[論文レビュー] Inspection plan prediction for multi-repairable component systems using neural network

Nooshin Yousefi, Stamatis Tsianikas+2 more|arXiv (Cornell University)|Jan 23, 2020

Reliability and Maintenance Optimization参考文献 13被引用数 4

ひとこと要約

本稿では、劣化およびランダムショック故障にさらされる複数の修理可能な部品からなるシステムに対して、次回の最適点検時期を予測するためにニューラルネットワークを用いた動的点検計画手法を提案する。システムの信頼性およびコストレート関数をモデル化することで、各修理後の部品の初期年齢の変動を動的に反映し、保守コストを顕著に削減するとともに、適応的スケジューリングによりシステム信頼性を向上させる。

ABSTRACT

Implementing an appropriate maintenance policy would help us to have a more reliable system and reduce the total costs. In this paper, a dynamic maintenance plan is proposed for repairable multi-component systems, where each component is subject to two competing failure processes of degradation and random shock. For systems with individually repairable components, it is not economical to replace the whole system if it fails. At any inspection time, the failed components can be detected and replaced with a new one and the other components continue functioning; therefore, the initial age of each component at any inspection time is different from other components. Different initial ages have an effect on the optimal time that the whole system should be inspected. The optimal inspection time should be calculated dynamically considering the initial age of all the components and their configuration within the system. In this paper, a neural network method is used to predict the next optimal inspection time for systems considering the initial age of components at the beginning of the inspection. System reliability and cost rate function are formulated and used to train the prediction model. The proposed maintenance plan is demonstrated by numerical examples

研究の動機と目的

• 個々の修理後の部品の初期年齢の変動に適応できる動的保守ポリシーの開発。
• 現在のシステム状態に基づいて次回の最適点検時期を予測することで、総保守コストの低減。
• 部品交換がシステムレベルの点検スケジューリングに与える影響を考慮する、非一様な部品老化の課題への対処。
• システム信頼性関数とコストレート関数を機械学習フレームワークに統合し、リアルタイムの点検計画を実現。

提案手法

• ニューラルネットワークは、システム信頼性関数と長期的コストレート関数を入力特徴として学習する。
• ネットワークへの入力には、各点検サイクルの開始時におけるすべての部品の初期年齢が含まれる。
• ネットワークは、予想される保守コストを最小化する次回のシステム点検の最適時刻を予測する。
• システム構成および故障プロセス（劣化およびランダムショック）は、確率的信頼性関数を用いてモデル化される。
• 学習データは、部品の劣化およびショックプロセスの数値シミュレーションから生成される。
• モデルは修理後の部品固有の年齢に基づいて点検スケジュールを動的に更新し、費用対効果の高い保守を実現する。

実験結果

リサーチクエスチョン

• RQ1 初期年齢が変動する多修理可能部品システムにおいて、次回の最適点検時期をどのように動的に決定できるか。
• RQ2 部品固有の初期年齢が、システムレベルの点検計画およびコスト効率に与える影響は何か。
• RQ3 ニューラルネットワークは、信頼性関数およびコストレート関数に基づいて、最適点検インターバルを効果的に学習・予測できるか。
• RQ4 本手法は、固定間隔点検ポリシーと比較して、コストおよび信頼性の観点でどのように優れているか。

主な発見

• ニューラルネットワークモデルは、システム信頼性関数とコストレート関数からの学習により、次回の最適点検時期を高い精度で予測できた。
• 動的点検ポリシーは、固定間隔点検戦略と比較して、総保守コストを低減した。
• モデルは修理後の部品の非一様な老化を考慮し、より正確で費用対効果の高いスケジューリングを可能にした。
• 数値例では、提案手法が長期的なコストレートを最小化しながら高いシステム信頼性を維持していることが示された。
• 本手法は、多数の部品および複雑な構成を有するシステムへもスケーラブルであり、さまざまな故障プロセス条件下でも頑健であることが示された。