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

Sintesi Tecnica: Modellazione della degradazione dei sistemi di illuminazione LED tramite processo Gamma semi-fisico e ottimizzazione della manutenzione opportunistica guidata dalle prestazioni

1. Definizione del problema

I sistemi di illuminazione LED su larga scala si degradano attraverso due meccanismi competitivi: una perdita graduale dell'output luminoso dovuta alla degradazione del pacchetto LED e guasti improvvisi causati dal malfunzionamento dei driver. Mentre le strategie di manutenzione tradizionali spesso si basano sull'affidabilità dei singoli componenti o su indici di collaudo statici (ad esempio, illuminamento medio iniziale e uniformità), tali approcci non riescono a catturare l'evoluzione spazio-temporale delle prestazioni del sistema su lunghi orizzonti operativi.

La sfida centrale affrontata è la mancanza di un framework che:

1. Integri modelli stocastici di degradazione e guasto dei componenti con simulazioni spaziali dell'illuminazione basate sulla fisica.
2. Definisca il "guasto" del sistema non semplicemente come un breakdown del componente, ma come una violazione dei requisiti di illuminamento sul piano di lavoro (illuminamento medio e uniformità) nel tempo.
3. Ottimizzi le politiche di manutenzione opportunistica (OM) sotto incertezza, bilanciando la conformità delle prestazioni con i vincoli delle risorse di manutenzione (visite in loco e sostituzioni) senza fare affidamento su assunzioni di costo arbitrarie.

2. Metodologia

Il documento propone un framework guidato dalle prestazioni e basato su simulazione (simulation-in-the-loop) composto da quattro componenti principali:

A. Modellazione e calibrazione a livello di componente

• Degradazione del pacchetto LED: Modellata utilizzando un processo Gamma non omogeneo semi-fisico. La traiettoria media segue un trend esponenziale di mantenimento dei lumen (coerente con lo standard IES TM-21), mentre la natura stocastica cattura l'incertezza del percorso. La funzione di forma è dipendente dal tempo ($\alpha(t) = A \exp(bt)$).
• Guasti dei driver: Modellati come guasti improvvisi seguendo una distribuzione di vita di Weibull.
• Integrazione dei guasti competitivi: Un luminaire è considerato guasto se il driver fallisce (stato = 1) o se la degradazione del pacchetto supera la soglia $L_{70}$ (stato = 1).
• Calibrazione Bayesiana: I parametri per il processo Gamma e la distribuzione di Weibull sono inferiti dai dati di test di degradazione accelerata (ADT) LM-80 attraverso molteplici temperature di stress. Un modello di accelerazione lineare (relazione di Arrhenius) estrapola questi parametri alle condizioni operative, mentre l'inferenza bayesiana quantifica l'incertezza epistemica, che viene propagata attraverso la simulazione del sistema.

B. Mappatura delle prestazioni a livello di sistema

• Simulazione basata sulla fisica: Un motore di ray-tracing Radiance mappa gli stati dei luminari (livelli di degradazione e stato di outage) sulle distribuzioni di illuminamento del piano di lavoro, tenendo conto della geometria della stanza, delle riflettenze delle superfici e dei dati fotometrici.
• Metrica di carenza dinamica: Gli indici statici (illuminamento medio $E_{avg}$ e uniformità $U$) vengono convertiti in un Rapporto di Carenza (DR) a lungo termine. Questa metrica calcola la frazione dell'orizzonte operativo in cui il sistema viola almeno un requisito standard ($E_{avg} < S_E$ o $U < S_U$), basandosi sulla durata delle violazioni tra gli intervalli degli eventi.

C. Accelerazione basata su modello surrogato

• Per superare l'intrattabilità computazionale dell'esecuzione di migliaia di simulazioni Radiance per la valutazione della policy tramite Monte Carlo, viene sviluppato un modello surrogato lineare.
• Basandosi sul principio di sovrapposizione del trasporto della luce, l'illuminamento è modellato come una funzione affine del vettore di scala dell'output del luminaire.
• Il surrogato è addestrato su un dataset generato da un numero limitato di esecuzioni Radiance (utilizzando sequenze di Sobol per il campionamento) e raggiunge un'alta fedeltà ($R^2 = 0.9999$), riducendo il tempo di valutazione da minuti per snapshot a millisecondi.

D. Framework di ottimizzazione

• Formulazione della policy: Una politica di manutenzione opportunistica è definita da due variabili decisionali: l'intervallo di Manutenzione Preventiva (PM) ($T_{PM}$) e una soglia di OM ($H_{OM}$). Quando si verifica un evento di manutenzione (PM o Manutenzione Correttiva), altri luminari vengono sostituiti se il loro tempo residuo fino alla successiva PM programmata rientra nella finestra $H_{OM}$.
• Ottimizzazione multi-obiettivo: Il framework cerca soluzioni Pareto-ottimali per tre obiettivi:
  1. Minimizzare il Rapporto di Carenza a lungo termine ($R_{DR}$).
  2. Minimizzare il numero totale di visite in loco ($N_{tv}$).
  3. Minimizzare il numero totale di sostituzioni ($N_{tr}$).
• Valutazione: Un simulatore Monte Carlo a eventi discreti valuta le policy candidate su un orizzonte di 50 anni, incorporando le traiettorie di degradazione stocastica e la mappatura delle prestazioni basata sul modello surrogato.

3. Contributi chiave

Il documento rivendica i seguenti contributi specifici:

• Metrica dinamica di sistema: Estende gli indici di collaudo statici a una metrica di carenza dinamica a lungo termine che quantifica la durata delle violazioni dei requisiti, consentendo una quantificazione esplicita del guasto delle prestazioni del sistema.
• Pipeline programmabile: Stabilisce un workflow automatizzato di degradazione–simulazione–metrica che propaga le traiettorie stocastiche dello stato del luminaire attraverso un modello di illuminazione basato sulla fisica per la valutazione Monte Carlo.
• Modellazione consapevole dell'incertezza: Integra un processo Gamma non omogeneo semi-fisico per i pacchetti e un modello Weibull per i driver, calibrati tramite inferenza bayesiana dai dati ADT per quantificare l'incertezza dei parametri per la simulazione a valle.
• Valutazione scalabile delle policy: Introduce una mappatura delle prestazioni basata su un modello surrogato che sostituisce il ripetuto ray-tracing, consentendo una ricerca della policy Monte Carlo su larga scala con una perdita di fedeltà trascurabile.
• Analisi dei trade-off multi-obiettivo: Dimostra un'ottimizzazione in-the-loop della simulazione che identifica le politiche Pareto-ottimali bilanciando la carenza di prestazioni rispetto a proxy di risorse (visite e sostituzioni) senza richiedere dati di costo specifici.

4. Risultati

Il framework è stato applicato a un caso di studio di una grande zona ufficio (Zona 1) presso la Queensland University of Technology, caratterizzata da 76 LED luminaires.

• Calibrazione: L'inferenza bayesiana ha adattato con successo i parametri del processo Gamma ai dati LM-80 a 55°C, 85°C e 105°C, con le traiettorie predittive posteriori che corrispondono ai dati osservati. Il modello è stato estrapolato a una condizione operativa di 45°C.
• Analisi della frontiera di Pareto: L'ottimizzazione ha identificato 36 policy non dominate statisticamente robuste.
  • Trade-off: Esiste un chiaro compromesso tra il numero di sostituzioni e le visite in loco. Politiche opportunistiche aggressive (basso $T_{OM}$) riducono le sostituzioni ma possono aumentare le visite in loco se non coordinate bene, mentre politiche conservative (alto $T_{OM}$) riducono le sostituzioni ma aumentano significativamente il rapporto di carenza e le visite in loco a causa del ritardo nelle azioni correttive.
  • Tipi di policy: L'analisi ha distinto tra policy "guidate dalla PM" (dove la manutenzione programmata domina) e policy "guidate dalla CM" (dove la manutenzione scatenata dal guasto domina).
• Analisi di sensibilità: Le variazioni nell'affidabilità dei driver (scenari in cui i driver falliscono prima o dopo i pacchetti) hanno spostato significativamente la frontiera di Pareto. I guasti precoci dei driver (Scenario S3) hanno portato a un marcato aumento delle sostituzioni totali e delle visite in loco, evidenziando l'impatto critico delle assunzioni di affidabilità dei componenti sulla pianificazione della manutenzione.
• Prestazioni computazionali: Il modello surrogato ha ridotto il tempo di calcolo di 10.000 simulazioni da un tempo stimato di circa 700 giorni (usando Radiance diretto) a circa 20 secondi, rendendo fattibile l'ottimizzazione.

5. Significato e rivendicazioni

Il documento afferma che la sua importanza primaria risiede nello spostamento del paradigma della manutenzione dei sistemi di illuminazione da approcci centrati sul componente o centrati sul collaudo statico verso un framework guidato dalle prestazioni e dinamico.

• Supporto alle decisioni: Fornendo una frontiera di Pareto di soluzioni, il framework offre ai facility manager una gamma di opzioni per bilanciare la qualità dell'illuminazione (rapporto di carenza) rispetto allo sforzo operativo (visite e sostituzioni), adattate alle loro specifiche priorità.
• Propagazione dell'incertezza: La gestione esplicita dell'incertezza dei parametri tramite calibrazione bayesiana garantisce che le decisioni di manutenzione siano robuste rispetto alla variabilità intrinseca nei processi di degradazione e guasto.
• Scalabilità: L'accelerazione basata sul modello surrogato rende computazionalmente fattibile l'ottimizzazione della manutenzione per sistemi su larga scala su lunghi orizzonti, un compito precedentemente ostacolato dall'alto costo delle simulazioni di illuminazione basate sulla fisica.
• Praticità: L'uso di proxy di risorse (visite e sostituzioni) invece di costi monetari specifici permette al framework di essere applicato anche quando i dettagli dei dati di costo non sono disponibili, pur catturando gli scambi essenziali della pianificazione della manutenzione.

Gli autori concludono che, sebbene l'attuale framework utilizzi proxy di risorse, il lavoro futuro potrebbe integrare modelli di costo più ricchi e l'eterogeneità spaziale (criticità dipendente dalla posizione) per migliorare ulteriormente l'applicabilità sul campo.