Semi-physical Gamma-Process Degradation Modeling and Performance-Driven Opportunistic Maintenance Optimization for LED Lighting Systems

Resumen Técnico: Modelado de Degradación de Procesos Gamma Semi-físicos y Optimización de Mantenimiento Oportunista Basada en el Rendimiento para Sistemas de Iluminación LED

1. Declaración del Problema

Los sistemas de iluminación LED a gran escala se degradan mediante dos mecanismos contrapuestos: la pérdida gradual de la salida de luz debido a la degradación del paquete LED y las interrupciones abruptas causadas por fallos en los controladores (drivers). Mientras que las estrategias de mantenimiento tradicionales suelen basarse en la fiabilidad de los componentes o en índices de comisionamiento estáticos (por ejemplo, iluminancia media inicial y uniformidad), estos enfoques no logran capturar la evolución espacio-temporal del rendimiento del sistema a lo largo de horizontes operativos prolongados.

El desafío central abordado es la falta de un marco que:

1. Integre modelos estocásticos de degradación y fallo de componentes con simulaciones espaciales de iluminación basadas en la física.
2. Defina el "fallo" del sistema no meramente como una avería de un componente, sino como una violación de los requisitos de iluminancia en el plano de trabajo (iluminancia media y uniformidad) a lo largo del tiempo.
3. Optimice las políticas de mantenimiento oportunista (OM) bajo incertidumbre, equilibrando el cumplimiento del rendimiento frente a las restricciones de recursos de mantenimiento (visitas al sitio y reemplazos) sin depender de supuestos de costes arbitrarios.

2. Metodología

El artículo propone un marco de trabajo basado en simulación en el bucle y orientado al rendimiento, que consta de cuatro componentes principales:

A. Modelado y Calibración a Nivel de Componente

• Degradación del Paquete LED: Modelada mediante un proceso Gamma no homogéneo semi-físico. La trayectoria media sigue una tendencia exponencial de mantenimiento de lúmenes (consistente con IES TM-21), mientras que la naturaleza estocástica captura la incertidumbre de la trayectoria. La función de forma es dependiente del tiempo ($\alpha(t) = A \exp(bt)$).
• Fallos del Controlador (Driver): Modelados como fallos abruptos siguiendo una distribución de vida de Weibull.
• Integración de Fallos Contrapuestos: Una luminaria se considera fallida si el controlador falla (estado = 1) o si la degradación del paquete excede el umbral $L_{70}$ (estado = 1).
• Calibración Bayesiana: Los parámetros para el proceso Gamma y la distribución de Weibull se infieren a partir de datos de pruebas de degradación acelerada (ADT) LM-80 a través de múltiples temperaturas de estrés. Un modelo de aceleración lineal (relación de Arrhenius) extrapola estos parámetros a las condiciones de operación, mientras que la inferencia bayesiana cuantifica la incertidumbre epistémica, la cual se propaga a través de la simulación del sistema.

B. Mapeo del Rendimiento a Nivel de Sistema

• Simulación Basada en la Física: Un motor de trazado de rayos Radiance mapea los estados de las luminarias (niveles de degradación y estado de interrupción) a distribuciones de iluminancia en el plano de trabajo, teniendo en cuenta la geometría de la sala, las reflectancias de las superficies y los datos fotométricos.
• Métrica de Deficiencia Dinámica: Los índices estáticos (iluminancia media $E_{avg}$ y uniformidad $U$) se convierten en una Relación de Deficiencia (DR) a largo plazo. Esta métrica calcula la fracción del horizonte operativo donde el sistema viola al menos un requisito estándar ($E_{avg} < S_E$ o $U < S_U$), basándose en la duración de las violaciones entre los intervalos de eventos.

C. Aceleración Basada en Modelos Sustitutos (Surrogates)

• Para superar la intratabilidad computacional de ejecutar miles de simulaciones de Radiance para la evaluación de políticas de Monte Carlo, se desarrolla un modelo sustituto lineal.
• Basándose en el principio de superposición del transporte de luz, la iluminancia se modela como una función afín del vector de escalado de la salida de la luminaria.
• El sustituto se entrena con un conjunto de datos generado por un número limitado de ejecuciones de Radiance (utilizando secuencias de Sobol para el muestreo) y logra una alta fidelidad ($R^2 = 0.9999$), reduciendo el tiempo de evaluación de minutos por instantánea a milisegundos.

D. Marco de Optimización

• Formulación de la Política: Una política de mantenimiento oportunista se define por dos variables de decisión: el intervalo de Mantenimiento Preventivo ($T_{PM}$) y un umbral de OM ($H_{OM}$). Cuando ocurre un evento de mantenimiento (PM o Mantenimiento Correctivo), se reemplazan otras luminarias si su tiempo restante hasta el siguiente PM programado cae dentro de la ventana $H_{OM}$.
• Optimización Multiobjetivo: El marco busca soluciones Pareto-óptimas para tres objetivos:
  1. Minimizar la Relación de Deficiencia a largo plazo ($R_{DR}$).
  2. Minimizar el número total de visitas al sitio ($N_{tv}$).
  3. Minimizar el número total de reemplazos ($N_{tr}$).
• Evaluación: Un simulador de eventos discretos de Monte Carlo evalúa las políticas candidatas sobre un horizonte de 50 años, incorporando trayectorias de degradación estocásticas y el mapeo de rendimiento basado en el modelo sustituto.

3. Contribuciones Clave

El artículo reclama las siguientes contribuciones específicas:

• Métrica de Sistema Dinámica: Extiende los índices de comisionamiento estáticos a una métrica de deficiencia dinámica a largo plazo que cuantifica la duración de las violaciones de requisitos, permitiendo la cuantificación explícita del fallo de rendimiento del sistema.
• Pipeline Programático: Establece un flujo de trabajo automatizado de degradación–simulación–métrica que propaga las trayectorias estocásticas de las luminarias a través de un modelo de iluminación basado en la física para la evaluación de Monte Carlo.
• Modelado Consciente de la Incertidumbre: Integra un proceso Gamma no homogéneo semi-físico para los paquetes y un modelo de Weibull para los controladores, calibrados mediante inferencia bayesiana a partir de datos ADT para cuantificar la incertidumbre de los parámetros para la simulación descendente.
• Evaluación de Políticas Escalable: Introduce un mapeo de rendimiento basado en un modelo sustituto que reemplaza el trazado de rayos repetido, permitiendo una búsqueda de políticas de Monte Carlo a gran escala con una pérdida de fidelidad insignificante.
• Análisis de Compromiso Multiobjetivo: Demuestra una optimización de simulación en el bucle que identifica soluciones Pareto-óptimas que equilibran la deficiencia de rendimiento frente a los proxies de recursos (visitas y reemplazos) sin requerir datos de costes específicos.

4. Resultados

El marco se aplicó a un estudio de caso de una zona de oficina grande (Zona 1) en la Universidad Tecnológica de Queensland, que cuenta con 76 luminarias LED.

• Calibración: La inferencia bayesiana ajustó con éxito los parámetros del proceso Gamma a los datos LM-80 a 55°C, 85°C y 105°C, con trayectorias predictivas posteriores que coinciden con los datos observados. El modelo se extrapoló a una condición de operación de 45°C.
• Análisis de la Frontera de Pareto: La optimización identificó 36 políticas no dominadas estadísticamente robustas.
  • Compromisos (Trade-offs): Existe un claro compromiso entre el número de reemplazos y las visitas al sitio. Las políticas oportunistas agresivas (bajo $T_{OM}$) reducen los reemplazos pero pueden aumentar las visitas al sitio si no se coordinan bien, mientras que las políticas conservadoras (alto $T_{OM}$) reducen los reemplazos pero aumentan significativamente la relación de deficiencia y las visitas al sitio debido a la demora en las acciones correctivas.
  • Tipos de Política: El análisis distinguió entre políticas "impulsadas por PM" (donde el mantenimiento programado domina) y políticas "impulsadas por CM" (donde el mantenimiento activado por fallo domina).
• Análisis de Sensibilidad: Las variaciones en la fiabilidad del controlador (escenarios donde los controladores fallan antes o después que los paquetes) desplazaron significativamente la frontera de Pareto. Los fallos tempranos de los controladores (Escenario S3) provocaron un aumento pronunciado en los reemplazos totales y las visitas al sitio, resaltando el impacto crítico de los supuestos de fiabilidad de los componentes en la planificación del mantenimiento.
• Rendimiento Computacional: El modelo sustituto redujo el tiempo de computación de 10,000 simulaciones de un estimado de ~700 días (usando Radiance directo) a aproximadamente 20 segundos, haciendo que la optimización sea factible.

5. Significación y Reivindicaciones

El artículo afirma que su principal significación reside en cambiar el paradigma del mantenimiento de los sistemas de iluminación de enfoques centrados en los componentes o centrados en el comisionamiento estático hacia un marco dinámico y orientado al rendimiento.

• Soporte de Decisiones: Al proporcionar una frontera de Pareto de soluciones, el marco ofrece a los gestores de instalaciones una gama de opciones para equilibrar la calidad de la iluminación (relación de deficiencia) frente al esfuerzo operativo (visitas y reemplazos), adaptadas a sus prioridades específicas.
• Propagación de la Incertidumbre: El manejo explícito de la incertidumbre de los parámetros mediante la calibración bayesiana asegura que las decisiones de mantenimiento sean robustas frente a la variabilidad inherente en los procesos de degradación y fallo.
• Escalabilidad: La aceleración basada en modelos sustitutos hace que sea computacionalmente factible optimizar el mantenimiento para sistemas a gran escala durante horizontes prolongados, una tarea anteriormente dificultada por el alto coste de las simulaciones de iluminación basadas en la física.
• Practicidad: El uso de proxies de recursos (visitas y reemplazos) en lugar de costes monetarios específicos permite que el marco pueda aplicarse incluso cuando no se dispone de datos de costes detallados, manteniendo la capacidad de capturar los compromisos esenciales de la planificación del mantenimiento.

Los autores concluyen que, si bien el marco actual utiliza proxies de recursos, el trabajo futuro podría integrar modelos de costes más ricos y heterogeneidad espacial (criticidad dependiente de la ubicación) para mejorar aún más su aplicabilidad en el campo.