[논문 리뷰] Inspection plan prediction for multi-repairable component systems using neural network

Nooshin Yousefi, Stamatis Tsianikas외 2명|arXiv (Cornell University)|2020. 01. 23.

Reliability and Maintenance Optimization참고 문헌 13인용 수 4

한 줄 요약

이 논문은 신뢰성과 난수 충격 고장에 노출된 다중 수리 가능한 구성 요소 시스템을 대상으로, 신경망을 사용하여 다음 최적 점검 시기를 예측함으로써 동적 점검 계획 방법을 제안한다. 시스템 신뢰도 및 비용률 함수를 모델링함으로써, 각 수리 후 구성 요소의 초기 연령이 변할 경우에도 이를 동적으로 반영하여 유지보수 비용을 크게 절감하고, 적응형 스케줄링을 통해 시스템 신뢰도를 향상시킨다.

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

연구 동기 및 목표

• 다중 구성 요소 시스템에서 개별 수리 후 구성 요소의 초기 연령이 변화하는 데에 적응하는 동적 유지보수 정책을 개발하는 것.
• 현재 시스템 상태를 기반으로 최적의 다음 점검 시기를 예측하여 총 유지보수 비용을 감소시키는 것.
• 수리 가능한 시스템에서 구성 요소 교체가 시스템 수준의 점검 스케줄링에 영향을 미치는 비균일한 구성 요소 노화 문제를 다루는 것.
• 실시간 점검 계획을 위한 기계학습 프레임워크에 시스템 신뢰도 및 비용률 함수를 통합하는 것.

제안 방법

• 신뢰성 및 장기 비용률 함수를 입력 특성으로 사용하여 신경망을 훈련시킨다.
• 네트워크의 입력은 각 점검 주기 시작 시 모든 구성 요소의 초기 연령을 포함한다.
• 네트워크는 예상 유지보수 비용을 최소화하는 다음 시스템 점검 시기를 예측한다.
• 시스템 구성 및 고장 과정(노화 및 난수 충격)은 확률적 신뢰도 함수를 사용하여 모델링된다.
• 훈련 데이터는 구성 요소의 노화 및 충격 과정의 수치 시뮬레이션에서 생성된다.
• 수리 후 구성 요소별 연령을 기반으로 점검 스케줄을 동적으로 업데이트하여 비용 효율적인 유지보수를 보장한다.

실험 결과

연구 질문

• RQ1 다양한 구성 요소 연령을 가진 다중 수리 가능한 구성 요소 시스템에서 최적의 점검 시기를 어떻게 동적으로 결정할 수 있는가?
• RQ2 구성 요소별 초기 연령이 시스템 수준의 점검 계획 및 비용 효율성에 어떤 영향을 미치는가?
• RQ3 신경망이 신뢰도 및 비용률 함수를 기반으로 최적의 점검 간격을 효과적으로 학습하고 예측할 수 있는가?
• RQ4 제안된 방법은 고정 간격 점검 정책에 비해 비용 및 신뢰도 측면에서 어떻게 비교되는가?

주요 결과

• 신경망 모델은 시스템 신뢰도 및 비용률 함수를 학습함으로써 높은 정확도로 다음 최적 점검 시기를 성공적으로 예측하였다.
• 동적 점검 정책은 고정 간격 점검 전략에 비해 총 유지보수 비용을 감소시켰다.
• 모델은 수리 후 이질적인 구성 요소의 노화를 고려하여 보다 정밀하고 비용 효율적인 스케줄링이 가능했다.
• 수치 예제를 통해 제안된 방법이 장기 비용률을 최소화하면서도 높은 시스템 신뢰도를 유지함을 입증하였다.
• 다양한 구성 요소와 복잡한 구성이 있는 시스템에도 적용 가능하여 확장성이 뛰어나며, 다양한 고장 과정 조건에서도 강건함을 보였다.