Çok-bileşenli sistemlerin bakım eniyilemesinde olasılıklı grafiksel modellerin geliştirilmesi ve bunların çözümleri

Abstract

Endüstrinin gelişmesiyle sistemlerin karmaşıklığı ve buna bağlı olarak da işletmelerin bakım giderleri artmıştır. Bunun sonucunda günümüzde bakım faaliyetlerinin etkin planlanması ve yönetilmesi büyük önem kazanmıştır. Arıza ya da hata yüzünden gerçekleşen plansız makine duruşları hemen hemen her sektörde çok ciddi sonuçlar doğurabilmektedir. Bu projenin amacı bileşenleri arasında çeşitli bağımlılıkları olan kısmen gözlemlenebilir karmaşık çok-bileşenli sistemlerin bakım eniyilemesinde olasılıklı grafiksel modellerin kullanımını keşfetmek, bu tarz problemleri temsil eden bir gerçek-hayat sistemi üstünden konuyu ele alıp bu sistem için DBN ve POMDP modelleri geliştirmek ve bu modeller yardımıyla etkin bakım politikaları oluşturmaktır. Elektrik santralleri, birbirleriyle etkileşimli bileşenlerden oluşan karmaşık sistemlere sahiptir. Beklenmeyen bir arıza çok ciddi maliyetlere neden olacağından dolayı bakım eniyilemesi, bu sektör için çok kritiktir. Elektrik santrallerindeki çok-bileşenli sistemlerin bakım eniyilemesi, bildigimiz kadarıyla, daha önceden çalışılmamıştır. Çok-bileşenli sistemlerin bakım eniyileme problemi de, henüz literatürde az çalışılmış olup tek-bileşenli sistemlerin bakım eniyilemesinden daha zordur. Bu çalışmada termik santrallerdeki çok-bileşenli kritik sistemlerden biri olan dönerli hava ısıtıcısı, Luvo sistemi, için DBN ve POMDP’leri kullanarak değişik bakım stratejileriyle politikalar elde edilmiştir. DBN’ler karmaşık sistemsel ilişkilerin ve zamansal değişimlerin modellenmesi ile olasılık çıkarımları konularında çok başarılı olup eniyileme yapmazlar. Ancak DBN bazlı geliştirilen sezgiseller eniyileme problemlerinde kullanılabilirler. Diğer yandan POMDP’ler sıralı karar problemlerinde çok başarılı olup eniyileme yaparlar. Ancak POMDP’lerin “boyutluluk” ve “geçmiş” problemleri olduğundan küçük boyutlu problemler dışında en iyi sonucu bulmakta zorlanırlar. Böyle durumlarda, yaklaşık algoritmaları kullanarak yaklaşık politikalar elde edilse de ele aldıkları problemlerdeki ilişkiler karmaşıklaştıkça ve değişken ile durum sayıları arttıkça bu politikaların çözüm kaliteleri düşmektedir. Proje kapsamında oluşturulan farklı zorluk seviyesinde iki varyantlı Luvo bakım problemi ve deneysel başka problemler üzerinden DBN ve POMDP bazlı stratejiler kapsamlı senaryolar kurgulanarak bu noktalar ışığında ayrıntılı olarak analiz edilip karşılaştırılmıştır.

Effective planning of maintenance activities have gained great importance. Unplanned machine stops due to malfunction can have serious consequences in almost every industry. This project aims to explore the use of probabilistic graphical models in the maintenance optimization of partially observable multi-component systems with various dependencies, to address the issue through a real-life system that represents such problems, to develop DBN and POMDP models for this system and to create effective maintenance policies with them. Power plants have complex systems consisting of interactive components. Maintenance optimization is critical for this industry, as an unexpected breakdown will result in serious costs. Maintenance optimization of multi component systems in power plants, to the best of our knowledge, has not been studied before. The maintenance optimization problem of multicomponent systems is also less studied due to its difficulty compared to single-component systems. In this study, policies have been achieved by various maintenance strategies using DBNs and POMDPs for the regenerative air heater, the RAH system, which is one of the critical multicomponent systems in power plants. DBNs are very successful in modeling complex relationships and temporal changes, and in probability inferences, but they do not perform optimization. However, heuristics based on DBNs can be used in optimization problems. On the other hand, POMDPs are very successful in sequential decision problems, and they do optimization. However, since POMDPs have “dimension” and “history” problems, they have difficulties to find the best solution, except for small size problems. Although approximate policies are obtained by using approximate algorithms, the quality of these policies decreases as the number of variables and states increases. The DBN and POMDP based strategies have been analyzed and compared in details in the light of these points, by constructing comprehensive scenarios, through two variants of the Luvo maintenance problem and other experimental problems.