Wspólna optymalizacja wymiany i zamawiania części zamiennych dla krytycznego komponentu obrotowego na podstawie dotychczasowego sygnału stanu

It is widely accepted that condition-based replacement can not only make full use of components, but also decline inventory cost if the procurement of spare parts can be triggered upon accurate failure prediction. Most of the existing degradation or failure prediction models and approaches are population-based failures or suspensions, namely, to predict the failure time of a component, there are some failure or suspension histories of same type or similar components which can be used as reference. However, in practice, there exists the phenomenon in which no failure or suspension histories for some components can be used, what can be utilized is just the collected condition monitoring signals to date. In that case, failure time and probability are difficult to be estimated accurately. In this paper, a novel degradation prediction approach is introduced. Meantime, a new failure probability estimation function is developed based on component “service time” and “degradation extent” simultaneously. Then replacement and spare part ordering are jointly optimized according to the estimated failure probability. The optimization objective is to minimize long-run cost rate. Two bearing datasets are used to validate the proposed approach.Powszechnie przyjmuje się, że wymiana w oparciu o stan techniczny pozwala nie tylko na pełne wykorzystanie elementów składowych, ale także na zmniejszenie kosztów magazynowych (związanych z przechowywaniem zapasów) jeśli zamawianie części zamiennych da się powiązać z trafnym prognozowaniem uszkodzeń. Większość istniejących modeli i teorii predykcji degradacji lub uszkodzeń opiera się na danych populacyjnych o uszkodzeniach lub zawieszeniu pracy co oznacza, że czas uszkodzenia komponentu przewiduje się w odniesieniu do historii uszkodzeń lub zawieszeń pracy tego samego typu lub podobnego typu elementów składowych. Jednak w praktyce zdarza się, że dla niektórych komponentów nie istnieją historie uszkodzeń lub zawieszenia pracy, do których można by się odnieść; jedyne co można wykorzystać to zgromadzone dotychczas sygnały z monitorowania stanu. W takim przypadku, trudno jest ocenić dokładnie czas i prawdopodobieństwo wystąpienia uszkodzenia. W niniejszej pracy, przedstawiono nowatorskie podejście do przewidywania degradacji. Opracowano nową funkcję szacowania prawdopodobieństwa uszkodzenia opartą na jednoczesnym wykorzystaniu "czasu pracy" oraz "stopnia degradacji" komponentu. Następnie wspólnie zoptymalizowano procesy wymiany i zamawiania części zamiennych zgodnie z szacowanym prawdopodobieństwem wystąpienia uszkodzenia. Celem optymalizacji była minimalizacja długoterminowego wskaźnika kosztów . Poprawność proponowanego podejścia zweryfikowano z wykorzystaniem dwóch zbiorów danych dotyczących łożysk