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

तकनीकी सारांश: LED लाइटिंग सिस्टम के लिए अर्ध-भौतिक गामा-प्रक्रिया क्षरण मॉडलिंग और प्रदर्शन-संचालित अवसरवादी रखरखाव अनुकूलन

1. समस्या विवरण

बड़े पैमाने के LED लाइटिंग सिस्टम दो प्रतिस्पर्धी तंत्रों के माध्यम से क्षय (degrade) होते हैं: LED पैकेज के क्षरण से होने वाली क्रमिक प्रकाश-आउटपुट हानि और ड्राइवर विफलताओं के कारण होने वाली अचानक आउटेज। जबकि पारंपरिक रखरखाव रणनीतियाँ अक्सर घटक-स्तरीय विश्वसनीयता या स्थिर कमीशनिंग सूचकांकों (जैसे, प्रारंभिक औसत इल्यूमिनेंस और एकरूपता) पर निर्भर करती हैं, ये दृष्टिकोण लंबे परिचालन क्षितिज (operational horizons) में सिस्टम प्रदर्शन के स्थानिक-कालिक विकास को पकड़ने में विफल रहते हैं।

मुख्य चुनौती एक ऐसे ढांचे (framework) की कमी है जो:

1. भौतिकी-आधारित स्थानिक प्रकाश सिमुलेशन के साथ स्टोकेस्टिक (stochastic) घटक क्षरण और विफलता मॉडल को एकीकृत करता हो।
2. सिस्टम-स्तरीय "विफलता" को केवल एक घटक ब्रेकडाउन के रूप में नहीं, बल्कि समय के साथ वर्किंग-प्लेन इल्यूमिनेंस आवश्यकताओं (औसत इल्यूमिनेंस और एकरूपता) के उल्लंघन के रूप में परिभाषित करता हो।
3. अनिश्चितता के तहत अवसरवादी रखरखाव (OM) नीतियों को अनुकूलित करता है, जो साइट विज़िट और प्रतिस्थापन जैसे रखरखाव संसाधन बाधाओं के विरुद्ध प्रदर्शन अनुपालन को संतुलित करता है, और इसमें किसी भी मनमाने लागत धारणाओं पर निर्भरता नहीं होती है।

2. कार्यप्रणाली

यह शोध पत्र एक प्रदर्शन-संचालित, सिमुलेशन-इन-द-लूप फ्रेमवर्क का प्रस्ताव करता है जिसमें चार मुख्य घटक शामिल हैं:

A. घटक-स्तरीय मॉडलिंग और अंशांकन (Calibration)

• LED पैकेज क्षरण: इसे एक अर्ध-भौतिक गैर-समांगी (non-homogeneous) गामा प्रक्रिया का उपयोग करके मॉडल किया गया है। इसका माध्य प्रक्षेपवक्र (mean trajectory) एक घातीय लुमेन-रखरखाव प्रवृत्ति (IES TM-21 के अनुरूप) का अनुसरण करता है, जबकि स्टोकेस्टिक प्रकृति पथ अनिश्चितता (path uncertainty) को कैप्चर करती है। इसका शेप फंक्शन समय-निर्भर ($\alpha(t) = A \exp(bt)$) है।
• ड्राइवर विफलताएं: इन्हें वेबुल लाइफटाइम डिस्ट्रीब्यूशन (Weibull lifetime distribution) का पालन करने वाली अचानक विफलताओं के रूप में मॉडल किया गया है।
• प्रतिस्पर्धी विफलता एकीकरण: एक ल्यूमिनेयर को तब विफल माना जाता है जब या तो ड्राइवर विफल हो जाता है (state = 1) या पैकेज क्षरण $L_{70}$ थ्रेशोल्ड से अधिक हो जाता है (state = 1)।
• बायेसियन अंशांकन (Bayesian Calibration): गामा प्रक्रिया और वेबुल वितरण के मापदंडों को कई स्ट्रेस तापमानों पर LM-80 त्वरित क्षरण परीक्षण (ADT) डेटा से निकाला गया है। एक रैखिक त्वरण मॉडल (अरेनियस संबंध) इन मापदंडों को परिचालन स्थितियों तक एक्सट्रपलेट करता है, जबकि बायेसियन अनुमान एपिस्टेमिक अनिश्चितता (epistemic uncertainty) को मात्रात्मक रूप देता है, जिसे सिस्टम सिमुलेशन के माध्यम से प्रसारित किया जाता है।

B. सिस्टम-स्तरीय प्रदर्शन मानचित्रण (Mapping)

• भौतिकी-आधारित सिमुलेशन: एक रेडिएंस (Radiance) रे-ट्रेसिंग इंजन ल्यूमिनेयर अवस्थाओं (क्षरण स्तर और आउटेज स्थिति) को कमरे की ज्यामिति, सतह के परावर्तन और फोटोमेट्रिक डेटा को ध्यान में रखते हुए वर्किंग-प्लेन इल्यूमिनेंस वितरणों में मैप करता है।
• डायनेमिक डेफिशिएंसी मेट्रिक: स्थिर सूचकांकों (औसत इल्यूमिनेंस $E_{avg}$ और एकरूपता $U$) को एक दीर्घकालिक डेफिशिएंसी रेशियो (DR) में परिवर्तित किया जाता है। यह मीट्रिक परिचालन क्षितिज के उस अंश की गणना करता है जहाँ सिस्टम कम से कम एक मानक आवश्यकता ($E_{avg} < S_E$ या $U < S_U$) का उल्लंघन करता है, जो इवेंट अंतराल के बीच उल्लंघनों की अवधि पर आधारित है।

C. सरोगेट-आधारित त्वरण (Surrogate-Based Acceleration)

• मोंटे कार्लो नीति मूल्यांकन के लिए हजारों रेडिएंस सिमुलेशन चलाने की कम्प्यूटेशनल जटिलता को दूर करने के लिए, एक रैखिक सरोगेट मॉडल विकसित किया गया है।
• प्रकाश परिवहन के सुपरपोजिशन सिद्धांत पर आधारित, इल्यूमिनेंस को ल्यूमिनेयर आउटपुट स्केलिंग वेक्टर के एक एफाइन फंक्शन (affine function) के रूप में मॉडल किया गया है।
• सरोगेट को रेडिएंस रन के एक सीमित डेटासेट (सोबोल सीक्वेंस का उपयोग करके सैंपलिंग) पर प्रशिक्षित किया गया है और यह उच्च फिडेलिटी ($R^2 = 0.9999$) प्राप्त करता है, जिससे मूल्यांकन का समय प्रति स्नैपशॉट मिनटों से घटकर मिलीसेकंड रह जाता है।

D. अनुकूलन ढांचा (Optimization Framework)

• नीति सूत्रीकरण: एक अवसरवादी रखरखाव नीति को दो निर्णय चरों द्वारा परिभाषित किया जाता है: निवारक रखरखाव (PM) अंतराल ($T_{PM}$) और एक OM थ्रेशोल्ड ($H_{OM}$)। जब एक रखरखाव घटना (PM या सुधारात्मक रखरखाव) होती है, तो अन्य ल्यूमिनेयर्स को तभी बदला जाता है यदि उनका अगले निर्धारित PM तक का शेष समय $H_{OM}$ विंडो के भीतर आता है।
• बहु-उद्देश्यीय अनुकूलन: फ्रेमवर्क तीन उद्देश्यों के लिए पारेटो-इष्टतम (Pareto-optimal) समाधानों की खोज करता है:
  1. दीर्घकालिक डेफिशिएंसी रेशियो ($R_{DR}$) को न्यूनतम करना।
  2. कुल साइट विज़िट की संख्या ($N_{tv}$) को न्यूनतम करना।
  3. कुल प्रतिस्थापन की संख्या ($N_{tr}$) को न्यूनतम करना।
• मूल्यांकन: एक डिस्क्रीट-इवेंट मोंटे कार्लो सिम्युलेटर 50 साल के क्षितिज पर उम्मीदवार नीतियों का मूल्यांकन करता है, जिसमें स्टोकेस्टिक क्षरण प्रक्षेपवक्र और सरोगेट-आधारित प्रदर्शन मानचित्रण शामिल है।

3. प्रमुख योगदान

शोध पत्र निम्नलिखित विशिष्ट योगदानों का दावा करता है:

• डायनेमिक सिस्टम-लेवल मीट्रिक: स्थिर कमीशनिंग सूचकांकों को एक दीर्घकालिक डायनेमिक डेफिशिएंसी मीट्रिक में विस्तारित करता है जो आवश्यकताओं के उल्लंघन की अवधि को मात्रात्मक रूप से मापता है, जिससे सिस्टम-स्तरीय प्रदर्शन विफलता का स्पष्ट मात्रात्मक निर्धारण सक्षम होता है।
• प्रोग्रामेटिक पाइपलाइन: एक स्वचालित क्षरण–सिमुलेशन–मीट्रिक वर्कफ़्लो स्थापित करता है जो मोंटे कार्लो मूल्यांकन के लिए भौतिकी-आधारित लाइटिंग मॉडल के माध्यम से स्टोकेस्टिक ल्यूमिनेयर-स्टेट प्रक्षेपवक्रों को प्रसारित करता है।
• अनिश्चितता-जागरूक मॉडलिंग: पैकेज के लिए एक अर्ध-भौतिक गैर-समांगी गामा प्रक्रिया और ड्राइवरों के लिए एक वेबुल मॉडल को एकीकृत करता है, जिसे ADT डेटा से बायेसियन अनुमान के माध्यम से कैलिब्रेट किया गया है ताकि डाउनस्ट्रीम सिमुलेशन के लिए पैरामीटर अनिश्चितता को मापा जा सके।
• स्केलेबल पॉलिसी मूल्यांकन: एक सरोगेट-आधारित प्रदर्शन मैपिंग पेश करता है जो बार-बार रे-ट्रेसिंग को हटा देता है, जिससे फिडेलिटी के नगण्य नुकसान के साथ बड़े पैमाने पर मोंटे कार्लो पॉलिसी सर्च संभव हो पाता है।
• बहु-उद्देश्यीय ट्रेड-ऑफ विश्लेषण: एक सिमुलेशन-इन-द-लूप अनुकूलन प्रदर्शित करता है जो विशिष्ट लागत डेटा की आवश्यकता के बिना, संसाधन प्रॉक्सी (विज़िट और प्रतिस्थापन) के विरुद्ध प्रदर्शन कमी को संतुलित करने वाली पारेटो-इष्टतम रखरखाव नीतियों की पहचान करता है।

4. परिणाम

इस फ्रेमवर्क को क्वींसलैंड यूनिवर्सिटी ऑफ टेक्नोलॉजी में एक बड़े कार्यालय क्षेत्र (ज़ोन 1) के केस स्टडी पर लागू किया गया, जिसमें 76 LED ल्यूमिनेयर्स थे।

• कैलिब्रेशन: बायेसियन अनुमान ने सफलतापूर्वक 55°C, 85°C और 105°C पर LM-80 डेटा के लिए गामा प्रक्रिया मापदंडों को फिट किया, जिसमें पोस्टीरियर-प्रेडिक्टिव प्रक्षेपवक्र देखे गए डेटा से मेल खाते हैं। मॉडल को 45°C की परिचालन स्थिति तक एक्सट्रपलेट किया गया।
• पारेटो फ्रंट विश्लेषण: अनुकूलन ने 36 सांख्यिकीय रूप से मजबूत, गैर-प्रभावी (non-dominated) नीतियों की पहचान की।
  • ट्रेड-ऑफ: प्रतिस्थापनों की संख्या और साइट विज़िट के बीच एक स्पष्ट ट्रेड-ऑफ मौजूद है। आक्रामक अवसरवादी नीतियां (कम $T_{OM}$) प्रतिस्थापनों को कम करती हैं लेकिन यदि समन्वय ठीक से न हो तो साइट विज़िट बढ़ा सकती हैं, जबकि रूढ़िवादी नीतियां (उच्च $T_{OM}$) प्रतिस्थापनों को कम करती हैं लेकिन सुधारात्मक कार्रवाइयों में देरी के कारण डेफिशिएंसी रेशियो और साइट विज़िट को काफी बढ़ा देती हैं।
  • नीति प्रकार: विश्लेषण ने "PM-संचालित" नीतियों (जहाँ निर्धारित रखरखाव प्रभावी है) और "CM-संचालित" नीतियों (जहाँ विफलता-ट्रिगर रखरखाव प्रभावी है) के बीच अंतर किया।
• संवेदनशीलता विश्लेषण (Sensitivity Analysis): ड्राइवर विश्वसनीयता में बदलाव (ऐसे परिदृश्य जहाँ ड्राइवर पैकेज से पहले या बाद में विफल होते हैं) ने पारेटो फ्रंट को महत्वपूर्ण रूप से बदल दिया। शुरुआती ड्राइवर विफलता (परिदृश्य S3) के कारण कुल प्रतिस्थापनों और साइट विज़िट में उल्लेखनीय वृद्धि हुई, जो घटक विश्वसनीयता धारणाओं के रखरखाव योजना पर महत्वपूर्ण प्रभाव को उजागर करता है।
• कम्प्यूटेशनल प्रदर्शन: सरोगेट मॉडल ने 10,000 सिमुलेशन के लिए कम्प्यूटेशनल समय को प्रत्यक्ष रेडिएंस के अनुमानित ~700 दिनों से घटाकर लगभग 20 सेकंड कर दिया, जिससे अनुकूलन संभव हो सका।

5. महत्व और दावे

शोध पत्र का मुख्य दावा यह है कि इसका महत्व लाइटिंग सिस्टम के रखरखाव के प्रतिमान को घटक-केंद्रित या स्थिर-कमिशनिंग-केंद्रित दृष्टिकोणों से बदलकर एक प्रदर्शन-संचालित, डायनेमिक ढांचे की ओर ले जाने में निहित है।

• निर्णय सहायता: समाधानों का एक पारेटो फ्रंट प्रदान करके, यह फ्रेमवर्क सुविधा प्रबंधकों को अपनी विशिष्ट प्राथमिकताओं के अनुसार लाइटिंग गुणवत्ता (डेफिशिएंसी रेशियो) और परिचालन प्रयास (विज़िट और प्रतिस्थापन) के बीच संतुलन बनाने के लिए विकल्पों की एक श्रृंखला प्रदान करता है।
• अनिश्चितता प्रसार: बायेसियन अंशांकन के माध्यम से पैरामीटर अनिश्चितता का स्पष्ट प्रबंधन यह सुनिश्चित करता है कि रखरखाव के निर्णय क्षरण और विफलता प्रक्रियाओं की अंतर्निहित परिवर्तनशीलता के विरुद्ध मजबूत हों।
• स्केलेबिलिटी: सरोगेट-आधारित त्वरण इसे लंबे क्षितिज पर बड़े पैमाने के सिस्टम के लिए रखरखाव को अनुकूलित करना कम्प्यूटेशनल रूप से व्यवहार्य बनाता है, जो कि भौतिकी-आधारित लाइटिंग सिमुलेशन की उच्च लागत के कारण पहले कठिन था।
• व्यावहारिकता: विशिष्ट मौद्रिक लागतों के बजाय संसाधन प्रॉक्सी (विज़िट और प्रतिस्थापन) का उपयोग यह सुनिश्चित करता है कि फ्रेमवर्क को विस्तृत लागत डेटा उपलब्ध न होने पर भी लागू किया जा सके, जबकि यह रखरखाव योजना के आवश्यक ट्रेड-ऑफ को कैप्चर करता है।

लेखक निष्कर्ष निकालते हैं कि हालांकि वर्तमान फ्रेमवर्क रिसोर्स प्रॉक्सी का उपयोग करता है, भविष्य के कार्यों में क्षेत्र अनुप्रयोग को और बढ़ाने के लिए समृद्ध लागत मॉडल और स्थानिक विषमता (स्थान-निर्भर क्रिटिकलिटी) को एकीकृत किया जा सकता है।