1):16-32. https://doi.org/10.1002/asmb.2063
24. Marseguerra M., Zio E., Podofillini L. Condition-based maintenance optimization by means of genetic algorithms and Monte Carlo simulation. Reliability Engineering & System Safety. 2002;77(2):151-165. https://doi.org/10.1016/S0951-8320(02)00043-1
25. Baraldi P., Compare M., Zio E. Maintenance policy performance assessment in presence of imprecision based on Dempster-Shafer Theory of Evidence. Information Sciences. 2013;245:112-131. https://doi.org/10.1016/j.ins.2012.11.003
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
