ترجمه فارسی عنوان مقاله

سیاست‌های حفظ و نگهداری تطبیقی برای تجهیزات فرسوده با استفاده از فرایند تصمیم‌گیری مارکوف

عنوان انگلیسی

Adaptive Maintenance Policies for Aging Devices Using a Markov Decision Process

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
52975	2013	10 صفحه PDF

منبع

Publisher : IEEE (آی تریپل ای)

Journal : IEEE Transactions on Power Systems, Page(s): 3194 - 3203 ISSN : 0885-8950 INSPEC Accession Number: 13686472

فهرست مطالب ترجمه فارسی

چکیده

عبارات شاخص

فهرست نمادها

مقدمه

پیشینه

چارچوب یک فرایند تصمیم‌گیری مارکوف (MDP)

شکل2. دیاگرام سادۀ گذر حالت مربوط به یک مدل MDP.

شکل3. فرایند تصمیم‌گیری با در نظر گرفتن بازرسی و حفظ و نگهداری

تصمیم‌گیری بازرسی و حفظ و نگهداری در دنیای واقعی

مدلسازی فرایند تصمیم‌گیری

فرمولبندی مساله

شکل4. دیاگرام گذر حالت مدل MDP ارائه شده برای تصمیم‌گیری حفظ و نگهداری.

دوره‌های تصمیم

حالات و عملیات

احتمالات گذر و پاداش‌ها

شکل5. دوره‌های تصمیم در سطوح مختلف عمر تجهیز

مشارکت آثار فرسودگی

روند پاسخ

مطالعۀ موردی

CBM ترانسفورماتورهای ایزولۀ روغنی

مدل MDP ترانسفورماتورها

جدول1:احتمالات تخریب/ خرابی

جدول2:احتمالات گذر بر اساس انتخاب عملیات حفظ و نگهداری در C3

جدول3:عملیات بهینه برای اجرای CM در C1

جدول4:عملیات بهینه برای اجرای CM در C2

جدول5:عملیات بهینه برای اجرای CM در C3

جدول6:عملیات بهینه برای اجرای حفظ و نگهداری

نتایج و بحث‌ها

نتیجه‌گیری

ترجمه کلمات کلیدی

مدیریت سرمایه، القای رو به عقب، پایش شرایط (CM)، تعمیر و نگهداری، فرایند‌های تصمیم‌گیری مارکوف، ترانسفورماتورها -

کلمات کلیدی انگلیسی

Asset management, Markov decision processes, backward induction, condition monitoring (CM), maintenance, transformers

ترجمه چکیده

در محیط‌های رقابتی، بیشتر تجهیزات نزدیک به و یا در حدود تعریف شدۀ خود کار می‌کنند و در نتیجه زمانبندی حفظ و نگهداری آنها شاید تحت تاثیر شرایط سیستم قرار گیرد. در این مقاله ما یک فرایند تصمیم‌گیری مارکوف (MDP) را ارائه می‌دهیم که انعطاف‌ بهتری را در انجام حفظ و نگهداری فراهم می‌کند. مدل MDP ارائه شده مبتنی بر دیاگرام گذر حالت است که در آن تاخیرهای زمانی بازرسی و حفظ و نگهداری (I&M) به طور واضح با هم ترکیب شده‌اند. این مدل را می‌توان به طور موثری حل کرده و سیاست‌های حفظ و نگهداری تطبیقی را تعیین کرد. این فرمولبندی به طور موفقیت‌آمیز فرایند فرسودگی بلندمدت را با تغییرات کوتاه مدت در شرایط تجهیز که به کرات مشاهده می‌شوند، با هم ترکیب می‌کند. ما کاربرد مدل ارائه شده را با استفاده از اطلاعات I&M و ترانسفورماتورهای محلی نشان می‌دهیم

ترجمه مقدمه

مدیریت سرمایه برای عملکرد قابل اطمینان و اقتصادی سیستم‌های قدرت ضروری است. با تجدیدساختار، رویه‌های مدیریت سرمایه نیز پیچیده‌تر شده‌اند [1]. در چنین محیط‌هایی، یک مالک سرمایه تنها پس از اینکه اپراتور مستقل سیستم یک قطعی برنامه‌ریزی شده را بنا به درخواست مالک سرمایه زمانبندی کرد، به می‌تواند تعمیر و نگهداری‌های پیشگیرانه را انجام برساند. در برخی شرایط، اپراتور شاید برخی درخواست‌های قطعی را به تاخیر بیندازد، تا به هدف کلی تامین مصرف‌کنندگان توان نائل آید [1]. چنین وضعیت‌هایی نیازمند آن هستند که مالکان تجهیز برنامه‌های مدیریت سرمایۀ خود را تغییر دهند. این موضوع تاکیدی است بر نیاز به سیاست‌های تطبیقی مدیریت سرمایه که می‌تواند از پس تاخیرهای حفظ و نگهداری بر آید. سیاست‌های تطبیقی مدیریت سرمایه نسبت به سیاست‌های ثابت و بدون تغییر اقتصادی‌تر نیز خواهند بود. وقتی تجهیزی جدید و در شرایط خوبی است، بازرسی‌ها و پایش‌های مکرر هیچ اطلاعات اضافی را در مورد شرایط تجهیز فراهم نخواهند کرد و لذا به طور غیرضروری هزینۀ عملکرد بالا می‌رود. از سوی دیگر، وقتی تجهیزی فرسوده است و یا شرایط کاری آن بدتر شده است، به تاخیر انداختن بازرسی و حفظ و نگهداری (I&M) شاید موجب تلفات عظیم اقتصادی از طریق خرابی‌های غیرمنتظره شود. لذا، انجام I&M با در نظر گرفتن سن تجهیز، شرایط و تاخیرهای زمانی I&M اقتصادی‌تر خواهد بود. در نوشته‌ها، انواع مدل ریاضی برای تعیین سیاست‌های بهتر حفظ و نگهداری برای سرمایۀ سالخورده و فرسوده ارائه شده است [2]-[23]. با این حال، این‌ها برخی مسائل هستند که در این مدل‌های ارائه شده برای حفظ و نگهداری به آنها پرداخته نشده است. اولا، تاخیرهای زمانی در I&M در بیشتر مدل‌های قبلی گنجانده نشده است [2]-[21]. از آنجا که عملیات I& بهینه شاید به تاخیرهای زمانی I&M بستگی داشته باشد، این تاخیرها باید موقع تعیین سیاست‌های بهینه در نظر گرفته شود. دوما، مدل‌های حفظ و نگهداری مبتنی بر زمان بر اساس گذشت زمان و فرسودگی در شرایط کلی تجهیز زوال و بدتر شدن اوضاع را ارائه می‌دهند [2]-[15]، در حالی که مدل‌های حفظ و نگهداری مبتنی بر شرایط تخریب تجهیز را با برخی اندازه‌گیری‌های قابل ملاحظه ارائه می‌کنند [16]-[23]. با این وجود، تخریب شرایط قابل اندازه‌گیری تجهیز شاید موجب تسریع فرسودگی شود. بنابراین اگر مدل‌ها بتوانند تریب شرایط قابل اندازه‌گیری تجهیز را با آثار فرسودگی بر روی تخریب ترکیب کنند آنگاه این کار دقیق‌تر و صحیح‌تر خواهد بود. اگر مدلی بتواند به دو مسالۀ فوق‌الذکر بپردازد، یک چنین مدلی قادر به تامین سیاست‌های تطبیقی I&M خواهد بود. در این مقاله، ما یک مدل بهینه‌سازی جدید حفظ و نگهداری برای I&M تجهیزی که دچار فرسودگی است ارائه می‌دهیم. مدل تصمیم‌گیری ارائه شده همچنین تاخیرهای زمانی در انجام I&M را در نظر می‌گیرد. علاوه بر این، این مدل تخریب تجهیز را با استفاده از شرایطی که قابل کمیت‌بخشی هستند ارائه می‌دهد، در عین حال به پارامترهای فرایند تخریب اجازه می‌دهد تا با سن عملکرد تغییر کنند. به دلیل ویژگی‌های فوق که مدل دارا می‌باشد، می‌تواند سیاست‌های I&M تطبیق‌پذیرتری را فراهم کند که به مالکان سرمایه این امکان را می‌دهد تا عمل بهینه را بر اساس دانش خود در مورد شرایط تجهیز، سن عملکرد، و تاخیرهای زمانی در اجرای I&M، انتخاب کنند. ساختار این مقاله بدین صورت است. در بخش2 ما نظریه‌های و اطلاعات پیشین را ارائه می‌کنیم. در بخش3 فرمولبندی مدل بهینه‌سازی حفظ و نگهداری ارائه می‌شود. در بخش4، روند حل تشریح می‌گردد. در بخش5 یک مطالعۀ موردی ارائه می‌شود تا کاربرد مدل به اثبات برسد. در نهایت، نتیجه‌گیری در بخش6 بیان می‌شود.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

In competitive environments, most equipment are operated closer to or at their limits and as a result, equipment's maintenance schedules may be affected by system conditions. In this paper, we propose a Markov decision process (MDP) that allows better flexibility in conducting maintenance. The proposed MDP model is based on a state transition diagram where inspection and maintenance (I&M) delay times are explicitly incorporated. The model can be solved efficiently to determine adaptive maintenance policies. This formulation successfully combines the long term aging process with more frequently observed short term changes in equipment's condition. We demonstrate the applicability of the proposed model using I&M data of local transformers.