[论文解读] 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 4

一句话总结

本文提出了一种针对退化和随机冲击故障下可修复多组件系统的动态检查规划方法，利用神经网络预测下一次最优检查时间。通过建立系统可靠性和成本率函数模型，该方法能动态考虑每次维修后组件初始年龄的变化，显著降低维护成本，同时通过自适应调度提高系统可靠性。

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

研究动机与目标

• 开发一种动态维护策略，以适应多组件系统中单个组件维修后初始年龄的变化。
• 通过基于当前系统状态预测最优下次检查时间，降低总维护成本。
• 解决可修复系统中组件老化不均匀的挑战，其中组件更换会影响系统层面的检查调度。
• 将系统可靠性与成本率函数整合进机器学习框架，实现实时检查规划。

提出的方法

• 使用系统可靠性与长期成本率函数作为输入特征，训练神经网络。
• 网络的输入包括每次检查周期开始时所有组件的初始年龄。
• 网络预测下一次系统检查的最优时间，以最小化预期维护成本。
• 系统配置和故障过程（退化与随机冲击）通过概率可靠性函数进行建模。
• 训练数据通过组件退化与冲击过程的数值模拟生成。
• 该模型根据维修后各组件的特定年龄动态更新检查计划，确保维护成本效益。

实验结果

研究问题

• RQ1 在组件初始年龄变化的多可修复组件系统中，如何动态确定最优检查时间？
• RQ2 组件特定的初始年龄对系统层面检查规划与成本效率有何影响？
• RQ3 神经网络能否有效学习并基于可靠性与成本率函数预测最优检查间隔？
• RQ4 与静态或固定间隔检查策略相比，所提方法在成本与可靠性方面表现如何？

主要发现

• 神经网络模型通过学习系统可靠性与成本率函数，高精度地预测了下一次最优检查时间。
• 与固定间隔检查策略相比，动态检查策略显著降低了总维护成本。
• 该模型考虑了维修后组件老化异质性，实现了更精确且成本效益更高的调度。
• 数值示例表明，所提方法在最小化长期成本率的同时保持了高水平的系统可靠性。
• 该方法可扩展至具有多个组件和复杂配置的系统，在不同故障过程条件下表现出强健性。