Использование метода Монте-Карло при прогнозировании агрегатного ремонта

На большинстве транспортных предприятий в настоящее время используется агрегатный метод ремонта отказавших узлов и механизмов.

Классический вид агрегатного ремонта заключается в замене агрегата на автомобиле после его отказа. Далее снятый агрегат ремонтируется и используется в качестве замены отказавшим механизмам уже на другом автомобиле.

Срок службы с каждым ремонтом у агрегатов сильно снижается, повышается частота отказов, и дальнейшая их замена становится нерентабельной [1].

Каждая транспортная компания ведет статистику отказов своих агрегатов, потому на основе полученных данных можно спрогнозировать наработку до отказа практически на каждом этапе.

Компьютерные технологии позволяют имитировать с большим количеством итераций любые условия работы агрегатов и прогнозировать дальнейший их ресурс с целью своевременной замены подходящих к предельной наработке агрегатов на новые или заранее отремонтированные. Для моделирования и прогнозирования ресурса наиболее подходящим способом является метод Монте-Карло.

Метод Монте-Карло — общее название группы численных методов, основанных на получении большого числа реализаций стохастического (случайного) процесса, который формируется таким образом, чтобы его

вероятностные характеристики совпадали с аналогичными величинами решаемой задачи. Суть метода заключается в следующем: процесс моделируется при помощи генератора случайных величин. Это повторяется много раз, а потом на основе полученных случайных данных вычисляются вероятностные характеристики решаемой задачи [2].

Для правильного прогнозирования необходимо задать корректные аналитические методы просчета случайных величин. Имея статистические данные по количеству ТО и ТР агрегатов, зная наработку до предельного состояния после каждого ремонта, задать алгоритм не составляет труда.

Допустим, имеется некоторое количество моторов с примерно одинаковым количеством капитального ремонта. Разбег по пробегу между ними около 100 тысяч километров. Для имитации дальнейшей картины отказов для подобных моторов этой информации достаточно (но чем больше вводных данных, тем точнее результат). Выходными данными будет среднее значение пробега, стремящееся к одному из основных массивов данных, т.е. будет соответствовать закону нормального распределения в ее вершине.

Различные вариации моделирования позволяют уточнить весовые значения для пробега. Задавая пробег после определенного количества ТО и ТР, можно узнать вероятность отказа на заданном интервале и так далее [3].

Также современные технологии позволяют прогнозировать модели поведения ресурса агрегатов и без статистических данных, имея лишь формулы расчета наработки до отказа.

Преимущества:

• •    Метод может быть адаптирован к любому распределению входных

данных, включая эмпирические распределения, построенные на основе наблюдений за соответствующими системами.

• •     Модели относительно просты для работы и могут быть при

необходимости расширены.

• •     Метод позволяет учесть любые воздействия и взаимосвязи, включая

такие тонкие как условные зависимости.

• •     Для идентификации сильных и слабых влияний может быть применен

анализ чувствительности.

• •     Модели являются понятными, а взаимосвязь между входами и

• выходами - прозрачной.

• •     Метод допускает применение эффективных моделей исследования

многокомпонентных систем, таких как сеть Петри.

• •     Метод позволяет достичь требуемой точности результатов.

• •     Программное обеспечение метода доступно и относительно недорого.

Недостатки:

• •     Точность решений зависит от количества итераций, которые могут быть

выполнены (этот недостаток становится менее значимым с увеличением быстродействия компьютера).

• •    Метод предполагает, что неопределенность данных можно описать известным распределением.

• •    Большие и сложные модели могут представлять трудности для специалистов по моделированию и затруднять вовлечение заинтересованных сторон.

• •    Метод не может адекватно моделировать события с очень высокой или очень низкой вероятностью появления, что ограничивает его применение при анализе риска.

Метод Монте-Карло является перспективным направлением развития для многих технических баз данных, помогающий при минимальных затратах иметь возможность подготовиться к возможным отказам агрегатов и уменьшить простои автомобилей и, соответственно, затраты на последствия отказов.