In the past few decades, because of the technological revolution, interactions between the components of a system become more sophisticated which makes the maintenance decision making procedure a hard issue. At this point, effective problem diagnosis plays an important role in determining the right maintenance decisions. The objective of diagnosis is to analyze and determine the most likely causes of a problem. Hence the data or observations gathered so far helps the decision maker in effective diagnosis. On the other hand, monitoring and predicting system health is also important especially for dynamic systems where proactive maintenance is preferred instead of the reactive one. Improving system reliability by performing maintenance activities based on early diagnosis before a serious problem arises is essential in proactive maintenance.
In this study, we consider the proactive maintenance decisions of thermal power plants consisting of interacting components under limited observations over a planning horizon. Maintenance activities are performed at any time by replacing either aging components or gauges in the system. The objective is to determine an optimum proactive maintenance plan in a discrete planning horizon. We use dynamic Bayesian networks (DBNs) for representation and to do fast inference. We propose two proactive maintenance methodologies and present their predicted maintenance plans. At any time when a replacement decision is made, three different diagnosis techniques, where two of them are from literature, are used. Computational analyses show that there exists no significance difference among the performances of these methods. The proposed methodologies can be easily adapted for proactive maintenance planning of other complex dynamic systems.
Son yıllarda, teknoloji devrimiyle, bir sistemin bileşenleri arasındaki etkileşimler gittikçe daha karmaşık hale gelmekte ve bu da bakım kararlarını vermeyi zorlaştırmaktadır. Bu noktada, etkili problem teşhisi, doğru bakım kararlarını belirlemede önemli bir rol oynar. Teşhisin amacı, probleme yol açan en olası nedenleri analiz etmek ve belirlemektir. Bu nedenle, o ana kadar toplanmış veri ve gözlemler, etkili teşhis yapması için karar vericiye yardımcı olurlar. Diğer yandan sistemin sağlığını gözlemleme ve tahmin etme de özellikle proaktif bakımın reaktif bakıma tercih edildiği dinamik sistemler için çok önemlidir. Ciddi bir problemin olmasını beklemeden erken teşhise dayalı bakım aktiviteleri gerçekleştirerek sistem güvenilirliğini artırmak proaktif bakımda hayatidir.
Bu çalışmada, etkileşen bileşenleri olan termik santrallerinin kısıtlı gözlemler altında bir planlama ufku boyunca proaktif bakım kararlarını ele aldık. Bakım aktiviteleri, sistemdeki yaşlanan bileşenlerin veya ölçüm aletlerinin herhangi bir zamanda yenilenmesi ile gerçekleşmektedir. Amaç, ayrık zamanlı planlama ufku boyunca en iyi proaktif bakım planını belirlemektir. Problemi göstermek ve hızlı çıkarımlar yapmak için dinamik Bayesci ağları (DBA) kullandık. İki proaktif bakım metodu önerdik ve bunların tahmini bakım planlarını sunduk. Bir bakım kararı alındığı zaman, iki tanesi literatürden olmak üzere, üç değişik teşhis yöntemi kullanıldı. Hesapsal analizler, bu yöntemlerin performansları arasında belirgin bir fark olmadığını gösterdi. Önerilen metotlar, kolaylıkla diğer karmaşık dinamik sistemlerin proaktif bakım planlaması için de uyarlanabilir.
