WikiDer > Моделирование износа

Deterioration modeling
В изгиб ванны Функция опасности (синяя, верхняя сплошная линия) представляет собой комбинацию уменьшающейся опасности преждевременного отказа (красная пунктирная линия) и возрастающей опасности отказа из-за износа (желтая пунктирная линия), а также некоторой постоянной опасности случайного отказа (зеленый, нижний Сплошная линия).
Схема ухудшения состояния актива с течением времени. Увеличение показателей производительности представляет собой действие по техническому обслуживанию.
Дорога со временем ухудшается, и ее поверхность грубость увеличивается. Дорога находится в Техасе.

Моделирование износа это процесс моделирования и прогнозирования физического состояния конструкций или инфраструктура. Состояние инфраструктуры представляется либо с помощью детерминированного индекса, либо с помощью вероятности отказа. Примеры таких показателей эффективности: индекс состояния дорожного покрытия для дорог или индекс состояния моста для мостов. Для вероятностных мер, на которых сосредоточены теория надежности, вероятность отказа или индекс надежности.[1][2] Модели ухудшения являются инструментом управление активами инфраструктуры и являются основой для принятия решений по техническому обслуживанию и реабилитации.[3][4] Состояние всей физической инфраструктуры со временем ухудшается. Модель ухудшения может помочь лицам, принимающим решения, понять, насколько быстро состояние снижается или превышает определенный порог.[5]

Традиционно большинство муниципалитетов использовали кривые разрушения для моделирования разрушения.[5] В последнее время появились более сложные методы, основанные на моделировании, Марковские модели и машинное обучение были представлены модели. Известная модель, показывающая вероятность отказа актива на протяжении его срока службы, называется изгиб ванны. Эта кривая состоит из трех основных стадий: младенческий отказ, постоянный отказ и отказ от износа. В управлении инфраструктурными активами преобладающий режим ухудшения связан со старением, трафиком и климатическими факторами. Следовательно, наибольшее беспокойство вызывает отказ из-за износа.[6][7]

Типы моделей износа

Модели износа бывают детерминированными или вероятностными. Детерминированные модели не могут принимать во внимание вероятности. Однако вероятностные модели могут предсказать как будущее состояние, так и вероятность нахождения в этом определенном состоянии.[8]

Детерминированные модели

Детерминированные модели просты и понятны, но не могут включать вероятности. Кривые износа, построенные исключительно на основе возраста, являются примером детерминированных моделей износа. Традиционно большинство механистических и механистико-эмпирических моделей разрабатываются с использованием детерминированных подходов, но в последнее время исследователи и практики заинтересовались вероятностными моделями.

Вероятностные модели

Примерами вероятностных моделей износа являются модели, разработанные на основе теория надежности, Цепь Маркова и машинное обучение.[8][9] В отличие от детерминированных моделей вероятностная модель может включать вероятность. Например, он может сказать, что через пять лет дорога окажется в Бедные состояние с вероятностью 75%, и существует вероятность 25%, что оно останется в удовлетворительном состоянии. Такие вероятности жизненно важны для разработки моделей оценки риска.[3] Если состояние или класс показателя производительности представляет интерес, можно использовать марковские модели и алгоритмы машинного обучения классификации. Однако, если лица, принимающие решения, заинтересованы в числовых значениях показателей эффективности, им необходимо использовать алгоритмы регрессионного обучения. Ограничение марковских моделей состоит в том, что они не могут учитывать историю обслуживания,[3][10] которые являются одним из важных атрибутов для прогнозирования будущих условий.[8] Модели ухудшения, разработанные на основе машинного обучения, не имеют этого ограничения. Кроме того, они могут включать в себя другие функции, такие как климатические атрибуты и трафик, в качестве входных переменных.[7]

Марковские модели

Большая часть вероятностных моделей ухудшения качества разработана на основе Цепь Маркова, которая представляет собой вероятностную имитационную модель дискретных событий. Модели износа, разработанные на основе цепи Маркова, рассматривают состояние актива как серию дискретных состояний. Например, в случае моделирование износа дорожного покрытия, то PCI можно разделить на пять категорий: хорошо, удовлетворительно, удовлетворительно, плохо и очень плохо (или просто от 1 до 5). Затем разрабатывается марковская модель для прогнозирования вероятности перехода из состояния 1 в одно из других состояний через несколько лет. Необработанные марковские модели подверглись критике за игнорирование влияния старения и истории технического обслуживания актива.[3][10] Более сложные модели, известные как полумарковские модели, могут учитывать историю технического обслуживания, но их калибровка требует большого количества продольных данных. В последнее время были предприняты усилия по обучению марковских моделей деградации для учета воздействия климата, но, как правило, невозможно использовать климатические атрибуты или движение в качестве входных данных в этих типах моделей.[7][11]

Машинное обучение

С конца 2000-х машинное обучение были приняты алгоритмы для моделирования разрушения инфраструктуры. Нейронные сети были среди наиболее часто используемых моделей. Несмотря на их высокую способность к обучению, нейронные сети критиковали за их черную природу, которая не дает достаточно места для интерпретации модели.[3][8][9] Поэтому в литературе использовались и другие алгоритмы. Примеры других алгоритмов, используемых для моделирования износа: Древо решений, k-NN, случайный лес, деревья с градиентным усилением, случайная лесная регрессия и наивный байесовский классификатор. В модели этого типа обычно ухудшение прогнозируется с использованием набора входных переменных или прогнозных функций. Примерами прогнозных характеристик, используемых в литературе, являются исходное состояние, движение транспорта, климатические особенности, тип покрытия и класс дороги.[7]

Рекомендации

  1. ^ Мелчерс, Р. Э. (2002), «Анализ и прогнозирование структурной надежности», 2-е изд., Джон Вили, Чичестер, Великобритания..
  2. ^ Пирьонеси, Сайед Мадех; Таваколан, Мехди (9 января 2017 г.). «Модель математического программирования для решения задач оптимизации затрат и безопасности (CSO) при техническом обслуживании конструкций». KSCE Журнал гражданского строительства. 21 (6): 2226–2234. Дои:10.1007 / s12205-017-0531-z.
  3. ^ а б c d е Piryonesi, S.M .; Эль-Дираби, Т. Э. (2020 г.) [Опубликовано онлайн: 21 декабря 2019 г.]. «Аналитика данных в управлении активами: рентабельное прогнозирование индекса состояния дорожного покрытия». Журнал инфраструктурных систем. 26 (1). Дои:10.1061 / (ASCE) IS.1943-555X.0000512.
  4. ^ «IAM (Институт управления активами): управление активами - анатомия».
  5. ^ а б Эль-Дираби, Т. Э., Кинави, С., и Пирьонеси, С. М. (2017). Комплексный обзор подходов, используемых муниципалитетами Онтарио к разработке планов управления дорожными активами (№ 17-00281)
  6. ^ Энс, А. (2012). Разработка гибкой основы для моделирования износа в управлении инфраструктурными активами..
  7. ^ а б c d «Пирьонеси, С. М. (2019). Применение аналитики данных к управлению активами: ухудшение состояния и адаптация к изменению климата на дорогах Онтарио (докторская диссертация)».
  8. ^ а б c d Piryonesi, S.M .; Эль-Дираби, Т. (2018). "Использование аналитики данных для экономичного прогнозирования дорожных условий: пример индекса состояния дорожного покрытия: [сводный отчет]". Соединенные Штаты. Федеральное управление автомобильных дорог. Управление исследований, разработок и технологий. FHWA-HRT-18-065 - через репозиторий Национальной транспортной библиотеки и Портал открытого доступа к науке.
  9. ^ а б Форд, К., Арман, М., Лаби, С., Синха, К.С., Томпсон, П.Д., Широле, А.М., и Ли, З. 2012. Отчет NCHRP 713: Оценка ожидаемого срока службы дорожных активов. В Совете по исследованиям транспорта Национальной академии наук, Вашингтон, округ Колумбия. Совет транспортных исследований, Вашингтон, округ Колумбия.
  10. ^ а б Окаша, Н. М., и Франгопол, Д. М. (2009). Многоцелевая оптимизация технического обслуживания конструкций, ориентированная на весь срок службы, с учетом надежности системы, избыточности и стоимости жизненного цикла с использованием GA Структурная безопасность, 31 (6), 460-474.
  11. ^ Мемарзаде, М., и Поцци, М. 2016. Ценность информации при последовательном принятии решений: проверка компонентов, постоянный мониторинг и планирование на уровне системы. Техника надежности и системная безопасность, 154: 137–151. Эльзевир. DOI: 10.1016 / J.RESS.2016.05.014.