مدلسازی تخریب نیمه‌فیزیکی فرآیند گاما و نگهداری فرصت‌طلبانه مبتنی بر عملکرد برای سیستم‌های LED

1. مقدمه و مرور کلی

سیستم‌های روشنایی LED در مقیاس بزرگ، چالش منحصربه‌فردی در نگهداری ارائه می‌دهند. عملکرد آنها از طریق دو مکانیسم اصلی تخریب می‌یابد: کاهش تدریجی شار نوری پکیج‌های LED و خرابی ناگهانی و تصادفی درایورها. رویکردهای سنتی نگهداری متمرکز بر قابلیت اطمینان (RCM) که بر نرخ خرابی اجزا تمرکز دارند، کافی نیستند زیرا پذیرش سیستم روشنایی توسط انطباق فضایی-زمانی روشنایی در سطح کار تعریف می‌شود، نه صرفاً عملکرد اجزا.

این مقاله شکاف بین تخریب در سطح جزء و کیفیت خدمات در سطح سیستم را پر می‌کند. این مقاله یک چارچوب نوآورانه و مبتنی بر عملکرد ارائه می‌دهد که مدلسازی تخریب آگاه از فیزیک، کمّی‌سازی عدم قطعیت بیزی، شبیه‌سازی با وفاداری بالا مبتنی بر ردیابی پرتو و بهینه‌سازی مبتنی بر مدل جایگزین را برای توسعه سیاست‌های نگهداری فرصت‌طلبانه مقرون‌به‌صرفه برای تأسیسات بزرگ یکپارچه می‌کند.

چالش کلیدی

عملکرد سیستم یک تابع فضایی جفت‌شده از صدها چراغ در حال تخریب است که ارزیابی بلندمدت را پیچیده می‌کند.

نوآوری اصلی

یک چارچوب شبیه‌سازی در حلقه که شاخص‌های ایستای روشنایی را به یک متریک پویا و بلندمدت نسبت کمبود عملکرد تبدیل می‌کند.

تأثیر عملی

امکان بهینه‌سازی بازدیدهای نگهداری و تعویض‌ها برای متوازن‌سازی کیفیت روشنایی، هزینه عملیاتی و مصرف منابع را فراهم می‌کند.

2. روش‌شناسی و چارچوب

چارچوب پیشنهادی، یکپارچگی حلقه بسته‌ای از مدلسازی تخریب، شبیه‌سازی سیستم و بهینه‌سازی سیاست است.

2.1 مدلسازی تخریب نیمه‌فیزیکی

کاهش شار نوری پکیج LED با استفاده از یک فرآیند گامای ناهمگن (NHGP) مدل می‌شود. برخلاف یک مدل صرفاً آماری، این مدل بینش فیزیکی را دربرمی‌گیرد: مسیر تخریب میانگین از روند نمایی پیروی می‌کند که معمولاً در داده‌های آزمایش LM-80 مشاهده می‌شود و توسط عمر L70 سیستم LED (زمان رسیدن به 70% خروجی نوری اولیه) توصیف می‌شود.

فرمول‌بندی ریاضی:
فرض کنید $X(t)$ تخریب خروجی نوری در زمان $t$ باشد. مدل NHGP به صورت زیر است: $$X(t) \sim \text{Gamma}(\alpha \Lambda(t; \theta), \beta)$$ که در آن $\alpha, \beta$ پارامترهای شکل و نرخ هستند و $\Lambda(t; \theta)$ تابع میانگین است. یک فرم رایج $\Lambda(t) = (t / \eta)^\gamma$ است، اما در اینجا توسط مدل واپاشی نمایی $L(t) = L_0 \exp(-\lambda t)$ آگاه می‌شود که به پارامتر فیزیکی L70 مرتبط است.

خرابی درایورها به طور جداگانه با استفاده از یک توزیع طول عمر وایبول مدل می‌شوند که خرابی‌های ناگهانی و فاجعه‌بار را در نظر می‌گیرد.

2.2 کالیبراسیون پارامتر بیزی

پارامترهای مدل، تخمین‌های نقطه‌ای نیستند بلکه توزیع‌هایی هستند که از داده‌های تخریب شتاب‌یافته LM-80 با استفاده از استنتاج بیزی کالیبره می‌شوند. این امر امکان انتشار عدم قطعیت دقیق از داده‌های آزمایش به شرایط عملیاتی واقعی را فراهم می‌کند. روش‌های زنجیره مارکوف مونت‌کارلو (MCMC) معمولاً برای نمونه‌گیری از توزیع‌های پسین پارامترهایی مانند $\alpha, \beta, \lambda$ و پارامترهای شکل/مقیاس وایبول به کار می‌روند.

2.3 شبیه‌سازی عملکرد در سطح سیستم

وضعیت هر چراغ (پکیج تخریب‌یافته، درایور خراب یا عملکردی) یک پیکربندی سیستم را تعریف می‌کند. برای هر پیکربندی، یک موتور ردیابی پرتو (مانند Radiance) میدان روشنایی در سطح کار را محاسبه می‌کند. شاخص‌های عملکرد ایستا—میانگین روشنایی $\bar{E}$ و یکنواختی $U_0 = E_{min} / \bar{E}$—محاسبه و با استانداردها (مانند EN 12464-1) مقایسه می‌شوند.

متریک کلیدی - نسبت کمبود عملکرد (PDR): نوآوری اصلی چارچوب، تبدیل تصاویر لحظه‌ای ایستا به یک متریک پویا و بلندمدت است. در طول افق شبیه‌سازی، سیستم «مدت زمان کمبود» را هرگاه $\bar{E}$ یا $U_0$ از آستانه‌ها پایین‌تر بیاید، انباشته می‌کند. PDR برابر است با کل زمان کمبود تقسیم بر کل زمان عملیاتی.

2.4 مدلسازی جایگزین برای مقیاس‌پذیری

اجرای شبیه‌سازی‌های مونت‌کارلو با ردیابی پرتو کامل برای هزاران چراغ و گام‌های زمانی از نظر محاسباتی غیرممکن است. نویسندگان از مدلسازی جایگزین (مانند رگرسیون فرآیند گاوسی یا شبکه‌های عصبی) برای ایجاد یک نگاشت سریع‌الارزیابی از وضعیت چراغ‌ها به متریک‌های عملکرد (PDR) استفاده می‌کنند. این مدل جایگزین بر روی مجموعه محدودی از شبیه‌سازی‌های ردیابی پرتو با وفاداری بالا آموزش داده می‌شود و امکان کاوش کارآمد فضای سیاست نگهداری را فراهم می‌کند.

3. نتایج و مطالعه موردی

این چارچوب بر روی یک مطالعه موردی واقعی از سیستم روشنایی LED داخلی در مقیاس بزرگ اعمال شد.

3.1 نتایج کالیبراسیون مدل

کالیبراسیون بیزی با استفاده از داده‌های LM-80 منجر به توزیع‌های پسین برای پارامترهای NHGP شد که عدم قطعیت قابل توجهی در مسیرهای تخریب بلندمدت نشان می‌داد. مدل وایبول درایور نشان‌دهنده نرخ خرابی افزایشی در طول زمان (پارامتر شکل > 1) بود.

توضیح نمودار (تصوری): احتمالاً یک شکل، مسیرهای تخریب نمونه‌گیری شده متعددی از توزیع پسین NHGP را نشان می‌داد که در طول زمان گسترده می‌شدند و با منحنی میانگین قطعی نمایی مقایسه می‌شدند. این به صورت بصری عدم قطعیت در پیش‌بینی خروجی نوری دقیق در زمان‌های آینده را منتقل می‌کند.

3.2 تحلیل کمبود عملکرد

شبیه‌سازی‌ها نشان داد که عملکرد سیستم (PDR) به صورت غیرخطی تخریب می‌یابد. خرابی‌های اولیه درایور تأثیر جزئی دارند، اما با افزایش تخریب تجمعی و خرابی‌ها، PDR به شدت افزایش می‌یابد هنگامی که تعداد بحرانی از چراغ‌ها مختل شوند، که نشان‌دهنده یک نقطه اوج در سطح سیستم است.

3.3 بهینه‌سازی سیاست نگهداری

یک بهینه‌سازی چندهدفه برای یافتن سیاست‌های نگهداری فرصت‌طلبانه بهینه پارتو انجام شد. اهدافی که کمینه شدند عبارت بودند از: 1) نسبت کمبود عملکرد (PDR)، 2) تعداد بازدیدهای سایت، و 3) تعداد تعویض اجزا.

توضیح نمودار (تصوری): یک نتیجه کلیدی، نمودار مرز پارتو سه‌بعدی است. این نمودار سطح مبادله را نشان می‌دهد: سیاست‌های تهاجمی (بازدید/تعویض بالا) به PDR بسیار پایین دست می‌یابند، در حالی که سیاست‌های منفعل در هزینه صرفه‌جویی می‌کنند اما PDR بالایی را متحمل می‌شوند. «زانوی» منحنی نمایان‌گر مقرون‌به‌صرفه‌ترین سیاست‌ها است.

سیاست فرصت‌طلبانه بهینه شده حکم می‌کند: «در طول یک بازدید برنامه‌ریزی شده برای یک درایور خراب، همچنین هر پکیج LED که عمر مفید باقی‌مانده پیش‌بینی شده (RUL) آن از آستانه معینی پایین‌تر باشد، یا سطح تخریب فعلی آن تأثیر نامتناسبی بر یکنواختی روشنایی محلی ایجاد کند، تعویض شود.»

4. تحلیل فنی و بینش‌ها

بینش اصلی

این مقاله صرفاً درباره نگهداری LED نیست؛ بلکه یک درس استادانه در تغییر فلسفه نگهداری از قابلیت اطمینان متمرکز بر جزء به قابلیت سرویس‌دهی متمرکز بر سیستم است. نویسندگان به درستی شناسایی کرده‌اند که شاخص کلیدی عملکرد نهایی برای یک سیستم روشنایی، «میانگین زمان بین خرابی درایورها» نیست، بلکه «درصد زمانی است که فضای کار به اندازه کافی روشن است». این با تغییر گسترده صنعت به سمت قراردادهای مبتنی بر عملکرد (PBC) و مدل‌های «روشنایی به عنوان سرویس» (LaaS) همسو است، جایی که پرداخت به لومن‌های تحویل‌شده و نه مالکیت سخت‌افزار گره خورده است. متریک پویای نسبت کمبود عملکرد آنها، متریک دقیقی است که برای پشتیبانی از چنین قراردادهایی لازم است.

جریان منطقی

معماری چارچوب از نظر منطقی بی‌عیب است. این چارچوب با فیزیک (روند واپاشی نمایی) شروع می‌شود، تصادفی بودن (فرآیند گاما) را لایه‌بندی می‌کند، عدم قطعیت را کمّی می‌کند (کالیبراسیون بیزی)، تأثیر سیستم را ارزیابی می‌کند (ردیابی پرتو) و تصمیمات را بهینه می‌کند (جستجوی مبتنی بر مدل جایگزین). این خط لوله سرتاسری، چارچوب‌های پیشرفته در سایر حوزه‌ها را منعکس می‌کند، مانند یکپارچه‌سازی مدل‌های فیزیکی با یادگیری عمیق برای پیش‌بینی سلامت باتری (مراجعه به کار آزمایشگاه کنترل انرژی استنفورد). استفاده از یک مدل جایگزین، گامی حیاتی و عمل‌گرایانه است که الگوی «طراحی مبتنی بر شبیه‌سازی» مورد استفاده در مهندسی هوافضا و خودرو را تکرار می‌کند، جایی که شبیه‌سازی‌های دینامیک سیالات محاسباتی (CFD) با سطوح پاسخ برای بهینه‌سازی جایگزین می‌شوند.

نقاط قوت و ضعف

نقاط قوت: مدل NHGP نیمه‌فیزیکی یک نقطه قوت قابل توجه است. مدل‌های صرفاً داده‌محور (مانند شبکه‌های LSTM آموزش‌دیده بر روی داده‌های حسگر) می‌توانند جعبه سیاه باشند و به مجموعه داده‌های عملیاتی عظیمی نیاز داشته باشند. با تعبیه فیزیک شناخته شده واپاشی نمایی، مدل تفسیرپذیرتر و کارآمدتر از نظر داده است و تنها به داده‌های آزمایش استاندارد LM-80 برای کالیبراسیون نیاز دارد—استفاده هوشمندانه‌ای از داده‌های صنعتی موجود. بهینه‌سازی چندهدفه که یک مرز پارتو ارائه می‌دهد، برتر از رویکردهای تابع هزینه واحد است و مبادلات واضحی را به تصمیم‌گیرندگان ارائه می‌دهد.

نقاط ضعف و کاستی‌های بالقوه: این چارچوب فرض می‌کند که تخریب چراغ‌ها و خرابی درایورها مستقل از یکدیگر هستند. در واقعیت، تعاملات حرارتی و الکتریکی در یک چراغ می‌تواند وابستگی‌هایی ایجاد کند. این مدل همچنین به دقت مدل اولیه ردیابی پرتو (بازتاب‌ها، هندسه) متکی است که می‌تواند در طول زمان به دلیل تجمع گردوغبار یا پیکربندی مجدد فضا تغییر کند—عاملی که مورد توجه قرار نگرفته است. علاوه بر این، در حالی که مدل جایگزین مقیاس‌پذیری را ممکن می‌سازد، دقت آن به پوشش داده‌های آموزشی از فضای حالت چندبعدی بستگی دارد؛ استقراء به حالت‌های دیده‌نشده و بسیار تخریب‌یافته می‌تواند خطرناک باشد.

بینش‌های قابل اجرا

برای مدیران تأسیسات و شرکت‌های خدمات روشنایی، نکته فوری این است که شروع به تفکر بر اساس متریک‌های عملکرد فضایی پویا کنند، نه صرفاً تعداد چراغ‌ها. این مقاله یک نقشه راه برای توسعه یک دوقلوی دیجیتال از یک سیستم روشنایی ارائه می‌دهد. اولین قدم ایجاد یک مدل دیجیتال با وفاداری بالا (BIM + فوتومتری) از تأسیسات است. دوم، یکپارچه‌سازی داده‌های بلادرنگ یا دوره‌ای از کنتورهای برق یا نورسنج‌های ساده برای به‌روزرسانی وضعیت مدل تخریب (به‌روزرسانی بیزی). سوم، استفاده از سیاست بهینه‌شده برای برنامه‌ریزی نگهداری به صورت پیش‌گیرانه. این امر نگهداری را از یک فعالیت واکنشی و مرکز هزینه به یک استراتژی پیش‌بینانه و حفظ‌کننده ارزش تبدیل می‌کند. شرکت‌هایی مانند Signify (Philips Lighting) و Acuity Brands که در سیستم‌های روشنایی متصل به اینترنت اشیا سرمایه‌گذاری می‌کنند، در موقعیت ایده‌آلی برای پیاده‌سازی همین چارچوب قرار دارند.

مثال چارچوب تحلیل (غیرکد)

سناریو: یک کتابخانه دانشگاهی با 500 چراغ LED می‌خواهد بودجه نگهداری 10 ساله خود را برنامه‌ریزی کند.

ورودی‌ها: مدل BIM، فایل‌های IES چراغ، داده‌های LM-80 برای پکیج‌های LED خاص، نرخ خرابی گارانتی درایورها.
کالیبراسیون: اجرای کالیبراسیون بیزی بر روی داده‌های LM-80 برای به دست آوردن توزیع پارامترهای مدل‌های NHGP و وایبول.
شبیه‌سازی خط پایه: اجرای 10000 سال مونت‌کارلو از عملیات بدون نگهداری با استفاده از مدل جایگزین. خروجی: توزیع PDR در طول زمان و احتمال نقض استانداردهای روشنایی در سال 5، 7، 10.
ارزیابی سیاست: تعریف سیاست‌های کاندید (مانند «بازرسی هر 2 سال، تعویض پکیج‌های زیر 80% خروجی»، «تعویض فرصت‌طلبانه در طول تعمیرات درایور»). ارزیابی هزینه هر سیاست (بازدید + تعویض) و عملکرد (PDR) از طریق مدل جایگزین.
بهینه‌سازی و تصمیم‌گیری: ترسیم مرز پارتو. مدیریت تصمیم می‌گیرد یک PDR هدف (مانند < 5% کمبود) را انتخاب کند. چارچوب، سیاستی را روی مرز شناسایی می‌کند که این PDR را با کمترین هزینه برآورده می‌کند و یک برنامه نگهداری توجیه‌شده و پیش‌بینی بودجه ارائه می‌دهد.

5. کاربردها و جهت‌های آینده

یکپارچه‌سازی با اینترنت اشیا و دوقلوهای دیجیتال: این چارچوب برای یک دوقلوی دیجیتال سیستم روشنایی ایده‌آل است. داده‌های بلادرنگ از درایورهای متصل (مصرف برق، دما) و حسگرهای نور توزیع‌شده می‌توانند برای به‌روزرسانی وضعیت تخریب (فیلتر بیزی) بازخورد داده شوند و امکان سیاست‌های انطباقی و مبتنی بر شرایط را به جای برنامه‌های ثابت فراهم کنند.
گسترش به روشنایی تطبیقی: سیستم‌های مدرن، نور را کم یا دمای رنگ را تنظیم می‌کنند. این چارچوب می‌تواند برای بهینه‌سازی نگهداری سیستم‌هایی گسترش یابد که در آن الگوریتم‌های کنترل، تخریب را جبران می‌کنند و لایه جدیدی از تصمیم‌گیری اضافه می‌کنند: «آیا باید یک چراغ را تعویض کنیم یا صرفاً سطح کم‌نوری آن را افزایش دهیم؟»
اقتصاد چرخشی و پایداری: این مدل می‌تواند بازتولید یا برداشت اجزا را دربرگیرد. بهینه‌سازی می‌تواند اهدافی برای ضایعات مواد یا ردپای کربن را شامل شود و با تصمیم‌گیری درباره زمان تعویض در مقابل تعمیر، نگهداری را با اهداف پایداری همسو کند.
کاربرد بین‌حوزه‌ای: روش‌شناسی اصلی—تخریب نیمه‌فیزیکی + شبیه‌سازی عملکرد در سطح سیستم + بهینه‌سازی جایگزین—قابل انتقال است. می‌توان آن را برای نگهداری آرایه‌های فتوولتائیک (خروجی توان در مقابل آلودگی/تخریب)، سیستم‌های HVAC ساختمان (آسایش حرارتی در مقابل خرابی اجزا) یا حتی زیرساخت شبکه (کیفیت خدمات در مقابل قابلیت اطمینان روتر/سوئیچ) به کار برد.

6. مراجع

Shi, H., Truong-Ba, H., Cholette, M. E., Harris, B., Montes, J., & Chan, T. (2026). Semi-physical Gamma-Process Degradation Modeling and Performance-Driven Opportunistic Maintenance Optimization for LED Lighting Systems. arXiv preprint arXiv:2601.09380.
IESNA. (2008). IESNA LM-80-08: Measuring Lumen Maintenance of LED Light Sources. Illuminating Engineering Society.
EN 12464-1:2021. Light and lighting - Lighting of work places - Part 1: Indoor work places.
Si, X. S., Wang, W., Hu, C. H., & Zhou, D. H. (2011). Remaining useful life estimation–A review on the statistical data driven approaches. European Journal of Operational Research, 213(1), 1-14. (برای مرور مدلسازی تخریب).
Kennedy, M. C., & O'Hagan, A. (2001). Bayesian calibration of computer models. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 63(3), 425-464. (پایه‌ای برای کالیبراسیون بیزی).
Forrester, A. I., Sóbester, A., & Keane, A. J. (2008). Engineering design via surrogate modelling: a practical guide. John Wiley & Sons. (برای اصول مدلسازی جایگزین).
Zhu, J. Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired image-to-image translation using cycle-consistent adversarial networks. In Proceedings of the IEEE international conference on computer vision (pp. 2223-2232). (به عنوان نمونه‌ای از یک چارچوب تحول‌آفرین در حوزه دیگر—CycleGAN—برای برجسته کردن نوآوری ساختاری رویکرد شبیه‌سازی در حلقه مقاله ذکر شده است).