Proactive maintenance of thermal power plants under limited observations

Abstract

Son yıllarda, teknoloji devrimiyle, bir sistemin bileşenleri arasındaki etkileşimler gittikçedaha karmaşık hale gelmekte ve bu da bakım kararlarını vermeyi zorlaştırmaktadır. Bunoktada, etkili problem teşhisi, doğru bakım kararlarını belirlemede önemli bir rol oynar.Teşhisin amacı, probleme yol açan en olası nedenleri analiz etmek ve belirlemektir. Bunedenle, o ana kadar toplanmış veri ve gözlemler, etkili teşhis yapması için karar vericiyeyardımcı olurlar. Diğer yandan sistemin sağlığını gözlemleme ve tahmin etme de özellikleproaktif bakımın reaktif bakıma tercih edildiği dinamik sistemler için çok önemlidir. Ciddibir problemin olmasını beklemeden erken teşhise dayalı bakım aktiviteleri gerçekleştirereksistem güvenilirliğini artırmak proaktif bakımda hayatidir.Bu çalışmada, etkileşen bileşenleri olan termik santrallerinin kısıtlı gözlemler altında birplanlama ufku boyunca proaktif bakım kararlarını ele aldık. Bakım aktiviteleri, sistemdekiyaşlanan bileşenlerin veya ölçüm aletlerinin herhangi bir zamanda yenilenmesi ilegerçekleşmektedir. Amaç, ayrık zamanlı planlama ufku boyunca en iyi proaktif bakımplanını belirlemektir. Problemi göstermek ve hızlı çıkarımlar yapmak için dinamik Bayesciağları (DBA) kullandık. İki proaktif bakım metodu önerdik ve bunların tahmini bakımplanlarını sunduk. Bir bakım kararı alındığı zaman, iki tanesi literatürden olmak üzere, üçdeğişik teşhis yöntemi kullanıldı. Hesapsal analizler, bu yöntemlerin performanslarıarasında belirgin bir fark olmadığını gösterdi. Önerilen metotlar, kolaylıkla diğer karmaşıkdinamik sistemlerin proaktif bakım planlaması için de uyarlanabilir.

In the past few decades, because of the technological revolution, interactions between thecomponents of a system become more sophisticated which makes the maintenance decisionmaking procedure a hard issue. At this point, effective problem diagnosis plays animportant role in determining the right maintenance decisions. The objective of diagnosis isto analyze and determine the most likely causes of a problem. Hence the data orobservations gathered so far helps the decision maker in effective diagnosis. On the otherhand, monitoring and predicting system health is also important especially for dynamicsystems where proactive maintenance is preferred instead of the reactive one. Improvingsystem reliability by performing maintenance activities based on early diagnosis before aserious problem arises is essential in proactive maintenance.In this study, we consider the proactive maintenance decisions of thermal power plantsconsisting of interacting components under limited observations over a planning horizon.Maintenance activities are performed at any time by replacing either aging components orgauges in the system. The objective is to determine an optimum proactive maintenance planin a discrete planning horizon. We use dynamic Bayesian networks (DBNs) forrepresentation and to do fast inference. We propose two proactive maintenancemethodologies and present their predicted maintenance plans. At any time when areplacement decision is made, three different diagnosis techniques, where two of them arefrom literature, are used. Computational analyses show that there exists no significancedifference among the performances of these methods. The proposed methodologies can beeasily adapted for proactive maintenance planning of other complex dynamic systems.