⚡ electrical engineering

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

本文提出了一种性能驱动的在环仿真框架，该框架集成了半物理 Gamma 过程退化建模、基于光线追踪的照度映射以及代理模型辅助优化，旨在确定大规模 LED 照明系统在不确定性条件下的最优机会维护策略。

原作者： Haohao Shi, Huy Truong-Ba, Michael E. Cholette, Brenden Harris, Juan Montes, Tommy Chan

发布于 2026-01-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Haohao Shi, Huy Truong-Ba, Michael E. Cholette, Brenden Harris, Juan Montes, Tommy Chan

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一座拥有数百个 LED 灯具的大型办公楼。随着时间的推移，这些灯并不会突然熄灭；它们会逐渐变暗（就像日落时的余晖），或者偶尔，内部的某个特定部件（驱动器）会突然烧毁，导致灯光完全熄灭。

Haohao Shi 及其同事的这篇论文就像是一个智能、面向未来的灯具维护规划师。它不是在等待灯光熄灭或按照固定的日历时间表更换所有灯具（这可能会造成浪费），而是根据人们在房间里的实际感受，计算出修复灯具的完美时机。

以下是该论文的拆解，使用了简单的类比：

1. 针对即将失效灯具的“水晶球”（建模退化过程）

作者需要一种预测灯具老化程度的方法。他们并没有凭空猜测，而是利用了一个由真实数据构建的“水晶球”。

缓慢褪色： 他们使用“伽马过程”（Gamma Process）来模拟 LED 灯泡的逐渐变暗。这就像是一个正在疲劳的跑步者：你无法准确说出他们何时会停下，但你可以预测他们减速的趋势。他们利用“压力测试”（在实验室中加热灯具）的数据，来预测它们在普通办公室中的老化情况。
突然崩溃： 他们还对“驱动器”（电源供应器）进行了建模，驱动器可能会突然失效，就像汽车引擎熄火一样。
不确定性： 由于他们无法完美预知未来，因此使用了“贝叶斯校准”（Bayesian calibration）。想象一位天气预报员，他不仅会说“会下雨”，还会说“有 70% 的概率下雨，并且这里是降雨强度可能存在的范围”。这有助于他们处理不确定性。

2. “房间感受” vs. “灯泡本身”（性能映射）

大多数维护计划关注的是单个灯泡：“这个灯泡坏了吗？”
而这篇论文关注的是整个房间：“我能在桌子上看清我的论文吗？”

光线追踪： 他们使用了一种复杂的计算机模拟（称为 Radiance）来观察光线如何在墙壁、天花板和书桌之间反射。即使一个灯泡仍在工作，如果光线太暗或分布不均，这个房间也会不符合标准。
“缺陷率”： 他们没有仅仅统计损坏的灯泡数量，而是创建了一个新的指标，称为“缺陷率”（Deficiency Ratio）。想象一个计时器，每当你的书桌亮度低于要求值时，计时器就开始跳动。目标是在未来 50 年内，让这个计时器运行的时间尽可能短。

3. “加速”技巧（代理模型）

运行详细的灯光模拟（Radiance）就像跑一场马拉松；它非常耗时。如果你必须运行成千上万次来测试不同的维护计划，那将耗费数十年之久。

捷径： 作者构建了一个“代理模型”（Surrogate Model）。你可以把它看作是一个速查表或一个受过训练的助手。他们运行了几千次详细的慢速模拟，以此来教这个助手掌握规则。之后，这个助手可以在几毫秒内预测房间的照明情况，而不是花费几分钟。这使得他们能够瞬间运行数百万个“假设如果”的情景。

4. “机会主义”策略（维护优化）

这篇论文的核心是机会主义维护（Opportunistic Maintenance）。

旧方法： 只有在灯坏了之后才去修（太晚了），或者每 5 年更换一次所有灯具（太早了/浪费）。
新方法： 想象维修人员已经在建筑里去修理一个坏掉的灯了（一次“纠正性”访问）。系统会询问：“嘿，既然你已经在这儿了，顺便看看还有哪些灯快要变暗了？我们也把那些一起换了吧。”
权衡： 论文寻找的是“帕累托前沿”（Pareto Frontier）。这是一个高级说法，指的是“金发姑娘区”（Goldilocks Zone，意指恰到好处的区域）。它展示了以下各项之间的最佳平衡点：
1. 保持灯光明亮（低缺陷率）。
2. 减少前往现场的次数（低现场访问次数）。
3. 购买更少的灯泡（低更换次数）。

5. 现实世界测试

他们在昆士兰科技大学的一个真实办公室进行了测试。

他们模拟了 50 年的运行情况。
他们发现并没有一个“完美”的答案。相反，存在一个菜单式的选项。
- 选项 A： 非常频繁地更换灯泡以保持完美的亮度，但这会产生高昂的人工和材料成本。
- 选项 B： 很少更换灯泡以节省资金，但灯光在较长时间内会比较暗。
- 选项 C（黄金分割点）： 一种策略，即等待一个灯具失效，然后利用这次访问机会，“扫除”并修复其他一些接近失效的灯具。这种方法在不让房间变得太暗的情况下，节省了大量的往返次数。

总结

这篇论文为建筑管理者提供了一本智能、数据驱动的规则手册。它从“修理坏掉的东西”转向了“管理光的质量”。通过将基于物理的预测与用于快速计算的“速查表”相结合，它帮助管理者决定确切的何时派遣团队前往建筑，从而在节省成本与保持灯光明亮之间取得最佳平衡。

技术摘要：基于半物理 Gamma 过程退化建模与性能驱动型 LED 照明系统机会性维护优化

1. 问题陈述

大规模 LED 照明系统的退化通过两种竞争机制进行：一是 LED 灯包（package）退化导致的逐渐性光输出损失，二是驱动器（driver）失效导致的突发性停机。虽然传统的维护策略通常依赖于组件级可靠性或静态调试指标（例如初始平均照度和均匀度），但这些方法无法捕捉长周期运行过程中系统性能的时空演变。

本文解决的核心挑战在于缺乏一个能够实现以下目标的框架：

将随机组件退化与失效模型与基于物理的空间照明模拟相结合。
将系统级“失效”定义为不仅是组件故障，而是随时间推移对工作面照度要求（平均照度和均匀度）的违反。
在不依赖任意成本假设的情况下，在性能合规性与维护资源约束（现场访问和更换次数）之间平衡，优化机会性维护（OM）策略。

2. 研究方法

本文提出了一种由**性能驱动、模拟在环（simulation-in-the-loop）**构成的框架，包含四个主要部分：

A. 组件级建模与校准

LED 灯包退化： 使用半物理非齐次 Gamma 过程进行建模。其均值轨迹遵循指数级流明维持趋势（与 IES TM-21 一致），而随机性质则捕捉了路径不确定性。形状函数随时间变化（ $\alpha(t) = A \exp(bt)$ ）。
驱动器失效： 建模为遵循 Weibull 生存分布的突发失效。
竞争失效集成： 当驱动器失效（状态 = 1）或灯包退化超过 $L_{70}$ 阈值（状态 = 1）时，灯具被视为失效。
贝叶斯校准： 通过对多个应力温度下的 **LM-80 加速退化测试（ADT）**数据进行参数推断，获取 Gamma 过程和 Weibull 分布的参数。利用线性加速模型（Arrhenius 关系）将这些参数外推至运行条件，同时利用贝叶斯推断量化认识不确定性（epistemic uncertainty），并将其传播至系统模拟中。

B. 系统级性能映射

基于物理的模拟： 使用 Radiance 光线追踪引擎，将灯具状态（退化水平和停机状态）映射到工作面照度分布，并考虑房间几何形状、表面反射率和光度数据。
动态缺陷指标： 将静态指标（平均照度 $E_{avg}$ 和均匀度 $U$ ）转换为长期的缺陷率（Deficiency Ratio, DR）。该指标计算在事件间隔期间，系统违反至少一项标准要求（ $E_{avg} < S_E$ 或 $U < S_U$ ）的时间占总运行周期的比例。

C. 基于代理模型的加速

为了克服在蒙特卡洛策略评估中运行数千次 Radiance 模拟所带来的计算不可行性，开发了一个线性代理模型。
基于光传输的叠加原理，照度被建模为灯具输出缩放向量的仿射函数。
该代理模型基于通过有限次数的 Radiance 运行（使用 Sobol 序列采样）生成的训练数据集构建，实现了极高的保真度（ $R^2 = 0.9999$ ），将评估时间从每帧分钟级降低至毫秒级。

D. 优化框架

策略制定： 机会性维护策略由两个决策变量定义：预防性维护（PM）间隔（ $T_{PM}$ ）和 OM 阈值（ $H_{OM}$ ）。当发生维护事件（PM 或纠正性维护）时，如果其他灯具距离下一次计划 PM 的剩余时间落在 $H_{OM}$ 窗口内，则对其进行更换。
多目标优化： 框架寻求三个目标的帕累托最优解（Pareto-optimal solutions）：
1. 最小化长期缺陷率（ $R_{DR}$ ）。
2. 最小化总现场访问次数（ $N_{tv}$ ）。
3. 最小化总更换次数（ $N_{tr}$ ）。
评估： 一个离散事件蒙特卡洛模拟器在 50 年的周期内评估候选策略，其中整合了随机退化轨迹和基于代理模型的性能映射。

3. 主要贡献

本文声称具有以下具体贡献：

动态系统级指标： 将静态调试指标扩展为长期的动态缺陷指标，该指标量化了需求违反的持续时间，从而实现对系统级性能失效的显式量化。
程序化流水线： 建立了一个自动化的“退化–模拟–指标”工作流，将随机灯具状态轨迹通过物理照明模型传播，用于蒙特卡洛评估。
不确定性感知建模： 集成了用于灯包的半物理非齐次 Gamma 过程和用于驱动器的 Weibull 模型，并通过来自 ADT 数据的贝叶斯推断进行校准，以量化参数不确定性，供下游模拟使用。
可扩展的策略评估： 引入了基于代理模型的性能映射来取代重复的光线追踪，从而在几乎不损失保真度的前提下，实现大规模的蒙特卡洛策略搜索。
多目标权衡分析： 展示了通过模拟在环优化，在不要求具体成本数据的情况下，平衡性能缺陷与资源代理（访问和更换）之间的帕累托最优维护策略。

4. 结果

该框架应用于昆士兰科技大学一个大型办公区域（Zone 1）的案例研究，该区域拥有 76 盏 LED 灯具。

校准： 贝esian 推断成功将 Gamma 过程参数拟合至 55°C、85°C 和 105°C 下的 LM-80 数据，其后验预测轨迹与观测数据相符。模型已外推至 45°C 的运行条件。
帕累托前沿分析： 优化识别出 36 个统计学稳健且非支配的策略。
- 权衡关系： 在更换次数与现场访问次数之间存在明显的权衡。激进的机会性策略（低 $T_{OM}$ ）减少了更换次数，但如果协调不当，可能会增加现场访问次数；而保守策略（高 $T_{OM}$ ）减少了更换次数，但由于纠正性行动的延迟，会导致缺陷率和现场访问次数显著增加。
- 策略类型： 分析区分了“PM 驱动型”策略（由计划维护主导）和“CM 驱动型”策略（由故障触发维护主导）。
敏感性分析： 驱动器可靠性的变化（驱动器比灯包更早或更晚失效的情景）显著改变了帕累托前沿。早期驱动器失效（场景 S3）导致更换次数和现场访问次数大幅增加，凸显了组件可靠性假设对维护规划的关键影响。
计算性能： 代理模型将 10,000 次模拟的计算时间从估计的约 700 天（使用直接 Radiance）缩减至约 20 秒，使优化变得可行。

5. 意义与主张

本文认为，其主要意义在于将照明系统维护的范式从以组件为中心或以静态调试为中心转向性能驱动、动态化的框架。

决策支持： 通过提供帕累托前沿解，该框架为设施管理者提供了一系列方案，以平衡照明质量（缺陷率）与运营投入（访问和更换），并可根据其特定优先级进行定制。
不确定性传播： 通过基于贝叶斯的校准显式处理参数不确定性，确保了维护决策对于退化和失效过程的固有变异性具有鲁棒性。
可扩展性： 基于代理模型的加速使得针对大规模系统进行长周期维护优化在计算上成为可能，而此前这一任务受限于高昂的物理照明模拟成本。
实用性： 使用资源代理（访问和更换）而非具体的货币成本，使得该框架即使在缺乏详细成本数据的情况下也能应用，同时仍能捕捉维护规划中的本质权衡。

作者总结道，尽管目前的框架使用了资源代理，但未来的工作可以整合更丰富的成本模型和空间异质性（位置相关的关键性），以进一步增强其在实际应用中的适用性。