Hur kan ett gemensamt optimeringssystem för akutunderhåll och CBM förbättra systemets prestanda och återhämtningsförmåga?

I moderna system och teknologier har förmågan att snabbt återhämta sig efter yttre störningar blivit en central faktor för deras långsiktiga framgång och stabilitet. Återhämtningsförmåga hänvisar till systemets förmåga att återgå till normal drift eller funktionalitet efter att ha utsatts för störningar, haverier eller negativa händelser. För att uppnå denna förmåga krävs ett välplanerat och effektivt system för förebyggande underhåll, samt akuta åtgärder som snabbt kan återställa systemets prestanda när något går fel.

För att förbättra återhämtningsförmågan är det avgörande att genomföra välkoordinerade underhållsstrategier som samordnar EM och CBM. Genom att optimera dessa två underhållsstrategier samtidigt kan systemets prestanda återställas snabbare och mer effektivt, vilket minskar både driftstopp och relaterade kostnader. Ett gemensamt optimeringssystem för EM och CBM kan vara en lösning där man strävar efter att minimera systemets prestandaförlust och de totala underhållskostnaderna, samtidigt som man säkerställer att underhållsaktiviteter utförs vid de mest optimala tidpunkterna.

När man talar om optimering av underhåll finns det flera faktorer att ta hänsyn till. En viktig aspekt är den kumulativa prestandaförlusten, som reflekterar hur mycket systemets prestanda försämras över tid på grund av både naturlig nedbrytning och de störningar som kan uppstå. Denna prestandaförlust kan mätas genom att ta hänsyn till den dynamiska degraderingsnivån hos systemets komponenter och beräkna hur den kumulativa förlusten utvecklas under hela systemets livscykel. Att använda denna förlust som en optimeringsfaktor gör det möjligt att få en direkt bild av effekten av underhållsåtgärder, vilket ger mer intuitiva resultat än traditionella mått som tillförlitlighet eller tillgänglighet.

Underhållskostnader är en annan viktig parameter i optimeringsmodellen. Dessa inkluderar kostnader för underhållsresurser, såsom uthyrning av utrustning och personal, samt förluster som uppstår under driftstoppet när systemet inte är i funktion. För att balansera dessa kostnader och återhämtningsförmågan är det viktigt att definiera ett antal optimeringskriterier som beaktar både prestandaförlust och ekonomiska aspekter av underhållet.

I modellen för gemensam optimering kan man sätta upp en flermålsoptimering där både systemets prestandaförlust och underhållskostnader minimeras. Genom att välja lämpliga gränsvärden för EM och CBM kan man hitta den mest effektiva kombinationen av underhållsstrategier. Detta görs genom att använda algoritmer som H-MOPSO (Hybrid Multi-Objective Particle Swarm Optimization), som tillåter att man hittar den bästa lösningen genom att prioritera olika mål och hantera möjliga trade-offs.

Denna optimering kräver att man noggrant definierar vilka gränsvärden som ska gälla för både EM- och CBM-strategier. Dessa gränser måste ligga inom det realistiska intervallet för systemets livscykel, vilket innebär att man måste ta hänsyn till hur ofta EM åtgärder ska vidtas, samt vid vilken punkt i systemets livslängd CBM bör aktiveras för att förhindra allvarliga problem. Genom att implementera en sådan strategi kan man förvänta sig en betydande förbättring av systemets övergripande effektivitet och förmåga att motstå externa störningar.

Hur förutsägs RUL i olika system och vad påverkar det?

Arbetsmiljöerna i olika system påverkar de sätt på vilka prestationsindikatorer definieras och relateras till varandra, vilket gör att applikationerna för att bestämma RUL (Remaining Useful Life) varierar något. Den största skillnaden kan observeras i metoderna för att bestämma parametrarna som a, b, c och d som representerar olika prestandaindikatorer och de skillnader som finns i deras inbördes beroenden. Till exempel är de vanligaste felmoderna för olika system beroende av arbetsmiljön, vilket påverkar valet av index för att utvärdera RUL.

För elkrafts- och energisystem är linjelast, spänningsfluktuationer och andra faktorer av stor betydelse, där även kaskadfel mellan systemets delar kan påverka systemets totala prestanda. Därför krävs att data samlas in från onlineövervakning och historiska feldata, såväl som att lämpliga matematiska modeller används för att beskriva prestandaförsämringarna. Med dessa data kan RUL beräknas genom att följa specifika formler som beskriver hur systemet förlorar funktionalitet över tid.

För mekaniska system är det istället faktorer som sprickbildning, trötthet, korrosion och andra arbetsförhållanden som står i fokus när RUL beräknas. I dessa system används ofta sensorer för att extrahera indikatorer som korrelerar med systemets degradering, och dessa värden används för att skapa matematiska modeller för att förutsäga RUL. En vanlig metod för detta är att analysera systemets förslitning och nedbrytning baserat på empiriska data och tidigare observationer.

RUL definieras i regel av en feltröskel, som är den kritiska gränsen där ett system anses ha misslyckats. Om systemets degraderingsgrad når den tröskeln, klassificeras systemet som defekt. RUL beräknas därmed som ett mått på den tid som återstår innan denna kritiska tröskel nås, och den grundläggande formeln kan skrivas som $T = \text{inf}\{t : A(t) \geq Ath | A(0) > Ath\}$, där $A(t)$ representerar degraderingsgraden över tid, och $Ath$ är feltröskeln.

För att förbättra noggrannheten i RUL-förutsägelserna, används ibland Wieners process, där degraderingsvolymen i varje fas analyseras för att skapa mer precisa förutsägelser. Genom att kombinera onlineövervakningsdata, historiska data och fysiska modeller kan systemet göras mer robust i att hantera de osäkerheter som uppstår från bristande eller ofullständiga data. Wieners process, tillsammans med algoritmer som EM-algoritmen, tillåter att driftkoefficienterna uppdateras dynamiskt, vilket ger en mer exakt prediktion.

I praktiken, som vid användningen av subsea Christmas tree-systemet som exempel, står man inför utmaningar som beror på både miljöförhållanden och systemets fysiska uppbyggnad. I sådana system kan det vara svårt att samla fullständig sensorinformation, vilket leder till att både förutsägelser och historisk data blir mer tillförlitliga genom användning av modeller som tar hänsyn till både aktuella och förflutna driftförhållanden. När systemet når slutet av sin livslängd och utsätts för mekaniska skador som rost eller korrosion, är det viktigt att överväga dessa faktorer i degraderingsmodellen för att få en korrekt bedömning av RUL.

En annan viktig aspekt i prognosen för RUL är användningen av dynamiska Bayesianska nätverk (DBN), som gör det möjligt att kombinera realtidsövervakningsdata med historiska feldata. Detta tillvägagångssätt hjälper till att hantera osäkerheter som kan uppstå från ofullständig sensorinformation eller långsiktiga förändringar i systemets funktionalitet.

Hur förbättras noggrannheten i prediktion av degradering med förenklade och reviderade Wienerprocessmodeller?

Prediktion av ackumulerad degradering i tekniska system kan ofta förbättras genom att använda förenklade och reviderade modeller baserade på Wienerprocessen. I analysen av degradering över flera tidsskeden framträder ett mönster där förenklade beräkningar konsekvent ger prediktioner som ligger närmare de övervakade värdena än de ursprungliga Wienerprocessbaserade förutsägelserna. Detta sker genom successiv justering och revision av modellen, där parametern m, som representerar mätpunkter eller tidsintervall, spelar en central roll.

I den första fasen är den förenklade modellens prediktion cirka 0,0088 lägre än Wienerprocessens tidigare värde. När m når 5, är den Wienerprocessbaserade förutsägelsen ungefär 2,4 gånger högre än den faktiska övervakade degraderingen, men efter förenkling och revision när m är 6, sjunker detta till cirka 1,9 gånger, vilket markerar en förbättring i prediktionsnoggrannheten. Den andra fasen följer ett liknande mönster, där prediktionen vid m=15 är cirka 1,5 gånger det övervakade värdet, men efter revision vid m=16 minskar skillnaden till 1,4 gånger. Den tredje fasen visar en ytterligare förbättring där den förenklade prediktionen vid m=11 är endast 1,2 gånger det övervakade värdet, vilket är den mest exakta prediktionen av de tre faserna.

Trots dessa förbättringar kvarstår dock fortfarande en skillnad mellan den Wienerprocessbaserade prediktionen och verkliga övervakade data, vilket ledde till utvecklingen av en så kallad re-prediktionsmodell. Denna modell kombinerar grundläggande degraderingskvantiteter från flera datagrupper, insamlade vid olika tidpunkter inom samma degraderingsfas, för att generera mer exakta prognoser. Genom att kombinera data från en, två eller tre grupper skapas “re-prediktion 1”, “re-prediktion 2” och “re-prediktion 3”, där samtliga re-prediktioner successivt närmar sig de övervakade värdena.

I första fasen är re-prediktionerna ännu något utanför den satta konfidensintervallet på 30 %, vilket kan bero på bristande data i detta tidiga skede. Men i andra och tredje fasen ligger re-prediktionerna tryggt inom dessa intervall, medan den ursprungliga kumulativa degraderingsprediktionen ofta ligger utanför. Detta demonstrerar metodens överlägsenhet och dess potential att ge pålitligare underlag för beslutsfattande.

I praktiken visar resultat att under de första 2,5 åren, då systemets komponenter befinner sig i inkörningsfasen med snabb degradering, krävs intensiv övervakning och underhåll. Under denna period kan abrupta förändringar inträffa, vilket motiverar tät datainsamling och noggrann analys. Efter denna fas, mellan 2,5 och 10 år, planar degraderingen ut, vilket möjliggör en viss minskning av övervakningsinsatserna. När systemet därefter når sin tionde år och åldringsprocessen accelererar, blir det återigen kritiskt att intensifiera underhålls- och övervakningsinsatser för att förutse och förebygga funktionsfel.

Endast genom att kombinera matematiska modeller med ett omfattande datainsamlingssystem kan man uppnå en balans mellan prediktionsnoggrannhet och praktisk användbarhet, vilket i sin tur möjliggör effektivt underhåll, kostnadsbesparingar och förlängd livslängd för kritiska systemkomponenter.