Maintenance optimization of multiple component systemsusing probabilistic graphical models

Abstract

Bakım optimizasyonu, çok bileşenli sistemler için günümüzün üretim dünyasında zor bir görevdir. Bu nedenle, doğru bakım eylemlerine karar verirken sistemlerin belirsizliğini ve karmaşıklığını dikkate almak kritik öneme sahiptir. Bir planlama ufkunda bakım kararları vermek, belirsizlik durumunda stokastik sıralı karar verme problemlerinden biridir. Kısmen Gözlenebilir Markov Karar Süreçleri (POMDPler), kısmen gözlemlenebilir stokastik ortamlarda belirsizlik altındaki problemler için güçlü araçlardır. Bununla birlikte, durum uzayları değişken sayısı ile hızlı bir şekilde büyüyebildiğinden, çok bileşenli sistemlerin bakım problemlerini ele almak için POMDPler tercih edilmeyebilir. Bu tarz problemler için, problemin doğasında halihazırda mevcut olan faktörlü yapıdan yararlanarak faktörlü POMDPler kullanılır. Bu çalışma, iki ayrı bakım probleminde faktörlü POMDPler kullanılarak kısmen gözlemlenebilir dinamik bileşenlerden oluşan sistemlerin bakım probleminin nasıl formüle edileceğini göstermeyi amaçlamaktadır. İlki, detaylı duyarlılık analizleri yapmak ve çalışmada önerilen bazı tanımlanmış politika-larla karşılaştırmak için deneysel bir modeldir. İkinci model termik santrallerde gerçek hayattaki bir uygulamaya aittir. Duyarlılık analizleri, çeşitli ayarlarla çeşitli senaryolar altında gerçekleştirilmiştir. Sonuçlar, faktörlü POMDPlerin çok bileşenli bakım sorunla-rının modellenmesinde, çözümünde ve analiz edilmesinde avantajlı olduğunu göstermek-tedir. Ayrıca, oluşturulan faktörlü POMDP politikaları miyop politikalardan önemli ölçüde daha iyi performans göstermiştir.

Maintenance optimization is a difficult task in today's manufacturing environment, especially when the system has multiple components. Thus, it is essentially critical to cope with the uncertainty and the complexity of the systems while deciding on the correct maintenance actions. Taking maintenance decisions in a planning horizon is one of the well-known stochastic sequential decision problems under uncertainty. Partially Observable Markov Decision Processes (POMDPs) are powerful tools for such problems under uncertainty in partially observable stochastic environments. However, since their state spaces can quickly explode with the increasing number of variables, POMDPs may not be preferable for addressing maintenance problems of multi-component systems. Factored representations are used for POMDPs by exploiting the inherent factored structure of the problem. This study aims to demonstrate how to formulate the maintenance problem of systems consisting of partially observable deteriorating components using factored POMDPs on two maintenance problems. The first one is an experimental model to perform in depth sensitivity analyses and to compare with some predefined policies proposed in the study. The second model belongs to a real-life implementation in thermal power plants. Sensitivity analyses are conducted under various scenarios with several settings. The results show that factored POMDPs are advantageous in modeling, solving and analyzing of maintenance problems with multi-components. Furthermore, the generated factored POMDP policies perform considerably better than the myopic policies.