具有相关退化特性的多组件系统基于状态的维护、检查间隔和备件订购决策

《RELIABILITY ENGINEERING & SYSTEM SAFETY》:Condition-Based Maintenance, Inspection Interval, and Spare Parts Ordering Decisions for Multicomponent Systems with Correlated Degradation

【字体: 大 中 小 】 时间:2026年08月28日 来源:RELIABILITY ENGINEERING & SYSTEM SAFETY 13.7

编辑推荐:

   •研究了在考虑相关性退化的情况下,检查、维护与备件订购的联合决策问题。•针对小规模实例设计了一种反向动态规划算法。•针对大规模实例设计了一种增强型近端策略优化算法。•通过数值实验验证了所提算法的有效性。•通过策略与敏感性分析获得了管理启示。引言对于制造业及其他资产密集型行业而

  
  • •
    研究了在考虑相关性退化的情况下,检查、维护与备件订购的联合决策问题。
  • •
    针对小规模实例设计了一种反向动态规划算法。
  • •
    针对大规模实例设计了一种增强型近端策略优化算法。
  • •
    通过数值实验验证了所提算法的有效性。
  • •
    通过策略与敏感性分析获得了管理启示。

引言

对于制造业及其他资产密集型行业而言,随着技术系统复杂性的不断上升以及对设备连续运行依赖程度的日益加深,有效的维护活动变得愈发重要[1]。来自美国制造业的数据直接反映了这一负担:与年度维护相关的成本和损失估计高达2220亿美元;而具备较强预防性和预测性维护实践的企业,与主要依赖反应式维护的企业相比,非计划停机时间减少了52.7%,缺陷率降低了78.5%[2]。与仅依据固定间隔或服务时长确定维护计划的方式不同,基于状态的维护(CBM)利用从连续监测或离散检查中获得的设备状态信息来安排维护干预措施,因而适用于广泛的实际场景[1,3]。然而,在许多实际系统中,维护决策与备件可用性及检查间隔紧密耦合:备件短缺可能导致维护延迟,检查时间的安排会影响维护与备件订购的时机,而维护行动又会反过来影响未来的备件需求。因此,检查、维护与备件订购的联合优化已成为一个重要的研究方向[4,5]。近年来,基于状态的维护研究已逐步超越孤立的维护优化,开始将维护决策与其他运营因素结合起来考虑。基于状态的维护的联合决策模型已取得显著进展。一方面,维护决策与备件支持之间的协调日益受到关注,面向串并联系统以及K-out-of-N系统等场景,已开发出维护与备件订购/库存的联合优化模型[[4], [5], [6]]。另一方面,在检查驱动的基于状态的维护中,检查逐步从单纯获取状态信息的手段扩展为一个决策变量本身,从而形成了维护行动与下一次检查间隔共同决定的研究框架[7,8]。然而,将检查、维护与备件订购决策进行联合优化的研究仍然相对有限。
在许多实际系统中,各组件之间的退化并非相互独立。组件间的相互作用(如结构依赖)以及共同的运行环境都可能在各组件退化过程之间引入相关性[9,10]。例如,共同的环境或冲击效应会同时影响多个组件[11]。受这一实际问题的启发,处于同一环境中的组件之间的相关性退化过程越来越多地被纳入基于状态的维护建模之中,从而提高了对复杂工程系统的表征能力[12,13]。尽管如此,对于共享备件库、相关性退化且具有可变检查间隔的多组件系统,仍少有研究予以关注。在此类场景中,退化演化、备件可用性与检查时机之间的强耦合显著扩大了状态空间与动作空间,使大规模问题的求解变得十分困难。
为弥补上述研究空白,本文研究具有相关性退化过程的有限时域多组件串联系统中检查、基于状态的维护与备件订购的联合优化问题。本文的主要贡献如下:
首先,我们将该联合优化问题建模为一个马尔可夫决策过程,刻画了组件退化状态与库存状态、关于维护、备件订购及检查间隔的决策,以及相应的转移概率与成本。特别地,本文将检查间隔作为决策变量纳入模型,使检查、维护与备件订购决策能够实现协调。其次,我们针对该问题开发了两类求解方法。针对计算上可行的实例,设计了反向动态规划(DP)算法以获得精确解。当问题规模增大而动态规划不再可行时,我们推导了一条用于筛选候选检查间隔的筛选规则,以缩小间隔动作空间,并在此基础上开发了带有针对问题定制的改进与增强机制的增强型近端策略优化(E-PPO)算法。第三,我们开展了数值实验,评估所提算法的有效性与可扩展性,并从所得到的联合策略中提炼出管理启示。对于小规模实例,E-PPO的求解结果与DP非常接近,平均成本差距为3.26%。在大规模实例上,E-PPO取得了最低的总成本均值,相对于双深度Q网络(B-DDQN)成本降低了32.15%–52.65%,相对于近端策略优化(B-PPO)成本降低了11.38%–13.81%。策略与敏感性分析进一步揭示了成本结构、提前期及退化相关性如何影响联合决策,以及可变检查间隔的价值。
本文其余部分组织如下。第2节综述相关文献。第3节介绍系统设置与相关性退化模型。第4节将联合决策问题建模为马尔可夫决策过程。第5节给出求解方法。第6节给出数值实验。最后,第7节对全文进行总结。

各节要点

文献综述

关于基于状态的维护的研究长期以来一直聚焦于基于观测或预测的退化状态优化维护行动。例如,Zhang等人[12]研究了一个在动态环境下运行的多组件系统的基于状态的维护模型,Liu等人[14]研究了一个具有依赖性退化过程的双单元系统的有限时域基于状态的维护策略,Wang等人[15]针对存在随机依赖与经济依赖的多组件系统开发了一种双层基于状态的维护策略。对于系统中

多组件串联系统

本文考虑一个在时域Th内运行的有限时域多组件串联系统。该系统包含N个组件,且任一组件失效都会导致系统失效。主要符号列于表1。所有组件共享一个公共的备件库。然而,由于各组件的运行与负载条件可能不同,组件i的退化参数αi与失效阈值Li也可能不同。设Xi(t)表示组件i在

马尔可夫决策过程

马尔可夫决策过程(MDP)已被广泛用于描述序贯维护问题[5,30,43,58]。基于第3节的分析,本文将联合决策问题建模为一个包含状态、动作、转移概率与成本的马尔可夫决策过程。
状态。系统状态由当前时点、组件状态与库存状态组成。该状态在库存状态更新完成、并通过检查获得组件退化状态之后、在联合

算法

第5节给出针对第4节所建立马尔可夫决策过程的两类求解方法:第5.1节的反向DP算法与第5.2节的E-PPO算法。当计算量可控时,动态规划可给出精确解;而当问题规模增大导致动态规划的计算负担不断加重时,则采用E-PPO来获得近似解。

数值实验

本节采用一种长航时下潜式水下数据记录仪来验证所提出的联合优化模型与E-PPO算法。此类设备通常以无人值守方式部署,并在离散的时点被回收或接受服务,因此两次连续时点之间发生的性能损失可能无法被察觉[48,49]。橡胶O型圈是此类设备中的关键密封部件[49,52],而密封完整性的失效会导致进水,中断设备运行并损坏

结论

本研究针对具有相关性退化且共享备件库的有限时域多组件串联系统,探讨了检查、维护与备件订购的联合优化问题。我们将该联合优化问题建模为马尔可夫决策过程,刻画了组件退化状态与库存状态、关于维护、备件订购及检查间隔的决策,以及相应的转移概率与成本。为求解该问题

CRediT作者贡献声明

郑美梅(Meimei Zheng):撰写—初稿、监督指导、研究方法、经费获取、形式化分析、概念构思。刘晨旭(Chenxu Liu):撰写—初稿、软件开发、研究方法、形式化分析。朱云新(Yunxin Zhu):撰写—审阅与编辑、研究方法、调查研究。夏唐斌(Tangbin Xia):撰写—审阅与编辑、监督指导、资源提供。
Meimei Zheng|Chenxu Liu|Yunxin Zhu|Tangbin Xia
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号