LED Sistemleri için Yarı-Fiziksel Gama Süreci Bozunma Modellemesi ve Performans Odaklı Fırsatçı Bakım

1. Giriş ve Genel Bakış

Büyük ölçekli LED aydınlatma sistemleri benzersiz bir bakım zorluğu sunmaktadır. Performansları iki ana mekanizma ile bozunur: LED paketlerinin kademeli lümen kaybı ve sürücülerin ani, stokastik arızaları. Bileşen arıza oranlarına odaklanan geleneksel güvenilirlik merkezli bakım (RCM) yaklaşımları yetersizdir, çünkü aydınlatma sisteminin kabul edilebilirliği, yalnızca bileşen işlevselliği değil, çalışma düzlemindeki uzaysal-zamansal aydınlık seviyesi uyumu ile tanımlanır.

Bu makale, bileşen seviyesindeki bozunma ile sistem seviyesindeki hizmet kalitesi arasındaki boşluğu kapatmaktadır. Büyük tesisler için uygun maliyetli, fırsatçı bakım politikaları geliştirmek amacıyla fizik bilgisi içeren bozunma modellemesi, Bayesci belirsizlik nicelendirmesi, yüksek doğruluklu ışın izleme simülasyonu ve vekil model tabanlı optimizasyonu entegre eden yeni, performans odaklı bir çerçeve önermektedir.

Temel Zorluk

Sistem performansı, yüzlerce bozunan armatürün birleşik, uzamsal bir fonksiyonudur, bu da uzun vadeli değerlendirmeyi karmaşık hale getirir.

Çekirdek Yenilik

Statik aydınlatma indekslerini dinamik, uzun vadeli bir Performans Eksikliği Oranı metriğine dönüştüren, simülasyon döngü içinde bir çerçeve.

Pratik Etki

Aydınlatma kalitesi, işletme maliyeti ve kaynak kullanımını dengelemek için bakım ziyaretlerinin ve değişimlerinin optimizasyonunu sağlar.

2. Metodoloji ve Çerçeve

Önerilen çerçeve, bozunma modellemesi, sistem simülasyonu ve politika optimizasyonunun kapalı döngü entegrasyonudur.

2.1 Yarı-Fiziksel Bozunma Modellemesi

LED paket lümen kaybı, homojen olmayan Gama süreci (NHGP) kullanılarak modellenmiştir. Saf istatistiksel bir modelin aksine, fiziksel içgörüyü içerir: ortalama bozunma yolu, LED sisteminin L70 ömrü (başlangıç lümen çıktısının %70'ine ulaşma süresi) ile bağlantılı olarak, LM-80 test verilerinde yaygın olarak gözlemlenen üstel eğilimi takip eder.

Matematiksel Formülasyon:
$X(t)$, $t$ zamanındaki lümen çıktı bozunması olsun. NHGP modeli şu şekildedir: $$X(t) \sim \text{Gamma}(\alpha \Lambda(t; \theta), \beta)$$ Burada $\alpha, \beta$ şekil ve oran parametreleridir ve $\Lambda(t; \theta)$ ortalama fonksiyondur. Yaygın bir form $\Lambda(t) = (t / \eta)^\gamma$ şeklindedir, ancak burada fiziksel L70 parametresiyle bağlantılı olan üstel bozunma modeli $L(t) = L_0 \exp(-\lambda t)$ ile bilgilendirilmiştir.

Sürücü arızaları, ani, felaket arızaları hesaba katılarak ayrı olarak Weibull ömür dağılımı kullanılarak modellenmiştir.

2.2 Bayesci Parametre Kalibrasyonu

Model parametreleri nokta tahminleri değil, Bayesci çıkarım kullanılarak hızlandırılmış LM-80 bozunma verilerinden kalibre edilen dağılımlardır. Bu, test verilerinden gerçek dünya çalışma koşullarına kadar titiz bir belirsizlik yayılımına olanak tanır. Markov Zinciri Monte Carlo (MCMC) yöntemleri tipik olarak $\alpha, \beta, \lambda$ ve Weibull şekil/ölçek parametreleri gibi parametrelerin sonsal dağılımlarından örneklem almak için kullanılır.

2.3 Sistem Seviyesinde Performans Simülasyonu

Her bir armatürün durumu (bozunmuş paket, arızalı sürücü veya çalışır durumda) bir sistem konfigürasyonu tanımlar. Her konfigürasyon için, bir ışın izleme motoru (örneğin, Radiance) çalışma düzlemi boyunca aydınlık alanını hesaplar. Statik performans indeksleri—ortalama aydınlık $\bar{E}$ ve düzgünlük $U_0 = E_{min} / \bar{E}$—hesaplanır ve standartlarla (örneğin, EN 12464-1) karşılaştırılır.

Ana Metrik - Performans Eksikliği Oranı (PDR): Çerçevenin çekirdek yeniliği, statik anlık görüntüleri dinamik, uzun vadeli bir metriğe dönüştürmesidir. Bir simülasyon ufku boyunca, sistem $\bar{E}$ veya $U_0$ eşik değerlerin altına düştüğünde "eksiklik süresi" biriktirir. PDR, toplam eksiklik süresinin toplam çalışma süresine bölümüdür.

2.4 Ölçeklenebilirlik için Vekil Modelleme

Binlerce armatür ve zaman adımı için tam ışın izleme ile Monte Carlo simülasyonları çalıştırmak hesaplama açısından engelleyicidir. Yazarlar, armatür durumlarından performans metriklerine (PDR) hızlı değerlendirilebilir bir eşleme oluşturmak için vekil modelleme (örneğin, Gauss Süreci regresyonu veya sinir ağları) kullanmaktadır. Bu vekil model, sınırlı sayıda yüksek doğruluklu ışın izleme simülasyonları üzerinde eğitilerek, bakım politikası uzayının verimli bir şekilde keşfedilmesini sağlar.

3. Sonuçlar ve Vaka Çalışması

Çerçeve, gerçek bir büyük ölçekli kapalı mekan LED aydınlatma sistemi vaka çalışmasına uygulanmıştır.

3.1 Model Kalibrasyonu Sonuçları

LM-80 verileri kullanılarak yapılan Bayesci kalibrasyon, NHGP parametreleri için sonsal dağılımlar sağlamış ve uzun vadeli bozunma yollarında önemli belirsizlik olduğunu göstermiştir. Sürücü Weibull modeli, zamanla artan bir arıza oranı göstermiştir (şekil parametresi > 1).

Grafik Açıklaması (Tahmini): Muhtemelen bir şekil, deterministik üstel ortalama eğri ile karşılaştırıldığında, NHGP sonsalından alınan, zamanla yayılan çoklu örneklenmiş bozunma yollarını göstermiştir. Bu, gelecekteki zamanlarda kesin lümen çıktısını tahmin etmedeki belirsizliği görsel olarak iletmektedir.

3.2 Performans Eksikliği Analizi

Simülasyonlar, sistem performansının (PDR) doğrusal olmayan bir şekilde bozunduğunu ortaya koymuştur. İlk sürücü arızaları küçük bir etkiye sahiptir, ancak kümülatif bozunma ve arızalar arttıkça, kritik sayıda armatür etkilendiğinde PDR keskin bir şekilde yükselir, bu da bir sistem seviyesinde devrilme noktasını göstermektedir.

3.3 Bakım Politikası Optimizasyonu

Pareto-optimal fırsatçı bakım politikalarını bulmak için çok amaçlı bir optimizasyon gerçekleştirilmiştir. En aza indirgenen amaçlar şunlardır: 1) Performans Eksikliği Oranı (PDR), 2) Sahaya yapılan ziyaret sayısı, 3) Bileşen değişim sayısı.

Grafik Açıklaması (Tahmini): Temel bir sonuç, 3B Pareto sınır grafiğidir. Bu grafik, ödünleşim yüzeyini göstermektedir: agresif politikalar (yüksek ziyaret/değişim) çok düşük PDR elde ederken, pasif politikalar maliyetten tasarruf sağlar ancak yüksek PDR ile sonuçlanır. Eğrinin "diz" kısmı en uygun maliyetli politikaları temsil eder.

Optimize edilmiş fırsatçı politika şunu belirtir: "Arızalı bir sürücü için planlanan bir ziyaret sırasında, ayrıca tahmini kalan kullanım ömrü (RUL) belirli bir eşiğin altına düşen veya mevcut bozunma seviyesi yerel aydınlık düzgünlüğü üzerinde orantısız bir etkiye neden olan herhangi bir LED paketini de değiştirin."

4. Teknik Analiz ve İçgörüler

Çekirdek İçgörü

Bu makale sadece LED'lerin bakımı ile ilgili değildir; bakım felsefesini bileşen merkezli güvenilirlikten sistem merkezli hizmet verebilirliğe kaydırma konusunda bir ustalık sınıfıdır. Yazarlar, bir aydınlatma sistemi için nihai KPI'nın "sürücü arızaları arasındaki ortalama süre" değil, "çalışma alanının yeterince aydınlatıldığı zaman yüzdesi" olduğunu doğru bir şekilde tespit etmektedir. Bu, ödemenin donanım sahipliğine değil, sağlanan lümenlere bağlı olduğu Performans Tabanlı Sözleşmeler (PBC) ve "Hizmet Olarak Aydınlatma" (LaaS) modellerine yönelik daha geniş endüstri geçişi ile uyumludur. Dinamik Performans Eksikliği Oranı metriği, bu tür sözleşmeleri desteklemek için gereken kesin metrikdir.

Mantıksal Akış

Çerçevenin mimarisi mantıksal olarak kusursuzdur. Fizikle (üstel bozunma eğilimi) başlar, stokastisiteyi (Gama süreci) katmanlar, belirsizliği nicelendirir (Bayesci kalibrasyon), sistem etkisini değerlendirir (ışın izleme) ve kararları optimize eder (vekil model tabanlı arama). Bu uçtan uca iş akışı, pil sağlığı tahmini için fiziksel modellerin derin öğrenme ile entegrasyonu gibi (Stanford Energy Control Lab'den çalışmalara bakınız) diğer alanlardaki gelişmiş çerçeveleri yansıtmaktadır. Vekil model kullanımı, hesaplamalı akışkanlar dinamiği (CFD) simülasyonlarının optimizasyon için yanıt yüzeyleri ile değiştirildiği havacılık ve otomotiv mühendisliğinde kullanılan "simülasyon tabanlı tasarım" paradigmasını yankılayan kritik, pragmatik bir adımdır.

Güçlü Yönler ve Eksiklikler

Güçlü Yönler: Yarı-fiziksel NHGP modeli önemli bir güçlü yöndür. Saf veri odaklı modeller (örneğin, sensör verileri üzerinde eğitilmiş LSTM ağları) kara kutu olabilir ve büyük operasyonel veri setleri gerektirebilir. Bilinen üstel bozunma fiziğini gömerek, model daha yorumlanabilir ve verimli hale gelir, kalibrasyon için yalnızca standart LM-80 test verilerine ihtiyaç duyar—mevcut endüstri verilerinin akıllıca kullanımıdır. Pareto sınırı sağlayan çok amaçlı optimizasyon, tek maliyet fonksiyonu yaklaşımlarından üstündür ve karar vericilere net ödünleşimler sunar.

Potansiyel Eksiklikler ve Atlamalar: Çerçeve, armatür bozunmaları ve sürücü arızaları arasında bağımsızlık olduğunu varsaymaktadır. Gerçekte, bir armatürdeki termal ve elektriksel etkileşimler bağımlılıklar yaratabilir. Model ayrıca, kir birikimi veya mekan yeniden yapılandırması nedeniyle zamanla değişebilen—ele alınmayan bir faktör—başlangıç ışın izleme modelinin (yansıtma oranları, geometri) doğruluğuna dayanmaktadır. Ayrıca, vekil model ölçeklenebilirliği sağlasa da, doğruluğu eğitim verilerinin yüksek boyutlu durum uzayını kapsamasına bağlıdır; görülmemiş, yüksek derecede bozunmuş durumlara ekstrapolasyon riskli olabilir.

Uygulanabilir İçgörüler

Tesis yöneticileri ve aydınlatma hizmet şirketleri için acil çıkarım, sadece armatür sayıları değil, dinamik uzamsal performans metrikleri açısından düşünmeye başlamaktır. Makale, bir aydınlatma sisteminin dijital ikizini geliştirmek için bir şablon sağlamaktadır. İlk adım, tesisin yüksek doğruluklu bir dijital modelini (BIM + fotometrik) oluşturmaktır. İkinci olarak, bozunma modelinin durumunu güncellemek (Bayesci güncelleme) için güç ölçerlerden veya basit fotometrelerden gerçek zamanlı veya periyodik verileri entegre edin. Üçüncü olarak, bakımı proaktif olarak planlamak için optimize edilmiş politikayı kullanın. Bu, bakımı reaktif, maliyet merkezi bir faaliyetten, öngörücü, değer koruyan bir stratejiye taşır. Signify (Philips Lighting) ve Acuity Brands gibi IoT bağlantılı aydınlatma sistemlerine yatırım yapan şirketler, bu çerçeveyi uygulamak için mükemmel bir konumdadır.

Analiz Çerçevesi Örneği (Kod Dışı)

Senaryo: 500 LED armatürü olan bir üniversite kütüphanesi, 10 yıllık bakım bütçesini planlamak istiyor.

Girdiler: BIM modeli, armatür IES dosyaları, belirli LED paketleri için LM-80 verileri, sürücü garanti arıza oranları.
Kalibrasyon: NHGP ve Weibull modelleri için parametre dağılımlarını elde etmek amacıyla LM-80 verileri üzerinde Bayesci kalibrasyon çalıştırın.
Temel Simülasyon: Vekil modeli kullanarak, bakım olmadan 10.000 Monte Carlo yıllık işletme simülasyonu çalıştırın. Çıktı: zaman içinde PDR dağılımı ve 5., 7., 10. Yıllarda aydınlık standartlarını ihlal etme olasılığı.
Politika Değerlendirmesi: Aday politikaları tanımlayın (örneğin, "her 2 yılda bir denetle, %80 çıktının altındaki paketleri değiştir", "sürücü onarımları sırasında fırsatçı değişim"). Her politikanın maliyetini (ziyaretler + değişimler) ve performansını (PDR) vekil model aracılığıyla değerlendirin.
Optimizasyon ve Karar: Pareto sınırını çizin. Liderlik bir hedef PDR belirler (örneğin, < %5 eksiklik). Çerçeve, bu PDR'yi en düşük maliyetle karşılayan sınır üzerindeki politikayı belirleyerek, gerekçelendirilmiş bir bakım planı ve bütçe tahmini sağlar.

5. Gelecekteki Uygulamalar ve Yönelimler

IoT ve Dijital İkizler ile Entegrasyon: Çerçeve, bir aydınlatma sistemi dijital ikizi için idealdir. Bağlantılı sürücülerden (güç tüketimi, sıcaklık) ve dağıtılmış ışık sensörlerinden gelen gerçek zamanlı veriler, bozunma durumunu güncellemek (Bayesci filtreleme) için geri beslenebilir, böylece statik programlar yerine uyarlanabilir, durum tabanlı politikalar etkinleştirilir.
Uyarlanabilir Aydınlatmaya Genişletme: Modern sistemler karartma veya renk sıcaklığı ayarlaması yapar. Çerçeve, kontrol algoritmalarının bozunmayı telafi ettiği sistemler için bakımı optimize etmek üzere genişletilebilir, yeni bir karar verme katmanı ekler: "Bir armatürü değiştirmeli miyiz yoksa sadece karartma seviyesini mi artırmalıyız?"
Döngüsel Ekonomi ve Sürdürülebilirlik: Model, yeniden üretim veya bileşen geri kazanımını içerebilir. Optimizasyon, malzeme atığı veya karbon ayak izi için amaçlar içerebilir, böylece değiştirme ile onarma arasında karar vererek bakımı sürdürülebilirlik hedefleriyle uyumlu hale getirir.
Çapraz Alan Uygulaması: Çekirdek metodoloji—yarı-fiziksel bozunma + sistem seviyesinde performans simülasyonu + vekil model optimizasyonu—aktarılabilirdir. Fotovoltaik dizilerin (güç çıktısı vs. kirlenme/bozunma), bina HVAC sistemlerinin (termal konfor vs. bileşen arızası) veya hatta ağ altyapısının (QoS vs. yönlendirici/anahtar güvenilirliği) bakımına uygulanabilir.

6. Kaynaklar

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. (Bozunma modellemesi incelemesi için).
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. (Bayesci kalibrasyon için temel).
Forrester, A. I., Sóbester, A., & Keane, A. J. (2008). Engineering design via surrogate modelling: a practical guide. John Wiley & Sons. (Vekil modelleme prensipleri için).
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). (Makalenin simülasyon döngü içi yaklaşımının yapısal yeniliğini vurgulamak için başka bir alandaki dönüştürücü bir çerçeve örneği olarak—CycleGAN—alıntılanmıştır).