Çok Bileşenli Sistemlerin Bakım Eniyilemesinde Olasılıklı Grafiksel Modellerin Geliştirilmesi ve Bunların Çözümleri
Close

Çok Bileşenli Sistemlerin Bakım Eniyilemesinde Olasılıklı Grafiksel Modellerin Geliştirilmesi ve Bunların Çözümleri

Back

Bu projede enerji üretim sistemlerinde bulunan çok-bileşenli gerçek hayat sistemlerinin bakım eniyilemesi problemleri çalışılmaktadır.

Ad: Demet
Soyad: Özgür Ünlüakın
Fakülte/Bölüm: Mühendislik Fak. / Endüstri Müh.
Proje İsmi: Çok-Bileşenli Sistemlerin Bakım Eniyilemesinde Olasılıklı Grafiksel Modellerin Geliştirilmesi ve Bunların Çözümleri
Proje Başlangıç Tarihi: 15.10.2017
Süresi: 28 ay
Fon Veren Kurum: TUBİTAK
Fon Programı: ARDEB 1001
Varsa Firma Ortağı:

Endüstrinin ilerlemesi ile birlikte sistemlerin ve fiziksel varlıkların karmaşıklığı da artmaya başlamıştır. Bu hızlı artış, bileşenler arası birçok bağımlılığı (rassal, yapısal, ekonomik) da beraberinde getirmiştir. Bakım planlaması yaparken bu bağımlılıkları göz ardı etmek, daha yüksek maliyet ve sistemin durması gibi verimsiz sonuçlara neden olabilmektedir. Bu sebeple bakım planlaması modellerinde çok bileşenli sistem yaklaşımı ön plana çıkmaktadır. Çok bileşenli sistemlerde, sistemin karmaşıklığına bağlı olarak, bakım planlaması daha zordur.

Bu projede enerji üretim sistemlerinde bulunan çok-bileşenli gerçek hayat sistemlerinin bakım eniyilemesi problemleri çalışılmaktadır. Enerji üretim sistemleri birçok etkileşen bileşene sahip karmaşık yapılardır. Bu sistemlerde beklenmeyen bir arıza çok ciddi maliyetlere sebep olacağından, bu sektör için bakım planlaması çok önemlidir. Proje kapsamında özellikle termik santrallerindeki çok-bileşenli sistemlerin, reaktif, kestirimci ve durum bazlı bakım felsefeleri altında, bakım eniyileme problemlerini olasılıklı grafiksel modeller kullanarak ifade edip; bu problemlerin kabul edilebilir zamanda kesin ya da yaklaşık olarak çözülmesi ve bu üç bakım yönteminin sonuçlarınının karşılaştırılması hedeflenmiştir. Olasılıklı grafiksel modeller olarak dinamik Bayesçi ağlar (dynamic Bayesian network, DBN) ve kısmen gözlemlenebilir Markov karar süreçleri (Partially observable Markov decision process, POMDP) kullanılacaktır.