Joint optimization of replacement and spare ordering for critical rotary component based on condition signal to date

• Autorzy: Chen X. , Xu D. , Xiao L.

Identyfikatory

DOI

10.17531/ein.2017.1.11

Warianty tytułu

PL

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

• Języki publikacji: EN

Abstrakty

EN

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.

PL

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.

Słowa kluczowe

EN

degradation prediction; failure probability; condition-based replacement; spare part ordering

PL

prognozowanie degradacji; prawdopodobieństwo wystąpienia uszkodzenia; wymiana w oparciu o stan; zamawianie części zamiennych

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2017
• Tom: Vol. 19, no. 1
• Strony: 76--85
• Opis fizyczny: Bibliogr. 29 poz., rys., tab.

Twórcy

autor

Chen X.

• The State Key Lab of Mechanical Transmission Chongqing University Chongqing 400030, China

autor

Xu D.

• The State Key Lab of Mechanical Transmission Chongqing University Chongqing 400030, China

autor

Xiao L.

• The State Key Lab of Mechanical Transmission Chongqing University Chongqing 400030, China

Bibliografia

• 1. Di Maio F, Tsui KL, Zio E. Combining Relevance Vector Machines and exponential regression for bearing residual life estimation. Mechanical Systems and Signal Processing 2012; 31: 405-427. http://dx.doi.org/10.1016/j.ymssp.2012.03.011.
• 2. Elwany AH, Gebraeel NZ. Sensor-driven prognostic models for equipment replacement and spare parts inventory. IIE Transactions 2008; 40(7): 629-639. http://dx.doi.org/10.1080/07408170701730818.
• 3. Gan S, Shi J. Maintenance optimization for a production system with intermediate buffer and replacement part order considered. Ekspolatacja i Niezawodnosc - Maintenance and Reliability 2014; 16(1): 140-149.
• 4. IEEE PHM 2012 Data Challenge. http://www.femto-st.fr/en/Research-departments/AS2M/Research-groups/PHM /IEEE-PHM-2012-Datachallenge. php.
• 5. Jiang Y, Chen M, Zhou D. Joint optimization of preventive maintenance and inventory policies for multi-unit systems subject to deteriorating spare part inventory. Journal of Manufacturing Systems 2015; 35: 191-205. http://dx.doi.org/10.1016/j.jmsy.2015.01.002.
• 6. Lee J, Wu F, Zhao W, Ghaffari M, Liao L, Siegel D. Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications. Mechanical Systems and Signal Processing 2014; 42(1–2): 314-334. http://dx.doi.org/10.1016/j.ymssp.2013.06.004.
• 7. Li J, Zhang Y, Wang Z, Fu H, Xiao L. Reliability analysis of the products subject to competing failure processes with unbalanced data. Ekspolatacja i Niezawodnosc - Maintenance and Reliability 2016; 18(1): 98-109. http://dx.doi.org/10.17531/ein.2016.1.13.
• 8. Louit D, Pascual R, Banjevic D, Jardine AKS. Condition-based spares ordering for critical components. Mechanical Systems and Signal Processing 2011; 25(5): 1837-1848. http://dx.doi.org/10.1016/j.ymssp.2011.01.004.
• 9. Lu C, Tao L, Fan H. An intelligent approach to machine component health prognostics by utilizing only truncated histories. Mechanical Systems and Signal Processing 2014; 42(1–2): 300-313. http://dx.doi.org/10.1016/j.ymssp.2013.08.025.
• 10. Lynch P, Adendorff K, Yadavalli VSS, Adetunji O. Optimal spares and preventive maintenance frequencies for constrained industrial systems. Computers & Industrial Engineering 2013; 65(3): 378-387. http://dx.doi.org/10.1016/j.cie.2013.03.005.
• 11. McFadden PD, Smith JD. Model for the vibration produced by a single point defect in a rolling element bearing. Journal of Sound and Vibration 1984; 96(1): 69-82. http://dx.doi.org/10.1016/0022-460X(84)90595-9.
• 12. Nguyen TPK, Yeung TG, Castanier B. Optimal maintenance and replacement decisions under technological change with consideration of spare parts inventories. International Journal of Production Economics 2013; 143(2): 472-477. http://dx.doi.org/10.1016/j.ijpe.2012.12.003.
• 13. Panagiotidou S. Joint optimization of spare parts ordering and maintenance policies for multiple identical items subject to silent failures. European Journal of Operational Research 2014; 235(1): 300-314. http://dx.doi.org/10.1016/j.ejor.2013.10.065.
• 14. Rausch M, Liao H. Joint Production and Spare Part Inventory Control Strategy Driven by Condition Based Maintenance. IEEE Transactions on Reliability 2013; 59(3): 507-516. http://dx.doi.org/10.1109/TR.2010.2055917.
• 15. Tian Z, Wong L, Safaei N. A neural network approach for remaining useful life prediction utilizing both failure and suspension histories. Mechanical Systems and Signal Processing 2010; 24(5): 1542-1555. http://dx.doi.org/10.1016/j.ymssp.2009.11.005.
• 16. Van Horenbeek A, Buré J, Cattrysse D, Pintelon L, Vansteenwegen P. Joint maintenance and inventory optimization systems: A review. International Journal of Production Economics 2013; 143(2): 499-508. http://dx.doi.org/10.1016/j.ijpe.2012.04.001.
• 17. Wang L, Chu J, Mao W. A condition-based order-replacement policy for a single-unit system. Applied Mathematical Modelling 2008; 32 (11): 2274-2289. http://dx.doi.org/10.1016/j.apm.2007.07.016.
• 18. Wang L, Chu J, Mao W. A condition-based replacement and spare provisioning policy for deterioration systems with uncertain deterioration to failure. European Journal of Operational Research 2009; 194(1): 184-205. http://dx.doi.org/10.1016/j.ejor.2007.12.012.
• 19. Wang W. A stochastic model for joint spare parts inventory and planned maintenance optimisation. European Journal of Operational Research 2012; 216(1): 127-139. http://dx.doi.org/10.1016/j.ejor.2011.07.031.
• 20. Wang Y, Zhao J, Cheng Z, Yang Z. Integrated decision on spare parts ordering and equipment maintenance under condition based maintenance strategy. Ekspolatacja i Niezawodnosc - Maintenance and Reliability 2015; 17(4): 591-599. http://dx.doi.org/10.17531/ein.2015.4.15.
• 21. Wang YF, Kootsookos PJ. Modeling of low shaft speed bearing faults for condition monitoring. Mechanical Systems and Signal Processing 1998; 12(3): 415-426. http://dx.doi.org/10.1006/mssp.1997.0149.
• 22. Wang Z, Hu C, Wang W, Kong X, Zhang W. A prognostics-based spare part ordering and system replacement policy for a deteriorating system subjected to a random lead time. International Journal of Production Research 2014; 53(15): 4511-4527. http://dx.doi.org/10.1080/00207543.2014.988892.
• 23. Wang Z, Wang W, Hu C, Si X, Zhang Wei. A Prognostic-Information-Based Order-Replacement Policy for a Non-Repairable Critical System in Service. IEEE Transactions on Reliability 2015; 62(2): 721-735. http://dx.doi.org/10.1109/TR.2014.2371016.
• 24. Wang Z, Wang Z, Hu C, Liu X. An Integrated Decision Model for Critical Component Spare Parts Ordering and Condition-based Replacement with Prognostic Information. CHEMICAL ENGINEERING TRANSACTIONS 2013; 33: 1063-1068. http://dx.doi.org/10.3303/CET1333178.
• 25. Wong CS, Chan FTS, Chung SH. A joint production scheduling approach considering multiple resources and preventive maintenance tasks. International Journal of Production Research 2013; 51(3): 883-896. http://dx.doi.org/10.1080/00207543.2012.677070.
• 26. Wu B, Tian Z, Chen M. Condition-based Maintenance Optimization Using Neural Network-based Health Condition Prediction. Quality and Reliability Engineering International 2013; 29(8): 1151-1163. http://dx.doi.org/10.1002/qre.1466.
• 27. Xiao L, Chen X, Zhang X, Liu M. A novel approach for bearing remaining useful life estimation under neither failure nor suspension histories condition. Journal of Intelligent Manufacturing 2015. http://dx.doi.org/ 10.1007/s10845-015-1077-x.
• 28. Zhang X, Kang J, Jin T. Degradation Modeling and Maintenance Decisions Based on Bayesian Belief Networks. IEEE Transactions on Reliability 2014; 63(2): 620-633. http://dx.doi.org/10.1109/TR.2014.2315956.
• 29. Zhang Z, Zhou Y, Sun Y, Ma L. Condition-based mainteannce optimization without a predetermined strategy structure for a two-component series system. Ekspolatacja i Niezawodnosc – Maintenance and Reliability 2012; (2): 120-129. http://dx.doi.org/10.1007/978-1-4419-0820-9.