Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску
Функция опасностей изгиба ванны (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 ( зеленая, нижняя сплошная линия).
Схематическое ухудшение состояния актива с течением времени. Увеличение показателей эффективности представляет собой действие по техническому обслуживанию.
Дорога со временем ухудшается, а шероховатость ее поверхности увеличивается. Дорога находится в Техасе.

Моделирование износа - это процесс моделирования и прогнозирования физического состояния оборудования, конструкций, инфраструктуры или любых других физических активов. Состояние инфраструктуры представляется либо с помощью детерминированного индекса, либо с помощью вероятности отказа. Примерами таких показателей эффективности являются индекс состояния дорожного покрытия для дорог или индекс состояния мостов для мостов. Для вероятностных показателей, на которых сосредоточена теория надежности , используется вероятность отказа или индекс надежности. [1] [2] Модели износа играют важную роль в управлении 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 нарушает определенный порог. [5]

Традиционно большинство муниципалитетов использовали кривые разрушения для моделирования разрушения. [5] В последнее время были внедрены более сложные методы, основанные на моделировании, марковских моделях и моделях машинного обучения . Хорошо известная модель, показывающая вероятность отказа актива на протяжении его срока службы, называется кривой 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 характеристиками. Следовательно, наибольшее беспокойство вызывает отказ из-за износа. [6] [7]

Типы моделей износа [ править ]

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 [ править ]

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 механистически-эмпирических моделей разрабатываются с использованием детерминированных подходов, но в последнее время исследователи и практики заинтересовались вероятностными моделями. [3] [9]

Вероятностные модели [ править ]

Примерами вероятностных моделей износа являются модели, разработанные на основе теории надежности , цепи Маркова и машинного обучения . [8] [9] В отличие от детерминированных моделей вероятностная модель может включать вероятность. Например, он может сказать, что через пять лет дорога будет в плохом состоянии с вероятностью 75%, и есть вероятность 25%, что она 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. Ограничением марковских моделей является то, что они не могут учитывать историю технического 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 движение в качестве входных переменных. [7]

Марковские модели [ править ]

Большая часть вероятностных моделей износа разработана на основе цепи 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 тротуарной моделирования износа , то PCI можно разделить на пять классов: хорошо, удовлетворительно, справедливые, бедных и очень бедных (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 подвергались 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 с учетом воздействия климата, но, как правило, невозможно использовать климатические атрибуты или движение в качестве входных данных в этих типах моделей. [7] [11]

Машинное обучение [ править ]

С конца 2000-х годов для моделирования ухудшения инфраструктуры стали применяться алгоритмы машинного обучения . Нейронные сети были одними из наиболее часто используемых моделей. Несмотря на их высокую способность к обучению, нейронные сети подвергались критике за их черную природу, которая не дает достаточно места для интерпретации модели. [3] [8] [9] Таким образом, в литературе использовались и другие алгоритмы. Примерами других алгоритмов, используемых для моделирования ухудшения, являются дерево решений , k-NN , случайный лес , деревья повышения градиента , регрессия случайного леса 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, трафик, климатические особенности, тип покрытия и класс дороги. [7]

Ссылки [ править ]

  1. ^ Мелчерс, RE (2002), «Структурный анализ надежности и прогнозирования,» 2 - е изд., John Wiley, Чичестер, Великобритания .
  2. ^ Piryonesi, Сайед Madeh; Таваколан, Мехди (9 января 2017 г.). «Модель математического программирования для решения задач оптимизации затрат и безопасности (CSO) при обслуживании конструкций». KSCE Журнал гражданского строительства . 21 (6): 2226–2234. DOI : 10.1007 / s12205-017-0531-Z .
  3. ^ Б с д е е Piryonesi, SM; Эль-Дираби, TE (2020) [Опубликовано онлайн: 21 декабря 2019 г.]. «Аналитика данных в управлении активами: рентабельное прогнозирование индекса состояния дорожного покрытия». Журнал инфраструктурных систем . 26 (1). DOI : 10.1061 / (ASCE) IS.1943-555X.0000512 .
  4. ^ «IAM (Институт управления активами): управление активами - анатомия» .
  5. ^ а б Эль-Дираби, Т. Е., Кинави, С., и Пирьонеси, С. М. (2017). Комплексный обзор подходов, используемых муниципалитетами Онтарио к разработке планов управления дорожными активами (№ 17-00281)
  6. ^ Энс, A. (2012). Разработка гибкой основы для моделирования износа в управлении инфраструктурными активами .
  7. ^ a b c d "Piryonesi, SM (2019). Применение аналитики данных к управлению активами: ухудшение состояния и адаптация к изменению климата на дорогах Онтарио (докторская диссертация)" .
  8. ^ а б в г Пирьонеси, С.М. 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. ^ a b c Форд, К., Арман, М., Лаби, С., Синха, К. К., Томпсон, П. Д., Широле, А. М., и Ли, З. 2012. Отчет NCHRP 713: Оценка ожидаемого срока службы дорожных активов. В Совете по исследованиям транспорта, Национальная академия наук, Вашингтон, округ Колумбия. Совет по транспортным исследованиям, Вашингтон, округ Колумбия .
  10. ^ a b Окаша, Н. М., и Франгопол, Д. М. (2009). Многоцелевая оптимизация технического обслуживания конструкций, ориентированная на весь срок службы, с учетом надежности системы, резервирования и стоимости жизненного цикла с использованием GA. Структурная безопасность, 31 (6), 460-474 .
  11. ^ Мемарзаде, М., и Поцци, М. 2016. Ценность информации в 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 .