ISO/TC 251
В международном журнале «Электроэнергетика и энергетические системы» опубликована статья под названием "Надежностно-ориентированное обслуживание высоковольтных газовых выключателей с использованием искусственного интеллекта" (Ai-enhanced reliability centered maintenance for high voltage gas circuit breakers). Помимо хорошей библиографии с обзором применения RCM в электрических сетях, в статье содержится конкретный пример с описанием предлагаемого авторами метода.
Автоматические элегазовые выключатели являются критически важными компонентами энергосистем, играя важнейшую роль в управлении потоками электроэнергии и защите от коротких замыканий и перегрузок. Поэтому они требуют эффективного технического обслуживания для обеспечения надёжности и долговечности.
Традиционные методы, в том числе периодическое обслуживание, профилактическое, а также техническое обслуживание по фактическому состоянию (Condition-based maintenance, CBM) могут быть дорогостоящими и неэффективными. Хотя CBM улучшает планирование и готовность, оно не может полностью оптимизировать затраты на техническое обслуживание. В этой статье представлен метод оптимизации графиков технического обслуживания с использованием искусственного интеллекта. В отличие от CBM, которое использует индекс состояния, предлагаемый авторами метод (Reliability-centered maintenance, RCM) учитывает дополнительно также индекс важности для эффективной расстановки приоритетов в обслуживании.
Конечная цель состоит в том, чтобы определить приоритетность технического обслуживания высоковольтных элегазовых выключателей по совокупности двух индексов: индекса состояния и индекса важности. Первый индекс связан с вероятностью отказа, а второй - с последствиями отказа выключателя с учетом их влияния на устойчивость энергосистемы. Таким образом, фактически речь идет о том, чтобы реализовать обслуживание, основанное на оценке риска отказа (Risk-Based Maintenance), а не RCM. Следует отметить, что авторы не рассматривают характерный для RCM выбор применимых и эффективных политик управления отказами, а только определяют приоритетность их реализации.
Для кластеризации выключателей по сегментам приоритетности обслуживания используется алгоритм машинного обучения Gaussian Mixture Models (GMM). Отличительной особенностью данной структуры является объединение индекса состояния и индекса важности в кластерную модель, предлагающую масштабируемый инструмент принятия решений на основе данных без использования предопределенных пороговых значений или правил, настроенных экспертами.
Попутно авторы сравнивают результаты, полученные в рамках RCM (как они его называют), с результатами CBM. На первых двух этапах уточнения индекса состояния метод RCM дает меньшее количество выключателей, подлежащих приоритетному или даже немедленному обслуживанию, чем метод CBM. Как и ожидалось, этап 3 дает наиболее надежные и точные результаты благодаря включению большего количества признаков. И на этом этапе оба метода дают почти одинаковый результат количественно, но разый по составу приоритетных выключателей: предлагаемый метод включил в программу немедленного обслуживания наиболее критичные выключатели (в том числе четыре выключателя в сегменте 8).
Поскольку предлагаемый метод отдаёт приоритет наиболее важным выключателям, он предотвращает отказы с наиболее тяжкими последствиями. Стратегически перераспределяя ресурсы на техническое обслуживание наиболее критичных выключателей, предлагаемый метод сокращает ненужные вмешательства по сравнению с CBM, повышает экономическую эффективность и снижает потенциальные финансовые потери, связанные с системными отказами.