[논문 리뷰] Evaluating reliability of complex systems for Predictive maintenance

Dongjin Lee, Rong Pan|arXiv (Cornell University)|2019. 02. 09.

Reliability and Maintenance Optimization참고 문헌 22인용 수 5

한 줄 요약

이 논문은 이산 시간 마르코프 체인(DTMC)을 사용해 구성 요소의 건강 상태를 예측하고 베이지안 네트워크(BN)를 사용해 다중 구성 요소 시스템의 신뢰성 모델링을 결합한 하이브리드 예측 정비 프레임워크를 제안한다. 구성 요소 수준과 시스템 수준에서 모두 확률적 추론을 통합함으로써, 확률적 신뢰성 구조를 가진 복잡한 시스템에서 신뢰성 있고 불확실성 인식 가능한 정비 스케줄링이 가능해지며, 이는 검증된 ISERC 컆퍼런스 제출 프레임워크를 통해 입증되었다.

ABSTRACT

Predictive Maintenance (PdM) can only be implemented when the online knowledge of system condition is available, and this has become available with deployment of on-equipment sensors. To date, most studies on predicting the remaining useful lifetime of a system have been focusing on either single-component systems or systems with deterministic reliability structures. This assumption is not applicable on some realistic problems, where there exist uncertainties in reliability structures of complex systems. In this paper, a PdM scheme is developed by employing a Discrete Time Markov Chain (DTMC) for forecasting the health of monitored components and a Bayesian Network (BN) for modeling the multi-component system reliability. Therefore, probabilistic inferences on both the system and its components status can be made and PdM can be scheduled on both levels.

연구 동기 및 목표

• 복잡한 시스템에서 신뢰성 구조가 불확실한 경우 예측 정비 연구의 격차를 해소하기 위해.
• 개별 구성 요소와 전체 시스템의 실시간 확률적 건강 평가를 가능하게 하는 프레임워크를 개발하기 위해.
• 불확실성 인식 가능한 추론을 사용해 구성 요소 수준과 시스템 수준에서의 정비 스케줄링을 지원하기 위해.
• 실제 응용에서 구성 요소 상호작용이 확률적임에도 불구하고 결정론적 신뢰성 모델의 한계를 극복하기 위해.

제안 방법

• 개별 구성 요소의 건강 상태 전이를 시간에 따라 예측하기 위해 이산 시간 마르코프 체인(DTMC)을 사용한다.
• 시스템 내 다수의 구성 요소 간의 확률적 의존성과 고장 전파를 표현하기 위해 베이지안 네트워크(BN)를 사용한다.
• DTMC와 BN을 통합하여 불확실성 하에서 구성 요소 및 시스템 신뢰성에 대한 동시 추론을 가능하게 한다.
• 센서 데이터를 동적으로 업데이트함으로써 BN 내 조건부 확률 분포로 시스템 신뢰성을 공식화한다.
• 정비 의사결정을 위한 구성 요소 및 시스템 상태의 사후 확률을 계산하기 위해 확률적 추론 기법을 적용한다.
• 산업 및 시스템 공학 연구 컨퍼런스(ISERC) 2016에서 발표된 사례 연구를 통해 프레임워크를 검증한다.

실험 결과

연구 질문

• RQ1 신뢰성 구조가 불확실한 복잡한 시스템에서 구성 요소 건강 상태를 어떻게 신뢰성 있게 예측할 수 있는가?
• RQ2 구성 요소 간 상호작용이 결정론적이지 않고 확률적일 경우, 다중 구성 요소 시스템의 신뢰성을 가장 효과적으로 모델링하는 방법은 무엇인가?
• RQ3 DTMC-BN 하이브리드 프레임워크는 구성 요소 수준과 시스템 수준에서 동시에 예측 정비 스케줄링을 지원할 수 있는가?
• RQ4 시스템 신뢰성에 불확실성을 통합할 경우, 결정론적 모델에 비해 정비 의사결정은 어떻게 향상되는가?

주요 결과

• 제안된 DTMC-BN 프레임워크는 불확실성 하에서 구성 요소 열화와 시스템 수준의 신뢰성을 성공적으로 모델링하여 동적 건강 상태 추정이 가능하다.
• BN을 사용한 확률적 추론을 통해 관측된 구성 요소 상태 기반으로 정확하고 실시간으로 시스템 신뢰성을 평가할 수 있다.
• 구성 요소 및 시스템 수준에서의 정비 스케줄링을 공동 확률적 추론을 통해 효과적으로 최적화할 수 있다.
• 확률적 고장 전파를 가진 복잡한 시스템에서 결정론적 모델 대비 신뢰성 예측 정확도가 향상됨을 입증하였다.
• 산업 적용의 실현 가능성과 실용성을 보여주기 위해 컨퍼런스 논문 맥락에서 검증되었으며, 실제 응용에 적합한 것으로 나타났다.