A rendszer helyreállítási képessége kulcsfontosságú tényező az optimális működés fenntartásában, különösen akkor, ha külső zavarok érhetik a rendszert. A rendszerek képesek visszatérni eredeti állapotukba a megfelelő karbantartási folyamatok alkalmazásával, és ezen képességek javítása elengedhetetlen ahhoz, hogy a jövőbeli külső sokkhatások ne okozzanak jelentős működési zavart. A helyreállítási képesség azt jelenti, hogy egy rendszer képes visszatérni a normális működéséhez vagy funkcionalitásához, miután zavarok, meghibásodások vagy kedvezőtlen események érték. Amikor a rendszer külső sokkhatásokkal találkozik, amelyek meghibásodást idézhetnek elő, a megfelelő sürgősségi karbantartás gyorsan helyreállíthatja a rendszer teljesítményét. Az ilyen típusú helyreállítási képesség jelentősen javítható a megfelelő karbantartási tevékenységek végrehajtásával.

A sürgősségi karbantartás (EM) egy olyan karbantartási megközelítés, amely nem képes teljes mértékben visszaállítani a rendszer teljesítményét az eredeti állapotba. Az EM alkalmazása után a rendszer degradációja, valamint a degradáció üteme módosul, ami összefüggésben van az alkalmazott karbantartás hatékonyságával. Az EM hatásainak modellezésére például a következő egyenletet használják:

ck=1/(1−exp⁡(−abk−1))⋅abk−1exp⁡(−bk−1a(TEMTtotal−ck))ck = 1 / (1 - \exp(-abk^{ -1})) \cdot abk^{ -1} \exp\left(-bk^{ -1}a\left(\frac{TEM}{Ttotal} - ck \right) \right)

Ahol az "a" és "b" a hiperparaméterek, "k" a karbantartás gyakorisága, "TEM" az EM küszöbérték, míg "Ttotal" a teljes szolgálati idő. Ez az egyenlet leírja a degradációs ütem módosulását, amit az EM alkalmazásának következményeként tapasztalunk. Az EM hatása normál eloszlás szerint modellezhető, így a teljesítményváltozások pontosan előre jelezhetők és optimalizálhatók.

A rendszer karbantartásának optimalizálása érdekében a múltbéli eredmények alapján szükséges figyelembe venni a többcélú optimalizációs modellek alkalmazását. Az optimális karbantartás lehetővé teszi a rendszer teljesítményveszteségének minimalizálását, miközben a karbantartási költségek is csökkenthetők. Az egyik alapvető mutató, amit az ilyen optimalizálás során figyelembe vesznek, a rendszer teljesítményveszteségi aránya, amely kifejezi, hogy a karbantartás milyen mértékben képes visszanyerni a rendszer teljesítményét. Ezt a mutatót a következő integrált egyenlet segítségével számolhatjuk ki:

Me1=1T∫0TDe(t) dtMe_1 = \frac{1}{T} \int_0^T De(t) \, dt

Ahol De(t)De(t) a rendszer dinamikus kumulatív degradációja az idő függvényében, és TT a teljes szolgálati idő. Ez közvetlenül mérhető és tükrözi a karbantartási tevékenységek hatását, ellentétben a hagyományos megbízhatósági vagy rendelkezésre állási mutatókkal, amelyek gyakran bonyolultabbak és kevésbé intuitívak.

A karbantartás költségei nem csupán az erőforrásokkal kapcsolatos kiadásokból állnak, hanem a leállási idő okozta veszteségekből is. A karbantartás költségeinek összesítése az alábbiak szerint történik:

Me2=C=(Cm+Cp)Me_2 = C = (Cm + Cp)

Ahol CmCm az erőforrások költsége, például a karbantartó eszközök bérlése vagy vásárlása, míg CpCp a leállási idő okozta veszteség. Ezen költségek minimalizálása érdekében a karbantartási időt és a szükséges erőforrásokat is optimalizálni kell.

A többcélú optimalizálás célja a rendszer teljesítményveszteségének és a karbantartási költségek minimalizálása. Ehhez a következő korlátozások figyelembevételével kell meghatározni a megfelelő karbantartási küszöbértékeket:

0≤Me1≤1Me2≥00≤TEM≤T0≤TCBM(i)≤T\begin{aligned} 0 \leq Me_1 \leq 1 \\ Me_2 \geq 0 \\ 0 \leq T_{EM} \leq T \\ 0 \leq T_{CBM(i)} \leq T
\end{aligned}

Ezen korlátozások figyelembevételével a cél az, hogy mindkét mutató értéke a kívánt szinten maradjon, elkerülve a túlzott költségek vagy nem kívánt teljesítménycsökkenés kialakulását.

A többcélú optimalizálás során a döntéshozóknak figyelembe kell venniük az egyes célok közötti esetleges trade-offokat, amelyek a különböző célok közötti kompromisszumot jelenthetik. Ennek kezelésére a H-MOPSO algoritmus alkalmazása javasolt. Ez az algoritmus a többcélú optimalizálás során lehetővé teszi, hogy az egyes célok priorizálásával és az optimalizációs térben történő Pareto-optimális megoldások keresésével a legjobb eredményeket érhessük el. Az algoritmus alkalmazása során a részecskék kezdeti helyzetét a Latin hypercube mintavételi módszer segítségével határozzák meg, és a részecskék mozgása az optimalizációs feladat célfüggvénye szerint történik.

A karbantartási optimalizálás egyik kulcsfontosságú eleme a rendszer alkalmazkodó képessége és a karbantartási aktivitások hatékonysága. Az alkalmazott módszerek nem csupán a karbantartás költségeinek csökkentésére, hanem a rendszer teljesítményének hosszú távú fenntartására is fókuszálnak. Az EM és CBM kombinált alkalmazása lehetőséget biztosít arra, hogy a rendszer a lehető legjobban alkalmazkodjon a változó környezethez és minimalizálja a hibák hatásait. Az optimális megközelítés a karbantartás előre jelzett ütemezése, amely elősegíti a leállások csökkentését és biztosítja a folyamatos működést.

Hogyan befolyásolják a karbantartási stratégiák az ipari rendszerek megbízhatóságát és fenntarthatóságát?

A karbantartás és a megbízhatóság optimalizálása az ipari rendszerek egyik legfontosabb aspektusa, amely közvetlenül befolyásolja a működési költségeket, az eszközök élettartamát, valamint az üzembiztonságot. A különböző karbantartási modellek és rendszerek figyelembe veszik az eszközök állapotát, a lehetséges meghibásodásokat, és különböző módszereket kínálnak azok minimalizálására, figyelembe véve a rendszerek dinamikus és összetett jellegét. Az ipari rendszerek karbantartása nem csupán az eszközök meghibásodásának megelőzésére koncentrál, hanem a meghibásodásokat követő helyreállítási stratégiákra is, figyelembe véve a rendszerek összetett kapcsolatait és az azokon belüli hibák kölcsönhatását.

A prediktív karbantartési módszerek például a statisztikai és valószínűségi modelleket alkalmazzák annak érdekében, hogy előre jelezzék az eszközök meghibásodását. A modellek különféle matematikai alapú eszközöket kínálnak, mint például a Wiener-degradációs modellek, amelyek figyelembe veszik az eszközök lassú, fokozatos kopását, valamint a hirtelen, váratlan meghibásodásokat. A fenntartás ezen formája lehetővé teszi, hogy a cégek és szervezetek a közelgő meghibásodásokat időben felismerjék, és megelőző intézkedéseket hozzanak, mielőtt a probléma jelentős költségekkel járna.

A karbantartás során különös figyelmet kell fordítani a rendszerek kölcsönhatásaira, hiszen a különböző hibák összefonódása új típusú kockázatokat eredményezhet. Egyes modellek, mint például a versengő hibafolyamatok modellezése, figyelembe veszik a különböző rendszerek közötti függőségeket, amelyeket a karbantartási döntések során kell kezelni. Az ilyen megközelítések segítenek abban, hogy a vállalatok optimalizálják a karbantartás ütemezését és minimalizálják a leállások miatti termelési veszteségeket.

A digitális ikrek alkalmazása az ipari rendszerek fenntartásában egyre nagyobb szerepet kap, mivel lehetővé teszi a rendszerek szimulálását és a valós idejű adatgyűjtést. A digitális ikrek segítségével a karbantartási tervek dinamikusan alkalmazkodhatnak a valós körülményekhez, figyelembe véve az eszközök aktuális állapotát és környezeti tényezőiket. Az ilyen típusú prediktív modellezés és karbantartás támogatja a folyamatos teljesítményértékelést, amely nélkülözhetetlen a fenntarthatóság biztosításában, különösen az olyan rendszereknél, mint a tengeri szélparkok vagy a subsea olaj- és gázvezetékek.

A karbantartási rendszerek és stratégiák kiterjedtek, és a különböző iparágak eltérő igényeihez igazodnak. Míg az egyes rendszerek egyedi megoldásokat igényelnek, a fenntarthatóság és az erőforrások hatékony kezelése minden területen központi szerepet kap. A dinamikus és valós idejű modellezés lehetővé teszi a rendszerek rugalmasságának és ellenálló képességének javítását, amely kulcsfontosságú az ipari rendszerek hosszú távú fenntarthatóságának biztosításában.

A rendszerek megbízhatóságának és fenntarthatóságának javításához szükséges egy integrált szemlélet, amely nem csupán a meghibásodások előrejelzésére összpontosít, hanem a rendszer egészének dinamikáját és komplexitását is figyelembe veszi. Az ipari rendszerek karbantartásának optimalizálása elengedhetetlen ahhoz, hogy a vállalatok hatékonyan működjenek a mai gyorsan változó és gazdaságilag kihívásokkal teli piacon. A folyamatos fejlesztés és innováció révén a karbantartási modellek hatékonyabbá válhatnak, és képesek lesznek kezelni az új típusú kockázatokat, amelyek az ipari rendszerek működéséből adódnak.

Hogyan befolyásolják a hibadiagnózis eredményeit az érzékelőhibák és a zaj a mélytengeri BOP vezérlőrendszerben?

A mélytengeri BOP vezérlőrendszerében végzett hibadiagnózis a rendszer működésének elemzését és javítását szolgálja, hogy biztosítsák a folyamatok stabilitását és biztonságát. A hibák típusai közé tartoznak a hidraulikus rendszerek meghibásodásai, érzékelőhibák, valamint az elektronikai és vezérlőelemek működési zavarai. Az ilyen rendszerek hibadiagnózisa azonban nem csupán az egyes hibák azonosítását jelenti, hanem a zaj és a redundancia szintjének hatását is figyelembe kell venni a diagnosztikai eredmények megbízhatóságának növelésére.

A hibaértékek meghatározása az adott rendszer paramétereinek és az előre beállított szabványos jeleknek megfelelően történik. Amikor egy mérés ±5%-on belül van a szabványos értéktől, azt "normál" állapotnak tekintik. Ha az érték 5% és 10% közötti eltérést mutat, akkor "extrém magas" vagy "magas" kategóriába sorolják, míg az -5% és -10% közötti eltérés esetén "extrém alacsony" vagy "alacsony" állapotról beszélhetünk. Ezen kívül, az AI csatorna hibáját az alarminformációk generálják a PLC rendszeren keresztül, és normál esetben az AI rendszer "normál" állapotban van. Ha az AI csatorna feszültsége vagy áramlása meghaladja az előírt normákat, a rendszer figyelmeztetést generál.

A hidraulikus rendszerek hibái közé tartozik a PL (leakage, azaz szivárgás), AAL (akkumulátor levegőszűkítő), PVS (proporcionális szelep), AHL (hidraulikus hiba) és EVL (elektronikai hiba). Az akkumulátor légzsákjának szivárgása vagy a proporciós szelep dugattyújának elzáródása a rendszer stabil állapotba való visszatérését gátolhatja, vagy nagy stabilitási hibát okozhat. A hiba diagnózis során ezek a hibák úgy jelenhetnek meg, hogy a rendszer "normál" állapotot jelez, miközben az egyébként nem az.

A szenzorhibák, például a drift és a nyereség problémái, szintén jelentős hatással vannak a rendszer teljesítményére, mivel ezek torzíthatják a szenzorok által mért adatokat. A rendszer az érzékelők hibás adatai alapján reagál, és így a kimeneti jel is hibásként jelenhet meg, ami viszont hibás diagnózist eredményezhet. Az ilyen hibák észlelése és a helyes válasz meghatározása érdekében a flow monitoring rendszerek, például az AI csatorna szavazási rendszere segíthet az érzékelőhibák és a csatornák hibáinak elkülönítésében. Ez különösen hasznos lehet a szenzor hibák és hidraulikus alkatrészek meghibásodásai esetén.

A hibák diagnosztizálásának hatékonyságát jelentősen befolyásolják a minta vételi frekvencia, a zaj szintje és a redundancia mértéke. A különböző sampling frekvenciák hatásainak vizsgálata során megfigyelhető, hogy a minták közötti zaj erőteljesen torzíthatja az eredményeket. A zavartalan környezetben végzett mintavétel biztosítja a legmegbízhatóbb diagnosztikai eredményeket. A zajnak köszönhetően a dinamikus teljesítmény mérését nagyban befolyásolja a környezet, különösen a víz alatti műveletek során, ahol az elektronikai zaj és a környezeti változások nagy hatással vannak a rendszer működésére. Ezen kívül a redundancia szintje, például a kétmodulos vagy hárommodulos rendszerek alkalmazása növelheti a hibadiagnózis pontosságát és megbízhatóságát.

A zajok és a mintavételi frekvenciák együttes hatása miatt fontos megérteni, hogy a hibadiagnózis eredményei a szenzorok és a vezérlőrendszer kialakításától függően jelentős mértékben változhatnak. A zajok hatása különösen a szenzorok és a vezérlőegységek közötti kapcsolatok során figyelhető meg. A rendszer zajokkal kapcsolatos viselkedését alaposan meg kell vizsgálni annak érdekében, hogy a hiba észlelését és a diagnózist optimálisan lehessen végezni.

Mivel a BOP rendszerek rendkívül komplex környezetben működnek, a pontos diagnózis érdekében folyamatosan figyelembe kell venni a rendszer különböző paramétereit, mint például a szenzorok és az érzékelőcsatornák megbízhatóságát, valamint a zűrzavarok és zajok hatását. A legjobb eredmények eléréséhez alapvető, hogy a rendszer ezen aspektusait részletesen figyelemmel kísérjük, és a diagnosztikai módszereket a valós környezethez és a specifikus követelményekhez igazítsuk.

Hogyan befolyásolja a zaj és a paraméterek bizonytalansága a RUL előrejelzését?

A RUL (Remaining Useful Life, maradék hasznos élettartam) előrejelzésében fontos szerepet játszik a paraméterek pontos kezelése, mivel ezek az előrejelzés alapvető elemei. A statisztikai modellek és az algoritmusok segítségével meghatározhatjuk a rendszerek várható élettartamát, miközben figyelembe kell venni a bizonytalanságokat, amelyek különböző forrásokból származhatnak, például megfigyelési zajból vagy a paraméterek változékonyságából. Az egyik legmodernebb megközelítés, amely az ilyen típusú problémák kezelésére szolgál, a hibrid DBN-KF (Dynamikus Bayes-hálózat és Kalman-szűrő) módszer, amely képes csökkenteni az előrejelzés hibáját a paraméterek és a zajok optimális figyelembevételével.

Az adatok időbeli elemzése során az egyik legfontosabb tényező a paraméterek, mint a drift koefficiens (λ) és a szórás (σ²B) viselkedése. A fig. 7.21 ábrán látható, hogy ezek a paraméterek időben változnak, és a modellezési hibák mértéke is függ a különböző megfigyelési zajoktól. A hagyományos sztochasztikus folyamatmodellekhez képest a DBN módszer azzal tűnik ki, hogy képes intuitívan és részletesebben megjeleníteni a paraméterek valószínűségi eloszlását minden előrejelzési szakaszban. A hagyományos Kalman-szűrőhöz (KF) képest a DBN-KF módszer kisebb ingadozásokkal és jobb stabilitással képes előre jelezni a rendszerek degradációs folyamatát.

Az összehasonlító elemzés alapján, amely a fig. 7.22 ábrán található, látható, hogy a DBN-KF módszer jobban közelíti meg a valós degradációt, míg a hagyományos KF alapú módszer már a 90. hónap után jelentős eltéréseket mutat. A DBN-KF módszer az előrejelzés hibáját minimalizálja, miközben figyelembe veszi a bizonytalanságokat, és javítja a predikció pontosságát. Mivel a KF módszer nem veszi figyelembe a paraméterek valószínűségi eloszlását, ezért az eredmények gyakran eltérnek a valóságtól, különösen hosszú távon.

A fig. 7.24 ábrán látható előrejelzési eltérés bemutatja a különböző módszerek közötti különbségeket. A DBN-KF optimalizált előrejelzéséhez képest a KF módszer előrejelzései az elején pontosak, de idővel jelentősen eltérnek a valóságtól. A DBN önálló alkalmazása hasonló trendet mutat, de az előrejelzési hibák ingadozása nagyobb mértékű, különösen a középtávú előrejelzési szakaszokban (60-140 hónap). A DBN-KF módszer kisebb maximális eltérést mutat, és stabilabb előrejelzést biztosít az egész életciklus alatt.

A különböző előrejelzési módszerek hibáinak kvantifikálására a 7.5 táblázatban bemutatott elemzést végezték el. Az eredmények azt mutatják, hogy a DBN-KF módszer a legpontosabb, és jelentős javulást mutat a KF és DBN módszerekhez képest. A hibák csökkenése minden mutatóban jól látható: a sum of squares error (SSE), a mean absolute error (MAE), a mean square error (MSE) és a root mean square error (RMSE) mind alacsonyabb értékeket mutatnak a DBN-KF esetében. A DBN-KF tehát nemcsak a globális hibát csökkenti, hanem az előrejelzési hibák eloszlásának stabilitását is növeli.

Fontos megérteni, hogy a modellek pontossága nemcsak a használt algoritmusokkal, hanem a bemeneti adatok minőségével is összefügg. A megfigyelési zaj mértéke például jelentős hatással van a predikciók pontosságára. A DBN-KF algoritmus érzékenységi elemzése, amelyet a 7.26 ábra mutat be, jól példázza, hogyan befolyásolja a különböző paraméterek változása a RUL előrejelzést. A drift koefficiens, λ, különösen fontos a degradációs sebesség előrejelzésében, míg a szórás, σB, kevésbé befolyásolja a hosszú távú előrejelzéseket, de hatással van a rövid távú ingadozásokra.

A predikciók pontossága mellett az algoritmusok képesek érzékelni a paraméterek érzékenységét, ami segíthet a rendszer megbízhatóságának javításában és a karbantartási döntések optimalizálásában. A küszöbértékek, mint a meghibásodási küszöb (xth), szintén szerepet játszanak a végső előrejelzésben, bár ezek hatása általában kisebb, mint a drift és szórás paramétereké.

Hogyan becsüljük meg a RUL-t, figyelembe véve a láncreakciós hibát a több szintű rendszerekben?

A teljesítménycsökkenés modelljei alapján meghatározzák az összes teljesítménycsomópontot és teljesítményváltozó csomópontot, majd a mintavételi módszerekkel, például Monte Carlo szimulációval mintát vesznek. Végül a CPT-ket (Conditional Probability Tables – Feltételes valószínűségi táblák) elegendő mintavett értékek és az ezekhez tartozó valószínűségek alapján nyerik ki.

A RUL (Remaining Useful Life – Megmaradó Hasznos Élettartam) becslése dinamikus teljesítmény alapján történik. Például, ha a teljesítmény a rendszerek megbízhatóságát, elérhetőségét és szolgáltathatóságát jelenti, akkor a teljesítmény idővel csökken; ha a teljesítmény a hiba valószínűségét jelenti, akkor általában nő az idő múlásával. A RUL meghatározása a hiba küszöbértékén alapul, amelyet az adott rendszer hibamechanizmusa határoz meg. Ha feltételezzük, hogy a rendszer tényleges teljesítménye A, és a rendszer akkor hibásodik meg, amikor A ≤ Ath (ahol Ath a kritikus küszöb), a rendszer RUL-ja T-ként határozható meg, mint az a legkisebb időpont, amikor A(t) ≤ Ath, és A(0) > Ath. Az RUL becslési módszerét a következő ábra szemlélteti.

A hibaidő az a pillanat, amikor a teljesítmény először eléri a küszöbértéket. Az RUL két kategóriára osztható: tényleges RUL és becsült RUL. A tényleges RUL a teljes teljesítményfigyelés vagy a valódi, történeti csökkenési adatok alapján számított RUL. A becsült RUL az előrejelzett teljesítmény alapján, degradációs modell felállításával és a csökkenési trend előrejelzésével számított RUL. Az interakciókat figyelembe vevő RUL és az interakciók nélküli RUL a modellezés alapján kiszámított két becsült RUL, a különbség pedig az, hogy figyelembe veszik-e az interakciókat. A RUL becslésének pontossága egyértelműen elsődleges cél.

A láncreakciós hiba modelljének figyelembevételével történő RUL becslésében egy új módszertant javasolnak, amely a több szintű rendszerek csökkenési modelljére épít. A multiszintű rendszerek pozíció- és funkciójellemzőire alapozva a pozíció- és funkciófontosságot javasolják a láncreakciós hiba modellezésére, majd a több szintű rendszerek RUL-ját számítják ki. Az ábra a láncreakciós hiba terjedésének időbeli modelljét mutatja, amely egy tipikus több szintű rendszer alulról felfelé történő átvitelét szemlélteti. A rendszer minden szintjén található csomópontok csökkenési kapcsolatát a monitoring adatainak paraméterbecslései és szakértői tapasztalatok kitöltése alapján kapják meg.

A csomópontok közötti kapcsolatok azt jelzik, hogy mikor van normális működés (fekete vonal), és mikor lép fel láncreakciós hiba (piros vonal). Ha az alsóbb szintű csomópont hibásodik meg, a láncreakció hatása a következő szint csomópontjait is elérheti, és így tovább. A több szintű rendszerek minden szintje párhuzamos kapcsolatokat tartalmaz, ahol az egyes szubszisztémák az összes szomszédos szubszisztémával összekapcsolódnak. A csomópontok vagy kapcsolatok meghibásodása teljesítménycsökkenést eredményez, amely az eredeti kapcsolati struktúra meghibásodásához vezethet. A láncreakciós hiba során a következő szint teljesítménye a csomópont helyétől és funkcionális fontosságától függően fokozatosan csökken, míg az egész rendszer végül működésképtelenné válik.

A láncreakciós hiba modelljeinek alkalmazása nem csak az időbeli teljesítménycsökkenést, hanem a hálózatban zajló fokozatos hibákat is figyelembe kell venni. Ez nem egy azonnali jelenség; a hibák kezdetben lassan terjednek, és a csomópontok fokozatosan károsodnak. A láncreakció hatása a hálózati teljesítményre idővel egyre inkább érezhető, és ennek modellezése komoly kihívásokat jelent, mivel a rendszer maga is károsodik a láncreakciós hiba terjedése közben.

A láncreakciós hiba alapú meghibásodási módra vonatkozó javasolt modell figyelembe veszi a pozíció- és funkciófontosság hatását a csomópontok degradációjára. A pozíció- és funkciófontosság együttes hatását súlyozó együtthatók reprezentálják, és a rendszer jellemzői, valamint a környezet hatásai (például biztonság, gazdaságosság, környezeti tényezők) alapján kerülnek meghatározásra. A láncreakciós hiba csak a közvetlenül kapcsolódó alhálózatokban jelentkezik, tehát az első szintű alhálózat csomópontjainak meghibásodása csak a következő szint csomópontjaira van hatással.

Az ilyen típusú rendszerekben történő RUL becslésének modellezése a következő lépéseket tartalmazza: először detektálni kell a csomópontok működési állapotát és meghatározni, hogy a csomópont meghibásodott-e; másodszor, meg kell határozni a csomópont pozíció- és funkciófontosságát, és kiszámítani a kapcsolódó súlyozó együtthatókat; harmadszor, ki kell számítani a következő szint csomópontjainak teljesítményét, majd vissza kell ellenőrizni azok állapotát. Ez az iteratív folyamat folytatódik a végső szintig, amikor már meghatározható a végleges meghibásodott csomópontok száma, és az egész rendszer teljesítménycsökkenése.

A DBN (Dinamikus Bayes-háló) alapú modellezés egyik előnye, hogy képes figyelembe venni az időbeli változásokat is. A DBN modellek alapvetően a Markov-tulajdonságokat használják, amelyek lehetővé teszik a valószínűségek időbeli változásának dinamikus modellezését, valamint a kezdeti és átmeneti valószínűségi eloszlások kialakítását. A DBN modellezés során feltételezhető, hogy a valószínűségek változása időben stabil, és a dinamikus változások Markov-tulajdonságot mutatnak. Ez lehetővé teszi a rendszer állapotának pontosabb követését az időben.

Hogyan építhetünk sikeres szövetségeket és kapcsolati hálókat az érdekérvényesítésben?
Hogyan alakította Reagan a jóléti rendszer narratíváját?
Hogyan váltak a mesterek és tanítványaik kísértetté Ninjago világában?
Mi a felelőssége a pszichiátereknek a közéleti személyek mentális állapotának megítélésében?