MOST CITED
Update: 2021-07-01
Task „Implementation of procedures ensuring the originality of scientific papers published in the quarterly „Eksploatacja i Niezawodność – Maintenance and Reliability” financed under contract 532/P-DUN/2018 from the funds of the Minister of Science and Higher Education for science dissemination activities.
Xinbo Qian
Za stosowanie strategii uzależniającej termin przeglądu od ceny prądu elektrycznego do optymalizacji utrzymania ruchu agregatu prądotwórczego z uwzględnieniem jego stanu technicznego
Stosując strategie utrzymania ruchu uwzględniające bieżący stan techniczny obiektu (condition based maintenance, CBM) oparte na pojęciu progu konserwacji koniecznej (control limit), najczęściej przywiązuje się wagę do stanu samego sprzętu, ignorując przy tym niestałe warunki zewnętrzne. Należy jednak pamiętać, że w przypadku agregatów prądotwórczych wchodzących w skład układów elektroenergetycznych, koszty przestoju zależne od ceny energii elektrycznej mają wpływ na opłacalność stosowania strategii progu konserwacji koniecznej. Aby powiązać CBM z modelem kosztów niestałych, zaproponowano strategię progu konserwacji koniecznej, w której wysokość progu uzależniona jest od ceny prądu elektrycznego (electricity price-dependent control-limit policy, EPCLP). Przyjęcie takiej strategii pozwala uwzględnić koszty przestojów zależne od czasu. W EPCLP, progi czasowe konserwacji zapobiegawczej są bardzo elastyczne, co pozwala na ich regulację zgodnie z aktualną ceną energii elektrycznej. Strategia umożliwia redukcję kosztów w danym horyzoncie planowania. W celu porównania proponowanej strategii ze strategią stałego progu konserwacji koniecznej, w pracy przeanalizowano optymalne progi czasowe konserwacji koniecznej oraz koszty utrzymania ruchu dla różnych stosunków przestoju do kosztu, różnych wartości niezawodności, różnych procesów kowariantnych oraz różnych scenariuszy zmian cen energii elektrycznej. Zakres zastosowania proponowanej strategii oceniano za pomocą analizy czułości.
An electricity price-dependent control-limit policy for conditionbased maintenance optimization for power generating unit
For the control-limit policy of condition-based maintenance (CBM), it usually focuses on the internal condition of the equipment while neglecting the un-constant external conditions. However, the electricity price-dependent downtime cost have influence on the cost-effectiveness of control-limit policy for a generating unit in a power system. To make a linkage between CBM and the nonconstant cost model, an electricity price-dependent control-limit policy (EPCLP) is proposed to accommodate the time-dependent downtime costs. For the proposed EPCLP, preventive maintenance control-limits is much flexible to be adjusted to different electricity price levels, and the maintenance cost reduction can be achieved among the planning horizon as a result. The optimal control-limits and maintenance costs for different downtime-cost ratios, reliabilities, covariate processes and electricity price scenarios are analysed to compare the performances between the proposed policy and the constant control-limit policy. Through the sensitivity analysis, the application scope of the proposed policy is evaluated.
Selective maintenance optimization with stochastic break duration based on reinforcement learning
For industrial and military applications, a sequence of missions would be performed with a limited break between two adjacent missions. To improve the system reliability, selective maintenance may be performed on components during the break. Most studies on selective maintenance generally use minimal repair and replacement as maintenance actions while break duration is assumed to be deterministic. However, in practical engineering, many maintenance actions are imperfect maintenance, and the break duration is stochastic due to environmental and other factors. Therefore, a selective maintenance optimization model is proposed with imperfect maintenance for stochastic break duration. The model is aimed to maximize the reliability of system successfully completing the next mission. The reinforcement learning(RL) method is applied to optimally select maintenance actions for selected components. The proposed model and the advantages of the RL are verified by three case studies verify.