Hur säkerställer man pålitligheten och hållbarheten hos tekniska system genom avancerade modeller och metoder för underhåll?

För att säkerställa pålitligheten och hållbarheten hos komplexa tekniska system, är det avgörande att förstå och applicera olika metoder för att förutsäga systemens tillstånd, förutse potentiella misslyckanden och optimera underhållspraxis. En sådan metod är användningen av dynamiska Bayesian-nätverk (DBN) för att modellera degradering och underhållsstrategier. Dessa nätverk gör det möjligt att hantera och förutse systemets tillstånd genom att koppla samman olika faktorer som påverkar systemets prestanda över tid. Forskning har visat att genom att använda sådana modeller kan man optimera förebyggande underhåll och minimera risken för oförutsedda systemfel.

Vidare kan beslut om underhåll baseras på konkurrerande felprocesser och deras inbördes beroenden. Detta innebär att man inte bara överväger en enskild felkälla, utan också interaktionen mellan flera processer som kan leda till systemfel. Genom att använda probabilistiska modeller, såsom de som utvecklats av forskare som Cao (2021) och Dui et al. (2022), kan dessa interaktioner kvantifieras och användas för att ta fram strategier för när underhåll bör genomföras för att minska systemets riskexponering.

Det är också väsentligt att förstå vikten av den kontinuerliga övervakningen av systemens tillstånd genom sensorer och smarta teknologier. Casillas et al. (2013, 2015) har visat att optimal placering av sensorer i distributionsnätverk kan spela en avgörande roll i att tidigt identifiera läckor och andra svagheter i infrastrukturen, vilket gör det möjligt för systemet att reagera snabbt på potentiella hot. Genom att kombinera sensordata med modellbaserade tillvägagångssätt kan man skapa ett robust beslutsstödssystem som förutser fel och rekommenderar åtgärder.

Moderna prognosmetoder använder också avancerade tekniker som maskininlärning och hybridmodeller för att förutsäga framtida systembeteenden. Di Mauro et al. (2024) föreslog en metod som kombinerar tidseriedata och maskininlärning för att förutsäga systemets kvalitet och tillstånd över tid. Denna metod kan tillämpas på ett brett spektrum av industriella system, från produktion till energi och transportinfrastruktur. Att använda dessa metoder för att modellera och förstå de dynamiska förloppen i systemet innebär att vi kan vidta åtgärder innan stora problem uppstår.

En annan viktig aspekt är att förstå hur underhållspraxis och beslut kan påverka systemens hållbarhet på lång sikt. Ghaleb och Taghipour (2022) poängterar att genom att noggrant välja när och hur underhåll utförs, kan man förlänga livslängden på enheterna och minska det totala underhållsbehovet. Detta görs genom att optimera underhållsplaneringen med hjälp av probabilistiska och statistiska modeller som anpassar sig efter förändrade miljöförhållanden och systemens prestanda.

Det är också viktigt att ta hänsyn till den komplexa naturen hos de tekniska system som används i offshore och subsea-miljöer. De särskilda förhållandena som råder på dessa platser, som korrosion och mekanisk belastning, innebär att standard underhållsmetoder inte alltid är tillräckliga. Cheng och Chen (2017) visar att modeller för korrosionsutmattning av subsea-pipelines kan vara avgörande för att förebygga allvarliga skador och driftstopp. Genom att implementera dessa modeller kan man effektivt förutsäga när ett system kommer att nå kritiska degraderingsnivåer, vilket gör det möjligt att planera underhållsåtgärder i tid.

Tekniker för att uppskatta återstående nyttoliv (RUL) för system och komponenter har blivit allt viktigare för att möjliggöra effektiv hantering av systemets tillgångar. Modeller som baseras på Wienerprocesser och andra stokastiska modeller för degradering har visat sig vara effektiva för att förutsäga återstående livslängd för enheter som lithiumbatterier och andra känsliga komponenter. Han et al. (2023) undersöker användningen av dessa metoder för att uppskatta den återstående livslängden för batterier, vilket är en nyckelfaktor för att optimera drift och underhåll av energilagringssystem.

Hur man beräknar den återstående livslängden (RUL) i system som är utsatta för kaskadmisslyckande

När vi behandlar problem inom systemprognostik och prestandadegradering, särskilt i komplexa fler-nivåsystem, kan vi inte bortse från de effekter som kaskadmisslyckanden kan ha på systemets totala funktion. I sådana fall krävs en sofistikerad metod för att modellera och uppskatta återstående användbar livslängd (RUL) genom att ta hänsyn till både individuella och mellanliggande systemfel.

I modellen som presenteras här används en dynamisk Bayesian Network (DBN) för att beskriva de kausala relationerna mellan noderna i ett fler-nivåsystem. Dessa noder representerar varje enskild komponent eller subsystem på ett specifikt nivå. Kausala relationer mellan dessa noder och de tidsberoende relationerna mellan olika nivåer modelleras genom specifika riktade bågar i nätverket. För att etablera och korrigera denna modell använder vi såväl expertkunskap som historiska data för att ställa in prior sannolikheter för varje nod i systemet. Dessa sannolikheter uppdateras i realtid när sensorer detekterar degradering av komponenterna.

En annan viktig aspekt är att dessa modeller måste ta hänsyn till effekten av kaskadmisslyckanden, där ett fel i en enskild komponent kan orsaka ytterligare problem i andra komponenter på grund av deras inbördes beroenden. I den dynamiska modellen som beskrivs, representeras dessa kaskadeffekter av de blå linjerna i nätverksdiagrammet. Dessa effekter kan påverka hela systemets prestanda och därmed påverka RUL-beräkningen avsevärt.

För att förbättra modellens noggrannhet är det viktigt att ha tillgång till en stor mängd historisk data. Ju mer data som samlas in, desto mer exakt kan de betingade sannolikhetstabellerna (CPT) beräknas, vilket är en grundläggande komponent i Bayesian Networks. Dessa tabeller beskriver de sannolikheter som styr hur en nods tillstånd påverkas av andra noder inom nätverket. För vissa oklarheter, eller osäkra kausala relationer, baseras dessa sannolikheter oftast på expertutlåtanden eller historiska sensorvärden.

Ett konkret exempel på en sådan tillämpning är subsea Christmas tree-systemet, som används för att styra och övervaka olje- och gasproduktion under havsytan. I detta fall används DBN-modellen för att förstå degradering av elektroniska och hydrauliska kontrollsystem, där interaktionen mellan olika enheter är avgörande för att korrekt beräkna den återstående livslängden. Exempelvis påverkar ett fel i en kontrollbox hela systemet, och denna interaktion måste noggrant modelleras för att förstå systemets övergripande hälsa och förmåga att fortsätta fungera utan att uppleva ett systematiskt misslyckande.

När det gäller hydrauliska system, såsom de som används i subsea-applikationer, använder vi Weibullfördelningar för att modellera degraderingen av komponenter, där parameterarna för livslängd och degradering måste estimeras för att kunna genomföra tillförlitliga förutsägelser om systemets framtida prestanda.

Det är också av stor vikt att förstå de tekniska och operativa förhållandena som påverkar degradering och misslyckande. För att optimera prognoserna och minska risken för oväntade misslyckanden är det avgörande att ha detaljerade modeller för både systemkomponenternas individuella beteende och de inbördes relationerna mellan dessa komponenter. Den interdependens som finns mellan olika systemnoder innebär att en noggrann förståelse för dessa relationer kan förbättra både precisionen och användbarheten av RUL-beräkningar i komplexa system.

Hur kan en prediktiv modell för återstående livslängd (RUL) hantera beroendet mellan degradering och stötar?

Den föreslagna modellen för att förutsäga återstående livslängd (RUL) bygger på en komplex förståelse av systemets degradering där beroendet mellan degradering och slumpmässiga stötar spelar en central roll. Modellen är uppbyggd som en hybridram som delar in degraderingsprocessen i flera steg, där varje steg representerar en särskild fas i systemets försämring. Stötarnas påverkan klassificeras i olika nivåer, och varje nivå har en associerad styrka och sannolikhet för förekomst. Denna påverkan kvantifieras och kombineras med historiska data samt expertbedömningar för att kompensera för bristande övervakning och diskretisering.

En viktig komponent i modellen är det så kallade beroendefaktorn, som beräknas utifrån stötarnas effekt vid aktuell tidpunkt samt det degraderingsstadium som systemet befann sig i vid föregående tidpunkt. Denna faktor påverkar degraderingshastigheten och fungerar som en viktning mellan de slumpmässiga chockarna och den gradvisa försämringen i systemet. Genom att använda dynamiska Bayesiska nätverk (DBN) kan modellen inte bara identifiera olika degraderingsstadier utan också dynamiskt uppdatera sannolikhetsfördelningar och osäkerheter i prognoserna.

Varje stötklassifiering (L1, L2, …, Lc) fungerar som en probabilistisk nod i DBN och speglar både frekvensen och intensiteten av stötar, medan degraderingsstadierna (s1, s2, …, sn) representerar diskreta faser i systemets försämring. För att fånga hela systemets prestanda integreras resultaten från olika delsystem med varierande degraderingsmönster, vilket speglas i olika parametrar för varje delsystem. Summan av dessa delsystems prestanda ger den totala systemprestandan, och utifrån ett fördefinierat feltröskelvärde kan tidpunkten för systemets första fel bestämmas, det vill säga RUL beräknas.

Vid beräkning av sannolikheten för olika stötar används långsiktig övervakningsdata för att bestämma frekvens och sannolikhet för varje stötnivå. De historiska data som samlas in via sensorer, såsom tryck, flöde och temperatur, ger input för att bedöma prestandaförändringar över tid och möjliggör beräkning av degraderingsparametrar med hjälp av statistiska metoder såsom Maximum Likelihood Estimation (MLE). Denna metod möjliggör kontinuerlig uppdatering av modellparametrar i takt med att mer data blir tillgängliga, vilket förbättrar modellens anpassningsförmåga och prognosprecision.

Den dynamiska naturen hos Bayesiska nätverk gör det möjligt att fånga osäkerheter i både slumpmässiga stötar och degraderingsprocesser, vilket är avgörande i komplexa system där många faktorer samverkar. Modellens arkitektur inkluderar även en tidsberoende övergång mellan degraderingsstadier, vilket reflekterar systemets evolution över livscykeln. Detta gör att förutsägelser inte bara baseras på aktuellt tillstånd utan också på tidigare historik och sannolikheten för framtida stötar.

Det är viktigt att inse att systemets degradering inte är en linjär process utan påverkas starkt av externa chocker och interna förändringar i systemets tillstånd. En modell som beaktar dessa beroenden kan bättre hantera osäkerheter och ge mer tillförlitliga prognoser. Vidare bör man ha insikt i att modellens effektivitet är beroende av kvaliteten på insamlade data, expertkunnande och kontinuerlig uppdatering av parametervärden, vilket kräver väl utformade övervakningssystem och samverkan mellan teknik och expertis.