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

Technische Samenvatting: Semi-fysische Gamma-proces Degradatie Modellering en Prestatiegestuurde Opportunistische Onderhoudsoptimalisatie voor LED-verlichtingssystemen

1. Probleemstelling

Grootschalige LED-verlichtingssystemen degraderen door twee concurrerende mechanismen: geleidelijk verlies van lichtopbrengst door degradatie van de LED-package en abrupte uitval veroorzaakt door defecten aan de driver. Hoewel traditionele onderhoudsstrategieën vaak vertrouwen op componentniveau-betrouwbaarheid of statische inbeddingsindices (bijv. initiële gemiddelde verlichtingssterkte en uniformiteit), schieten deze benaderingen tekort in het vastleggen van de spatio-temporele evolutie van systeemprestaties over lange operationele horizonten.

De kernuitdaging die wordt aangepakt, is het gebrek aan een framework dat:

1. Stochastische componentdegradatie en uitvalsmodellen integreert met fysisch gebaseerde ruimtelijke verlichtingssimulaties.
2. Systeemniveau-"falen" definieert, niet enkel als een componentdefect, maar als een schending van de vereisten voor werkplane-verlichtingssterkte (gemiddelde verlichtingssterkte en uniformiteit) in de loop van de tijd.
3. Opportunistisch onderhoud (OM) optimaliseert onder onzekerheid, waarbij de balans wordt gezocht tussen prestatieconformiteit en onderhoudsresource-beperkingen (locatiebezoeken en vervangingen) zonder te vertrouwen op arbitraire kostenveronderstellingen.

2. Methodologie

Het artikel stelt een prestatiegestuurd, simulation-in-the-loop framework voor bestaande uit vier hoofdcomponenten:

A. Componentniveau Modellering en Kalibratie

• LED-package Degradatie: Gemodelleerd met een semi-fysisch niet-homogeen Gamma-proces. De gemiddelde traject volgt een exponentiële lumen-onderhoudstrend (consistent met IES TM-21), terwijl de stochastische aard de padonzekerheid vastlegt. De vormfunctie is tijdsafhankelijk ($\alpha(t) = A \exp(bt)$).
• Driver Uitval: Gemodelleerd als abrupte defecten volgens een Weibull-levensduurverdeling.
• Integratie van Concurrerende Defecten: Een armatuur wordt als defect beschouwd als ofwel de driver faalt (toestand = 1) of de package-degradatie de $L_{70}$-drempel overschrijdt (toestand = 1).
• Bayesiaanse Kalibratie: Parameters voor het Gamma-proces en de Weibull-verdeling worden afgeleid van LM-80 versnelde degradatietesten (ADT) over meerdere stress-temperaturen. Een lineair acceleratiemodel (Arrhenius-relatie) extrapoleert deze parameters naar operationele condities, terwijl Bayesiaanse inferentie de epistemische onzekerheid kwantificeert, die vervolgens door de systeemsimulatie wordt gepropageerd.

B. Systeemniveau Prestatie Mapping

• Fysisch Gebaseerde Simulatie: Een Radiance ray-tracing engine brengt de staat van de armaturen (degradatieniveaus en uitvalsstatus) in kaart naar werkplane-verlichtingssterkteverdelingen, rekening houdend met kamergeometrie, oppervlaktereflecties en fotometrische data.
• Dynamische Tekortkomingsmetriek: Statische indices (gemiddelde verlichtingssterkte $E_{avg}$ en uniformiteit $U$) worden omgezet in een langetermijn Deficiency Ratio (DR). Deze metriek berekent het deel van de operationele horizon waar het systeem ten minste één standaardvereiste schendt ($E_{avg} < S_E$ of $U < S_U$), gebaseerd op de duur van de schendingen tussen event-intervallen.

C. Surrogate-gebaseerde Acceleratie

• Om de computationele onhandelbaarheid van het draaien van duizenden Radiance-simulaties voor Monte Carlo-beleaksevaluatie te overwinnen, wordt een lineair surrogate model ontwikkeld.
• Gebaseerd op het superpositieprincipe van lichttransport, wordt de verlichtingssterkte gemodelleerd als een affine functie van de output-schalingsvector van de armaturen.
• De surrogate wordt getraind op een dataset gegenereerd door een beperkt aantal Radiance-runs (met behulp van Sobol-sequenties voor bemonstering) en bereikt een hoge getrouwheid ($R^2 = 0,9999$), waardoor de evaluatietijd wordt teruggebracht van minuten per snapshot naar milliseconden.

D. Optimalisatie Framework

• Beleidsformulering: Een opportunistisch onderhoudsbeleid wordt gedefinieerd door twee beslissingsvariabelen: het Preventief Onderhoud (PM) interval ($T_{PM}$) en een OM-drempelwaarde ($H_{OM}$). Wanneer een onderhoudsevenement (PM of Correctief Onderhoud) plaatsvindt, worden andere armaturen vervangen als hun resterende tijd tot het volgende geplande PM binnen de $H_{OM}$-venster valt.
• Multi-Objective Optimalisatie: Het framework zoekt naar Pareto-optimale oplossingen voor drie doelstellingen:
  1. Minimaliseer de langetermijn Deficiency Ratio ($R_{DR}$).
  2. Minimaliseer het totaal aantal locatiebezoeken ($N_{tv}$).
  3. Minimaliseer het totaal aantal vervangingen ($N_{tr}$).
• Evaluatie: Een discrete-event Monte Carlo simulator evalueert kandidaat-beleid over een horizon van 50 jaar, waarbij stochastische degradatietrajecten en de surrogate-gebaseerde prestatie-mapping worden geïntegreerd.

3. Belangrijkste Bijdragen

Het artikel claimt de volgende specifieke bijdragen:

• Dynamische Systeemniveau Metriek: Breidt statische inbeddingsindices uit naar een langetermijn dynamische tekortkomingsmetriek die de duur van vereisten-schendingen kwantificeert, wat een expliciete kwantificering van systeemniveau prestatie-falen mogelijk maakt.
• Programmatische Pipeline: Vestigt een geautomatiseerde degradatie–simulatie–metriek workflow die stochastische armatuur-toestandstrajecten door een fysisch gebaseerd verlichtingsmodel propageert voor Monte Carlo-evaluatie.
• Onzekerheid-bewuste Modellering: Integreert een semi-fysisch niet-homogeen Gamma-proces voor de packages en een Weibull-model voor de drivers, gekalibreerd via Bayesiaanse inferentie uit ADT-data om parameteronzekerheid te kwantificeren voor downstream simulatie.
• Schaalbare Beleaksevaluatie: Introduceert een surrogate-gebaseerde prestatie-mapping die herhaalde ray-tracing vervangt, wat grootschalige Monte Carlo beleidszoektochten mogelijk maakt met verwaarloosbaar verlies van getrouwheid.
• Multi-Objective Trade-off Analyse: Demonstreert een simulation-in-the-loop optimalisatie die Pareto-optimale onderhoudsbeleid identificeert die de balans vinden tussen prestatietekortkoming en resource-proxies (bezoeken en vervangingen) zonder specifieke kostengegevens te vereisen.

4. Resultaten

Het framework werd toegepast op een casestudy van een grote kantoorzone (Zone 1) aan de Queensland University of Technology, bestaande uit 76 LED-armaturen.

• Kalibratie: Bayesiaanse inferentie slaagde erin de Gamma-procesparameters te fitten aan LM-80 data bij 55°C, 85°C en 105°C, waarbij de posterior-predictieve trajecten de geobserveerde data matchen. Het model werd geëxtrapoleerd naar een operationele conditie van 45°C.
• Pareto Front Analyse: De optimalisatie identificeerde 36 statistisch robuuste, niet-gedomineerde beleidsregels.
  • Trade-offs: Er bestaat een duidelijke trade-off tussen het aantal vervangingen en het aantal locatiebezoeken. Agressieve opportunistische beleidsregels (lage $T_{OM}$) verminderen vervangingen maar kunnen het aantal locatiebezoeken verhogen als ze niet goed gecoördineerd zijn, terwijl conservatieve beleidsregels (hoge $T_{OM}$) vervangingen verminderen maar de deficiency ratio en locatiebezoeken aanzienlijk verhogen door vertraagde correctieve acties.
  • Type Beleid: De analyse maakte onderscheid tussen "PM-gestuurde" beleidsregels (waar gepland onderhoud domineert) en "CM-gestuurde" beleidsregels (waar uitval-getriggerd onderhoud domineert).
• Sensitiviteitsanalyse: Variaties in driver betrouwbaarheid (scenario's waarbij drivers eerder of later falen dan de packages) verschoven het Pareto front aanzienlijk. Vroege driver-uitval (Scenario S3) leidde tot een sterke toename van het totaal aantal vervangingen en locatiebezoeken, wat het kritieke belang van component-betrouwbaarheidsaannames voor onderhoudsplanning benadrukt.
• Computationele Prestaties: Het surrogate model reduceerde de rekentijd voor 10.000 simulaties van een geschatte ~700 dagen (met directe Radiance) naar ongeveer 20 seconden, waardoor de optimalisatie haalbaar werd.

5. Betekenis en Claims

Het artikel stelt dat de primaire betekenis ligt in de verschuiving van het paradigma van de onderhoud van verlichtingssystemen van component-centrisch of statisch-inbeddingscentrisch naar een prestatiegestuurd, dynamisch framework.

• Besluitvormingsondersteuning: Door een Pareto front van oplossingen te bieden, biedt het framework faciliteitsbeheerders een reeks opties om de balans te vinden tussen verlichtingskwaliteit (deficiency ratio) en operationele inspanning (bezoeken en vervangingen), afgestemd op hun specifieke prioriteiten.
• Onzekerheidspropagatie: De expliciete behandeling van parameteronzekerheid via Bayesiaanse kalibratie zorgt ervoor dat onderhoudsbeslissingen robuust zijn tegen de inherente variabiliteit in degradatie- en uitvalprocessen.
• Schaalbaarheid: De surrogate-gebaseerde acceleratie maakt het computationeel haalbaar om onderhoud voor grootschalige systemen over lange horizonten te optimaliseren, een taak die voorheen werd belemmerd door de hoge kosten van fysisch gebaseerde verlichtingssimulaties.
• Praktische Bruikbaarheid: Het gebruik van resource-proxies (bezoeken en vervangingen) in plaats van specifieke monetaire kosten stelt het framework in staat om toegepast te worden zelfs wanneer gedetailleerde kostengegevens niet beschikbaar zijn, terwijl de essentiële trade-offs van onderhoudsplanning toch worden gevangen.

De auteurs concluderen dat hoewel het huidige framework resource-proxies gebruikt, toekomstig werk rijkere kostenmodellen en ruimtelijke heterogeniteit (locatieafhankelijke kritikaliteit) kan integreren om de veldapplicabiliteit verder te vergroten.