Amikor a rendszer állapota közvetlenül t = Ts előtt, azaz t = T−s időpontban adott, akkor a karbantartási tevékenységek meghatározása már elvégezhető. Fontos, hogy a CBM (Condition-Based Maintenance) egy olyan karbantartási stratégia, amely a rendszerek tényleges állapotának figyelemmel kísérésére épít annak érdekében, hogy meghatározhatóak legyenek a megfelelő karbantartási lépések. Az alapján, hogy melyik karbantartási politika érvényes, a lehetséges karbantartási intézkedések és az IMR-ek (In-Service Maintenance Repair) utáni rendszerállapotok feltételezhetően a t = T−s időpontban lévő rendszerállapottól függenek, de függetlenek minden olyan rendszerátmenettől, amely a Ts időpont előtt történt. Az IMR-ek hatását a t = Ts időpontban az alábbi képlettel ábrázolhatjuk:

Pr(XT+s∣XT)=bXi,Xj∀Xi,Xj∈χPr(X_{T+s} | X_T) = b_{Xi, Xj} \quad \forall X_i, X_j \in \chi

Ahol bXi,Xj az a valószínűség, hogy a rendszer Xj állapotba kerül az IMR-ek után, amennyiben az előző állapot X_i volt az előző ellenőrzés előtt. Az előbbiekben említett ellenőrzési stratégiák alapján több karbantartási politika is javasolt. Az apróbb megelőző karbantartást (PM) és a nagyobb korrigáló karbantartást (CM) az ellenőrzési eredmények alapján hajtják végre. Független komponens esetén a karbantartási politika három fázisra oszlik, amelyeket a 17.4 ábra szemléltet.

Az I. fázisban (x ≤ a) a komponens elfogadható állapotban van, és nincs szükség karbantartásra (NM). A II. fázisban (a + 1 ≤ x ≤ b) a komponens már romló állapotban működik, és PM (megelőző karbantartás) szükséges ahhoz, hogy a komponens visszatérjen az előző állapotába. A III. fázisban (b + 1 ≤ x ≤ k) pedig a CM (korrigáló karbantartás) szükséges, hogy a komponens visszatérjen egy "mint új" állapotba, amikor a komponens rossz állapotra romlik. A karbantartási intézkedések végrehajtása után az állapotátmeneti modell a degradációs átmeneti modellt, a javítási átmeneti modellt és azok kombinációit tartalmazza.

A modell feltételezi, hogy a komponensek között állandó a degradációs sebesség két állapot között. Ezt a fenntartási átmeneti mátrix B írja le, amely az alábbi képlettel ábrázolható:

P(T+s)−P(T)=B⋅P(T)P(T+s) - P(T) = B \cdot P(T)

A fenntartási átmeneti mátrix B a rendszer komponens állapotától függően több részmátrixra oszlik. Az I. és II. fázisokban az egyes komponensek karbantartása a komponens aktuális állapotának függvényében történik, és a mátrixokat megfelelően aktualizálják az idő múlásával. A rendszerek működésében jelentkező különféle hibák hatásai a komponensek közötti kölcsönhatások miatt nemcsak az egyes eszközöket befolyásolják, hanem gyorsíthatják más eszközök degradációs ütemét is.

A rendszerek rendelkezésre állásának elemzése érdekében alkalmazhatók a rendszer állapotátmérési valószínűségei, amelyeket a következő képlet segítségével lehet meghatározni:

P(t)=P(0)⋅exp⁡(A(Ts−Ts−1))⋅B⋅exp⁡(A(T−t))P(t) = P(0) \cdot \exp(A(Ts − Ts-1)) \cdot B \cdot \exp(A(T-t))

A rendszer rendelkezésre állását a következő képlettel számíthatjuk ki:

AS=1−AsAS = 1 − A_s

Ahol AsA_s a rendszer meghibásodásának valószínűsége az adott időintervallumban. A rendszer rendelkezésre állása azt jelzi, hogy a rendszer mennyi időt képes normál körülmények között működni, amikor az kívánt funkcióját végzi.

A karbantartási költség az ellenőrzési költségből, a leállási költségből és a tényleges karbantartási költségből áll. A költségek kiszámításakor figyelembe kell venni az ütemezett karbantartás által okozott tervezett leállási költségeket (cp) és az előre nem látott meghibásodásokból eredő nem tervezett leállásokat (cu). A karbantartási költség összege a következő képlettel adható meg:

C(Ts)=∑n(cm1,i⋅P(a+1≤xi(Ts)≤b)+cm2,i⋅P(b+1≤xi(Ts)≤k))C(T_s) = \sum_n \left( cm_1,i \cdot P(a + 1 ≤ x_i(T_s) ≤ b) + cm_2,i \cdot P(b + 1 ≤ x_i(T_s) ≤ k) \right)

Az átlagos élettartam költsége az alábbi módon számítható:

CS=cinNin+cpNin+C((Ts−1,Ts])/T+cuAsCS = c_{in}N_{in} + c_pN_{in} + C((T_s-1 , T_s]) / T + c_u A_s

A karbantartási költség minimalizálása érdekében a modellek optimalizálása segít elérni a kívánt gazdaságossági célokat.

A subsea rendszerek elemzésével kapcsolatosan egy példa is bemutatásra kerül. A subsea szétválasztó rendszer működése, ahol gáz, olaj és víz áramlik különböző vezetékeken, az optimális karbantartási stratégiák alkalmazását és a komponensek fokozatos elhasználódását követi. A különböző meghibásodások, például a szivárgások, a túlmelegedés vagy az eszközök nem tervezett leállásai a rendszer működését befolyásolják, és gyakran más komponensek degradációs ütemét is felgyorsítják.

Hogyan befolyásolják a meghibásodási függőségek és karbantartási tevékenységek a komplex tengeri termelési rendszerek fenntarthatóságát?

A tengeri termelési rendszerek megbízhatóságának és fenntarthatóságának biztosítása különösen kihívást jelent a tengeralatti környezetekhez kapcsolódóan. A rendszer összetettsége, amely az emberi igények kielégítésére irányuló folyamatos fejlődés következménye, még bonyolultabbá teszi a fenntartható működést és karbantartást. A tengeralatti rendszerek bizonyos elemei között működési vagy szerkezeti kapcsolat figyelhető meg, ami kétféle meghibásodási függőséget eredményez. Az ilyen függőségek növekvő aggodalmat keltenek, mivel bonyolultabb rendszerek hajlamosabbak a meghibásodásokra, amelyek súlyos pénzügyi veszteségekhez, fokozott kockázatokhoz és környezeti szennyezéshez vezethetnek. Mindezek egyértelmű jelei a fenntarthatóság csökkenésének, különféle szempontokból.

Ezeket a meghibásodási függőségeket a tengeri ökoszisztémák fenntarthatóságának szempontjából különösen fontos figyelembe venni. A rendszer fenntarthatóságának javítása érdekében a meghibásodási függőségek minimalizálása és a karbantartási tevékenységek megfelelő végrehajtása szükséges. Ezért elengedhetetlen a tengeralatti termelési rendszerek fenntarthatóságának vizsgálata. A kutatás középpontjában az áll, hogy hogyan lehet értékelni a meghibásodási függőségek és a karbantartási tevékenységek hatását a komplex tengeralatti termelési rendszerek fenntarthatóságára.

A meghibásodási függőségek hatása két fő módon jelenik meg a fenntarthatóságban. Egyrészt a meghibásodási függőségek befolyásolják az egyes komponensek állapotát és elhasználódásának ütemét, ami közvetlen hatással van a rendszer működésére és termelésére, és ezáltal a fenntarthatóságra. Másrészt a meghibásodási függőségek csökkentése érdekében végrehajtott karbantartási tevékenységek közvetve befolyásolják a fenntarthatóságot. A de-kapcsoló karbantartás (DM) célja a rendszer komponensei közötti meghibásodási függőségek mértékének csökkentése. A de-kapcsolás révén a meghibásodások megelőzhetők, és a rendszer stabilitása növelhető.

A tengeri környezetek különleges kihívásokat jelentenek a karbantartási tevékenységek számára, például a magas nyomás, az alacsony hőmérséklet, a korrózív tengervíz és a hulladékok folyamatos jelenléte. Az ilyen környezetek miatt a tengeralatti komponensek karbantartása különleges feladat, amely számos egyedi kihívást rejt magában. A karbantartás ebben a kontextusban nemcsak a rendszer teljesítményére van hatással, hanem közvetlenül és közvetve is módosítja a fenntarthatóságot. A hagyományos karbantartási stratégiák és a de-kapcsoló karbantartás integrálása lehetőséget ad arra, hogy az optimális egyensúly elérhető legyen a tengeri rendszer működése és a környezetével való fenntartható kapcsolat között.

A fenntarthatóság értékelése érdekében egy új integrált keretrendszert javasoltak, amely figyelembe veszi a meghibásodási függőségek és a karbantartási tevékenységek hatásait. A rendszerben három almodellel dolgoznak: a komponensek elhasználódását és az azok közötti meghibásodási függőségeket egy degradációs modell segítségével becsülik meg. A hagyományos karbantartási stratégiák és a karbantartási modell segítségével meghatározhatók a karbantartás hatásai, és a de-kapcsoló karbantartási tevékenységek beépítésével csökkenthetők a meghibásodási függőségek. A fenntarthatóságot egy univerzális fenntarthatósági modell segítségével értékelhetjük, amely figyelembe veszi a rendszer működését és a karbantartási tevékenységeket.

A de-kapcsoló karbantartás és a hagyományos karbantartás közötti különbségek megértése segíti a mérnököket abban, hogy a tengeralatti rendszerek számára a legmegfelelőbb karbantartási stratégiákat dolgozzák ki. A de-kapcsoló karbantartás elsősorban azokat a komponenseket célozza, amelyek közötti meghibásodási függőségek erősebbek, és ezzel a rendszer megbízhatóságát növeli. A rendszer fenntarthatóságának javítása érdekében elengedhetetlen, hogy a mérnökök és a karbantartási szakemberek ismerjék a komponensek degradációjának folyamatát, a közöttük fennálló meghibásodási függőségeket és a megfelelő karbantartási módszereket.

A rendszer dinamikája folyamatosan változik, és az ilyen komplex rendszerek viselkedésének megértéséhez valós idejű modellekre van szükség. A Degradációs-karbantartási modell (DBN) lehetővé teszi a rendszer folyamatos viselkedésének rögzítését, és segíti a mérnököket a karbantartási stratégiák kialakításában. A DBN modellek képesek kezelni az összetett rendszerek bizonytalanságait, és előre jelezhetik a rendszer viselkedését, így lehetővé téve a fenntarthatóságot befolyásoló döntések optimalizálását. A GeNIe szoftver segítségével a mérnökök könnyedén létrehozhatják, értékelhetik és vizualizálhatják a valószínűségi grafikus modelleket, és jobban megérthetik a rendszer működését.

A fenntarthatóság növelésére tett erőfeszítések során fontos figyelembe venni a komponensek közötti kapcsolatokat, a meghibásodások valószínűségét és a karbantartási tevékenységek hatékonyságát. A megfelelő karbantartási stratégiák alkalmazásával elérhetjük, hogy a tengeri rendszerek hosszú távon fenntartható módon működjenek, csökkentve ezzel a környezetre gyakorolt negatív hatásokat és a gazdasági veszteségeket.

Hogyan befolyásolják a hibák a nyomásmérők adatait a tenger alatti termelési rendszerekben?

A tenger alatti termelési rendszerekben alkalmazott digitális iker modellek alkalmazása során a mérési hibák és azok hatásai fontos tényezőt képeznek a rendszerek megbízhatóságának és hibaelemzésének szempontjából. A különböző nyomásmérők (PT-k) hibáinak vizsgálata azt mutatja, hogy a hiba mértéke változó, de többnyire 6%-nál kisebb. Különböző PT típusok között jelentős eltérések figyelhetők meg, például a PT5 hibaértéke a legnagyobb. Érdekes jelenség, hogy a PT6-PT9 nyomásmérők hibája magasabb, mint a PT3-PT5-ösöké, mivel a hibás szelep előtt elzárt szelepek zárásának következtében a nyomásértékek csökkentek, és az apróbb hibák nagyobb százalékos eltéréseket eredményeztek. A hibák átlagos értékei a legtöbb esetben 3% alatt maradnak, míg a PT7 esetében az átlagos hiba 4,4%-ra emelkedik. A PT7 nyomásának értéke körülbelül 26,5 psi, ami 1,17 psi hibát eredményez – mindössze a rendszer teljes nyomásához képest, amely 234 psi.

A mérési adatok gyűjtésére alkalmazott módszerek közben jelentkező kis zűrzavart, amit zajként definiálhatunk, gyakran egyszerű módszerekkel, például hullámtranszformációval csökkenthetjük. Azonban az itt végzett kutatás során nem alkalmazták ezeket a zajcsökkentő eljárásokat, mivel a mintavételi gyakoriság alacsony volt, és a felvett zajok hatása elhanyagolható maradt. A zűrzavaraknak ilyen módon minimális hatásuk van a digitális iker modellre és a hibadiagnózisra, mivel ezek az ingadozások inkább a normál értékek körül történnek, és alacsony amplitúdójúak, így a hibaelemzés hatékonyságát nem befolyásolják számottevően.

A hibás komponensekkel rendelkező PT-k változásait a digitális iker modell kimenetei alapján is vizsgálták. A tenger alatti termelési rendszerekben két típusú szelep létezik: nyitott és zárt szelepek. A nyitott szelepek meghibásodásakor a leggyakoribb hiba a szivárgás, amely csökkenti a nyomást és az azt követő PT-k értékeit. Ezt az esettanulmányban is bemutatták, ahol a V1 szelep szivárgása csökkentette a PT3-PT5 értékeit, de nem befolyásolta a PT2-t, mivel az PT2 a V1 előtt található. Ugyanez a jelenség figyelhető meg akkor is, amikor a nyomáscsökkentő szelep szivárog, és a többi PT értéke szintén csökken.

A zárt szelepek meghibásodásakor, különösen amikor az szelep belső tömítése elöregszik, az olaj nem tudja megfelelően lezárni a rendszert, ami belső szivárgást eredményez. Ekkor a szivárgás hatása általában csak a szelep mögötti PT-re hat, mivel az egyéb PT-k értékei nem változnak, mivel ezek a szelepek közvetlen hatása alá esnek.

Fontos megjegyezni, hogy a hibák adatainak gyűjtése nem mindig könnyen kivitelezhető. A valós adatgyűjtés során ritkán történnek olyan hibák, amelyek a rendszer normál működése alatt zajlanak le, mivel a rendszer karbantartása általában akkor történik, amikor egy meghibásodás már túl jelentős ahhoz, hogy figyelmen kívül hagyják. A digitális iker modellek nem mindig képesek pontosan modellezni a valós rendszert, ha nem frissítik dinamikusan a hiba paramétereket. Az ilyen hibák hatása az adott rendszerben kisebb lehet, ha nem frissítik folyamatosan a digitális iker paramétereit, így az adatmodell nem képes az összes fontos tényezőt figyelembe venni.

A digitális iker modell hibás állapotának kimenetei ugyanakkor figyelemre méltó eredményeket nyújtanak, amelyek segíthetnek a hiba diagnosztikai pontosságának javításában. Míg a rendszerben fellépő hibák hatásait, mint például a nyitott vagy zárt szelep hibái, figyelembe véve, a digitális iker modell képes előre jelezni a PT-k viselkedését, de a részletes hibák kimenetei eltérhetnek a valós adatokatól. Az alkalmazott hibamodellek és azok paramétereinek dinamikus frissítése alapvetően javíthatná a modell teljesítményét és a hibadiagnózis hatékonyságát.

A tenger alatti termelési rendszerek hibadiagnózisa tehát nemcsak a hibák azonosításán, hanem az azok hatásait modellező digitális iker rendszerek finomhangolásán is múlik. Az ilyen modellek hatékony alkalmazásához szükséges az összes releváns adat folyamatos frissítése és a valós rendszerekhez való szorosabb illesztése.

Hogyan történik az összetett hibák diagnosztikája a digitális iker technológia alkalmazásával?

A hibák valószínűsége közelíti az alkatrész meghibásodásának mértékét. Ebben a kutatásban elengedhetetlen, hogy meghatározzuk egy alkatrész meghibásodásának fokát, hogy a helyi áramkör φ állapotát meg lehessen határozni. A hibadiagnosztikai modell felállítása általában három lépésből áll: struktúramodellezés, paramétermodellezés és hibaokozati megfontolások. A hibadiagnosztikai modell struktúrája az alábbiak szerint ábrázolható. A tenger alatti termelési vezérlőrendszerekben a nyomásátalakítók (PT) és a szelepek (V) a fő alkatrészek. A szelepek meghibásodása gyakran a PT mutatóinak megváltozását eredményezi. Ezért a szelepeket a PT csomópont szülőcsomópontjaként kell kezelni. Ebben a modellben minden csomópontnak két állapota van: normális (N) és rendellenes (A). Az elején az adatokat a PT adataiból nyerhetjük ki. Így a diagnosztikai modell bemeneti adatainként P1–Pm értékeket használhatunk. Az eredmények az eredeti adatok alapján történő diagnosztizálással kerülnek meghatározásra, és az igazoló információk a digitális iker által történő ellenőrzés után származnak. Ezért egy olyan diagnosztikai modellt kell létrehozni, amely az eredeti adatokat és az igazoló eredményeket egyesíti, hogy azokat optimalizálni lehessen. A hibadiagnózis folyamatában a szülőcsomópontok egyes állapotai ismert információként kerülnek be. Ez az információ a digitális iker modell visszajelzése alapján kerül beszerzésre. Egy kereszt-validációs hibadiagnosztikai modell segítségével a jelhibák könnyen diagnosztizálhatók, és az eredmény kellően pontos. Azonban amikor összetett hibák lépnek fel, az ellenőrző modell problémákat okozhat. Az egyik hibát sikerül azonosítani, miközben a másikat figyelmen kívül hagyja. Ekkor szükség van egy új diagnosztikai modellre, ahogy azt az ábra is mutatja. Ebben a szakaszban a digitális iker modell egy olyan állapotban működik, amely bizonyos hibákat tartalmaz, és a digitális iker modell és a valós rendszer közötti hiba azokat a hibákat befolyásolja, amelyeket még nem diagnosztizáltak. Ezért a modell szülőcsomópontja a szelep, a gyermekcsomópont pedig a virtuális és a valós adatok közötti eltérés. Miután a diagnosztikai modell felépült, meghatározott előzetes és feltételes valószínűségeket kell hozzárendelni a csomópontokhoz. Két módszer is létezik ezek meghatározására: az egyik tapasztalati úton, a másik pedig tanulásos úton. Ebben a kutatásban az SCM adatok, különösen a hibás adatok nehezen kezelhetők. A hidraulikai rendszer logikája egyszerű, és nem igényel bonyolult vizsgálatot, ha rendelkezésre áll egy séma. Ezért az előzetes és feltételes valószínűségeket tapasztalati úton határozzák meg. A BN alapú hibadiagnosztikai modellben az előzetes valószínűségek nem kritikus tényezők az összes gyermekcsomópontra vonatkozóan, és a feltételes valószínűségek segítségével a poszterior valószínűségeket meghatározhatjuk, amelyek a hiba valószínűségét jellemzik. A szelepeknél a meghibásodás valószínűsége várhatóan jóval alacsonyabb, mint az előrejelzések. A szakirodalomból származó adatok szerint (Tang et al. 2022) a meghibásodás előzetes valószínűsége 4%, míg a normális működés valószínűsége 96%. A feltételes valószínűséget a hidraulikai áramkörök alkatrészeinek kapcsolatán alapulva határozzák meg. Például amikor egy szelep meghibásodik, az ezzel összefüggő rendellenes PT valószínűsége 95%. A re-diagnózis folyamatában, amikor egy szelep meghibásodik, az ezzel kapcsolatos rendellenes hiba valószínűsége 93%. Így egy feltételes valószínűségi táblázat jön létre. Miután a diagnosztikai modell elkészült, alkalmazható a hibadiagnózisra. Egy X csomópont esetében, melynek szülőcsomópontjai U, gyermekcsomópontjai Y, a feltételes valószínűség a következő módon van meghatározva: πX (U), míg a gyermekcsomópontról a csomópontra vonatkozó feltételes valószínűség λY (X). Az ismert bizonyítékok E segítségével az X csomópont családjára vonatkozó közös marginális valószínűséget az alábbi képlet adja meg:

P(XU,E)=λE(X)X∣UπX(Ui)λYj(X)P(XU , E) = λE(X ) X |U πX (Ui) λYj (X )

A hibadiagnosztikai modellben, amikor egy csomópont minden szomszédjától megkapja az információt, elindulhat egy üzenetküldés a szomszédos csomópontok felé. Ha egy csomópontnak van egy szomszédja, azonnal képes üzenetet küldeni, amely tartalmazza az élettartam csomópontot X egyetlen szülővel U. A diagnosztikai folyamat során a PT adatok kerülnek a hibaokozati modellbe, és a hibás csomópontok poszterior valószínűsége az előzőekben leírt hiedelempropagációs algoritmusokkal frissül. Az új adatokat a szomszédos állapotterülethez kell térképezni a szomszédos frekvenciával és modulációs indexszel ellátott terhelési mátrixszal történő szorzással. Általában minél nagyobb a hiba poszterior valószínűsége, annál valószínűbb, hogy az adott hiba bekövetkezik. Azonban a hibadiagnosztikai módszertan nem képes végleges diagnosztikai eredményt adni, hanem küszöbértéket kell alkalmazni. Ha egy komponens meghibásodásának valószínűsége meghaladja ezt a küszöböt, akkor az adott alkatrészt meghibásodottnak tekinthetjük. Az ipari tapasztalatok alapján ez a küszöb általában 78%-ra van beállítva. A poszterior valószínűségeket az alábbi képlet alapján rendelhetjük hozzá φ-hoz:

ϕ=1, ha P(V)≥0.65,ϕ=0.9+(κP(V)<0.65)ϕ = 1 \text{, ha } P(V) ≥ 0.65, \quad ϕ = 0.9 + (κ P(V) < 0.65)

ahol κ a digitális iker modell finomhangolására szolgáló paraméter, P(V) pedig az adott szelep meghibásodásának valószínűsége.

Az összesített hibát kétféleképpen mérhetjük: egyszerű hibával (Es) és kumulált hibával (Ep). Az Es a következő képlet szerint számítható:

Es=∣P−PDT∣r×100Es = \frac{|P - PDT|}{r} \times 100

A kumulált hiba pedig az Es értékek összegeként van meghatározva:

Ep=∑(Es)Ep = \sum(Es)

Ha a hiba meghaladja az előre beállított küszöböt, akkor az rendszerhibát jelezhet, és további diagnosztikai lépések szükségesek.

Milyen szerepe lehet a szilicénnek a következő generációs termoelektromos anyagokban?
Miért fontos a különböző csatákat és látomásokat összefüggésükben vizsgálni a kelta mitológiában?
Hogyan értelmezik a vallásszabadságot a tradicionális keresztény közösségek az Egyesült Államokban?