بهینه‌سازی نگهداشت مبتنی بر شرایط برای سیستم‌های چندجزئی با درنظر گرفتن اطلاعات پیش‌بینی خرابی و کاهش کارایی عملیاتی

چکیده

با پیشرفت‌های اخیر در حوزه مدل‌های پیش‌بینانه (Prognostic Models)، استفاده از اطلاعات پیش‌بینی خرابی (Prognostic Information) به‌عنوان ابزاری کلیدی در بهینه‌سازی سیاست‌های نگهداشت مبتنی بر شرایط (Condition-Based Maintenance - CBM) به‌طور قابل توجهی افزایش یافته است. با این‌حال، بیشتر رویکردهای موجود در تصمیم‌گیری برای CBM با دو محدودیت مهم مواجه هستند:

فرض دسترسی کامل به اطلاعات پیش‌بینانه برای تمامی اجزای سیستم، که در عمل به‌ندرت محقق می‌شود؛

نادیده گرفتن اثرات اقتصادی کاهش تدریجی عملکرد سیستم (System Degradation) در ارزیابی سود حاصل از نگهداشت، که برخلاف واقعیت‌های عملیاتی است.

در پاسخ به این محدودیت‌ها، در این مطالعه یک چارچوب بهینه‌سازی نگهداشت مبتنی بر پیش‌آگاهی برای سیستم‌های چندجزئی (Multi-Component Systems) پیشنهاد شده است که هدف آن حداکثرسازی سود خالص مورد انتظار (Maximum Expected Net Revenue) از طریق تصمیم‌گیری بهینه نگهداشت است.

نوآوری‌های اصلی تحقیق در سه محور زیر متمرکز شده‌اند:

نخست، فرض شده است که تنها برخی از اجزای سیستم دارای قابلیت پیش‌بینی عمر باقی‌مانده (Remaining Useful Life - RUL) به‌صورت بلادرنگ هستند. بر این اساس، تصمیمات نگهداشت (Maintenance Decisions) شامل فواصل بازرسی‌های برنامه‌ریزی‌شده (Planned Inspection Intervals) و آستانه‌های پیش‌آگاهی (Prognostic Thresholds) به‌صورت هم‌زمان و در سطح کل سیستم بهینه‌سازی شده‌اند.

دوم، برای نخستین‌بار در ارزیابی مزایای نگهداشت، کاهش بهره‌وری عملکردی سیستم (Degraded Working Efficiency) نیز در نظر گرفته شده است. برای این منظور، یک مدل کارایی مبتنی بر تخریب (Degradation-Related Efficiency Model) پیشنهاد شده است که پارامترهای آن از داده‌های تاریخی عملکرد سیستم استخراج می‌شوند.

سوم، مدل پیشنهادی با افزودن مدل‌سازی خطای پیش‌آگاهی (Prognostic Error Modeling) توسعه یافته تا بتوان تأثیر دقت پیش‌بینی بر سودآوری تصمیمات نگهداشت را تحلیل و ارزیابی کرد.

به‌منظور اعتبارسنجی چارچوب ارائه‌شده، یک مطالعه موردی در حوزه بهینه‌سازی نگهداشت در مزارع توربین بادی (Wind Turbine Farms) طراحی و پیاده‌سازی شده است. نتایج حاصل از این مطالعه نشان‌دهنده اثربخشی مدل در بهبود تصمیم‌گیری‌های نگهداشت در شرایط واقعی و پیچیده عملیاتی است.

مقدمه

۱. رشد هزینه‌های نگهداشت و اهمیت رویکردهای داده‌محور

با گسترش فناوری‌های تولید و افزایش پیچیدگی تجهیزات صنعتی، هزینه‌های مرتبط با نگهداشت سیستم‌ها (Maintenance Costs) به‌طور پیوسته در حال افزایش است. این روند، نیاز به تدوین سیاست‌ها و برنامه‌های نگهداشت کارآمد را بیش از پیش ضروری ساخته است [1]. به‌عنوان نمونه، بررسی‌ها نشان داده‌اند که بیش از ۲۵٪ از هزینه‌های چرخه عمر دارایی‌ها در مزارع بادی فراساحلی (Offshore Wind Farms) به عملیات نگهداشت اختصاص می‌یابد [2]. در صنایع شیمیایی نیز، تا ۳۰٪ از نیروی کار به‌طور مستقیم درگیر فعالیت‌های نگهداشت هستند [3]. این در حالی است که در برخی صنایع مهندسی، سهم هزینه‌های نگهداشت از کل هزینه‌های محصول نهایی می‌تواند به ۱۵ تا ۷۰ درصد برسد [4].

هم‌زمان با حرکت صنایع به‌سمت دیجیتالی‌سازی و بهره‌گیری از فناوری‌های مرتبط با صنعت ۴.۰ (Industry 4.0)، بازنگری در سیاست‌های نگهداشت به یکی از محورهای رقابت‌پذیری سازمان‌ها تبدیل شده است [5]. پیشرفت در فناوری‌های حسگری (Sensor Technology) فرصت‌هایی تازه برای توسعه راهکارهای هوشمند نگهداشت فراهم کرده است، اما این فرصت‌ها با چالش‌هایی جدی در زمینه پردازش، تفسیر و تصمیم‌گیری مبتنی بر داده نیز همراه هستند.

۲. مروری بر استراتژی‌های نگهداشت و محدودیت‌های موجود

در چارچوب مدیریت دارایی‌های فیزیکی، سه رویکرد اصلی برای نگهداشت تجهیزات وجود دارد:

نگهداشت اصلاحی (Corrective Maintenance - CM): این روش تنها پس از وقوع خرابی انجام می‌شود و به‌عنوان ابتدایی‌ترین نوع نگهداشت شناخته می‌شود.

نگهداشت زمان‌محور (Time-Based Maintenance - TBM): در این روش، اقدامات پیشگیرانه مطابق با فواصل زمانی ثابت و از پیش تعیین‌شده صورت می‌گیرند.

نگهداشت مبتنی بر شرایط (Condition-Based Maintenance - CBM): این روش بر مبنای داده‌های واقعی حاصل از وضعیت تجهیزات، تصمیمات نگهداشت را اتخاذ می‌کند.

در اغلب موارد، رفتار سیستم‌های نگهداشت با استفاده از رویکردهای شبیه‌سازی مونت‌کارلو (Monte Carlo Simulation - MCS) [6,7] یا فرآیندهای تصمیم‌گیری مارکوفی (Markov Decision Processes - MDP) [8,9] مدل‌سازی می‌شود. پیاده‌سازی TBM به‌دلیل سادگی در ثبت سن تجهیزات نسبتاً آسان است؛ اما از ضعف عمده‌ای رنج می‌برد: انجام نگهداشت‌های غیرضروری حتی در شرایطی که تجهیزات هنوز در وضعیت مطلوب قرار دارند، که این مسئله به افزایش هزینه‌ها می‌انجامد [10].

در مقابل، رویکرد CBM با تکیه بر تحلیل داده‌های واقعی وضعیت تجهیزات، امکان برنامه‌ریزی نگهداشت بهینه‌تر و دقیق‌تری را فراهم می‌سازد. در برخی مطالعات، فواصل بازرسی مجدد بر اساس داده‌های واقعی و یا تحلیل فرآیند تخریب (Degradation) بازتنظیم شده‌اند [11–14]. در حالت ایده‌آل، CBM زمانی وارد عمل می‌شود که تجهیز درست در آستانه خرابی قرار دارد و هنوز قابل‌استفاده است.

۳. CBM مبتنی بر پیش‌آگاهی و چالش‌های کاربردی

با گسترش استفاده از پایش وضعیت لحظه‌ای (Real-Time Monitoring) و مدل‌های پیش‌بینی عمر باقی‌مانده (Remaining Useful Life - RUL)، نسل جدیدی از سیاست‌های نگهداشت به نام CBM مبتنی بر پیش‌آگهی (Prognostics-Induced CBM) توسعه یافته‌اند. در این رویکرد، نگهداشت بر پایه پیش‌بینی زمانی انجام می‌شود که تجهیز تا خرابی فرصت دارد. برخی مطالعات برای پیش‌بینی RUL از مدل خطرات نسبی (Proportional Hazards Model - PHM) [16–18] و برخی دیگر از مدل‌های تصادفی مانند فرآیند گاما (Gamma Process) [19,20] یا فرآیند وینر (Wiener Process) [21–23] استفاده کرده‌اند. این مدل‌ها معمولاً با استفاده از داده‌های تاریخی پارامترگذاری می‌شوند.

با این‌حال، یکی از چالش‌های کلیدی، دشواری در ساخت مدل‌های دقیق تخریب و تعیین آستانه‌های قابل‌اعتماد برای خرابی به‌ویژه در شرایط کمبود داده است. در این میان، روش‌های یادگیری ماشین (Machine Learning) و به‌طور خاص شبکه‌های عصبی (Neural Networks) نقش مهمی در پیش‌بینی RUL ایفا کرده‌اند [24–26].

در سیستم‌هایی که هزینه آماده‌سازی برای نگهداشت بالا است، به‌کارگیری نگهداشت فرصت‌محور (Opportunistic Maintenance) نیز توصیه شده است؛ روشی که در آن نگهداشت اجزای دارای RUL پایین به‌صورت گروهی و هماهنگ انجام می‌شود تا از افزایش زمان توقف و هزینه‌های تکراری جلوگیری گردد [27–29].

حتی در شرایطی که داده‌های ثبت‌شده اندک یا ناقص هستند، برخی مدل‌های پیش‌آگاهی با استفاده از داده‌های سانسورشده (Censored Data) توسعه داده شده‌اند [30,31] که نشان‌دهنده انعطاف‌پذیری و اثربخشی این رویکرد است. با این حال، اغلب پژوهش‌ها فرض کرده‌اند که داده‌های پایش برای تمام اجزای سیستم در دسترس است. تنها یک مطالعه، حالتی را بررسی کرده که در آن تنها برای بخشی از اجزا داده موجود است، اما در آن نیز برای هر جزء سیاست مستقل پیشنهاد شده است [32].

اگرچه مطالعات نشان داده‌اند که برآورد دقیق RUL می‌تواند تا ۴۰ تا ۷۰ درصد از فعالیت‌های نگهداشت روتین بکاهد [33]، اما هنوز بررسی دقیقی در خصوص تأثیر دقت مدل‌های پیش‌آگهی بر عملکرد CBM، به‌ویژه در سیستم‌های چندجزئی، در دست نیست. این خلأ پژوهشی، ضرورت توسعه روش‌هایی را آشکار می‌سازد که بتوانند در شرایط عدم دسترسی کامل به داده‌ها و با در نظر گرفتن تخریب سیستم، تصمیمات نگهداشت را در سطح سیستم بهینه‌سازی کنند.

هدف و نوآوری‌های پژوهش

در سال‌های اخیر، جهت‌گیری تحقیقات در حوزه بهینه‌سازی نگهداشت (Maintenance Optimization) دستخوش تغییر مهمی شده است. تمرکز اولیه که عمدتاً بر کاهش هزینه‌های نگهداشت (Minimizing Maintenance Costs) قرار داشت، به‌تدریج به‌سمت حداکثرسازی سود خالص در بازه بهره‌برداری برنامه‌ریزی‌شده (Maximizing Net Revenue over the Planned Operating Period) تغییر یافته است [34]. با وجود این تحول، در بسیاری از مطالعات پیشین یک محدودیت مهم مشاهده می‌شود: اثر تخریب تدریجی سیستم (System Degradation) بر عملکرد اقتصادی و سودآوری نادیده گرفته شده است؛ در حالی که در محیط‌های صنعتی واقعی، این اثر بسیار ملموس و مستند است [35,36].

در این پژوهش، یک چارچوب بهینه‌سازی نگهداشت مبتنی بر پیش‌آگاهی (Prognostics-Induced Condition-Based Maintenance - CBM) برای سیستم‌های چندجزئی (Multi-Component Systems) ارائه شده است. هدف این چارچوب، یافتن تصمیمات نگهداشت بهینه‌ای است که بیشترین سود خالص مورد انتظار (Maximum Expected Net Revenue) را در طول دوره بهره‌برداری سیستم به همراه داشته باشد.

به‌منظور ارزیابی اثربخشی روش پیشنهادی، یک مطالعه موردی در زمینه بهینه‌سازی نگهداشت مزارع توربین بادی (Wind Turbine Farms) طراحی و اجرا شده است که سناریوهای مختلف بهره‌برداری و سیاست‌های نگهداشت را در شرایط واقعی مدل‌سازی می‌کند.

در مقایسه با پژوهش‌های قبلی، این مطالعه دارای سه نوآوری کلیدی است که برای نخستین‌بار به‌طور هم‌زمان در یک چارچوب یکپارچه مورد بررسی قرار گرفته‌اند:

● در نظر گرفتن پایش ناقص اجزای سیستم (Partial Monitoring Assumption):
 در بسیاری از مدل‌های پیشین، فرض شده است که داده‌های بلادرنگ برای تمامی اجزای سیستم در دسترس است. در این پژوهش، این فرض واقع‌گرایانه‌تر شده و عدم دسترسی کامل به داده‌های بلادرنگ (Real-Time Monitoring) برای همه مؤلفه‌ها در نظر گرفته شده است. بر این اساس، چارچوب پیشنهادی قادر است با وجود پایش ناقص، تصمیمات نگهداشت بهینه در سطح کل سیستم (System-Level Joint Maintenance Decisions) را استخراج کند. این تصمیمات شامل تعیین فواصل بازرسی‌های برنامه‌ریزی‌شده (Planned Inspection Intervals) و آستانه‌های پیش‌آگهی (Prognostic Thresholds) است، حتی زمانی‌که تنها برای برخی از اجزا، عمر باقی‌مانده (Remaining Useful Life - RUL) قابل پیش‌بینی باشد.

● لحاظ‌کردن کاهش کارایی ناشی از تخریب در تابع هدف (Efficiency-Aware Optimization):
 در این تحقیق، برخلاف بسیاری از مطالعات قبلی، افت بهره‌وری عملکردی تجهیزات در اثر تخریب (Degraded Working Efficiency) به‌عنوان یکی از عوامل مؤثر بر سود نهایی، به‌طور صریح در تابع هدف لحاظ شده است. برای این منظور، یک مدل‌سازی داده‌محور از کارایی سیستم (Data-Driven Efficiency Modeling) طراحی شده که پارامترهای آن از داده‌های تاریخی عملکرد سیستم استخراج می‌شوند. این مدل امکان ارزیابی دقیق‌تر تأثیر نگهداشت بر کارایی بلندمدت تجهیزات را فراهم می‌سازد.

● در نظر گرفتن عوامل عملیاتی و عدم قطعیت مدل‌های پیش‌آگاهی (Practical and Uncertainty Considerations):
 در چارچوب پیشنهادی، ملاحظات عملی در پیاده‌سازی سیاست‌های CBM لحاظ شده‌اند. به‌طور ویژه، برای تحلیل تأثیر خطاهای مدل پیش‌آگاهی (Prognostic Errors) بر عملکرد تصمیمات نگهداشت، مدل‌سازی خطای پیش‌آگاهی (Prognostic Error Modeling) به سیستم اضافه شده است. این امکان فراهم شده تا حساسیت تصمیمات نسبت به دقت پیش‌بینی مورد بررسی قرار گیرد و قابلیت اطمینان مدل در شرایط عدم قطعیت سنجیده شود.

این نوآوری‌ها، چارچوب پیشنهادی را به گزینه‌ای قابل‌اعتماد و واقع‌گرایانه برای بهینه‌سازی نگهداشت در سیستم‌های صنعتی پیچیده تبدیل کرده‌اند، به‌ویژه در شرایطی که داده‌ها ناقص، عملکرد تجهیزات متغیر، و هزینه‌ها سنگین و غیرقابل پیش‌بینی هستند.

دامنه کاربرد و ساختار مقاله

روش بهینه‌سازی ارائه‌شده در این مطالعه، گرچه با تمرکز بر یک مطالعه موردی در حوزه دارایی‌های تولید انرژی بادی (Wind Power Assets) طراحی شده، اما قابلیت تعمیم به طیف وسیعی از صنایع پیچیده و عملیاتی را داراست. این رویکرد می‌تواند به‌طور مؤثر در صنایعی همچون سیستم‌های شیمیایی (Chemical Systems) [37]، صنایع حمل‌ونقل (Transportation Industries) [38] و صنایع تولیدی (Manufacturing Industries) [39] مورد استفاده قرار گیرد.

به‌عنوان نمونه، در پالایشگاه‌های نفت (Oil Refineries)، حسگرهای شتاب‌سنج (Acceleration Sensors) به‌طور گسترده برای پایش لحظه‌ای وضعیت پمپ‌ها و کمپرسورها نصب شده‌اند. این در حالی‌ست که آسیب‌های تدریجی مانند خوردگی (Corrosion) یا ترک‌های ناشی از خستگی (Fatigue Cracks) که در خطوط لوله و تجهیزات برجی رخ می‌دهند، اغلب تنها از طریق بازرسی‌های غیرمخرب دوره‌ای (Periodic Non-Destructive Inspection) قابل ارزیابی هستند [40].

در عمل، برخی از تجهیزات مکانیکی، به‌ویژه ماشین‌های دوّار (Rotating Machines)، به‌واسطه حسگرهای نصب‌شده، قابل پایش لحظه‌ای هستند. اما همچنان بخش قابل‌توجهی از تجهیزات صنعتی تنها در چارچوب بازرسی‌های دستی برنامه‌ریزی‌شده مورد ارزیابی قرار می‌گیرند. این محدودیت در دسترسی به داده‌های بلادرنگ، یکی از چالش‌های کلیدی در تصمیم‌گیری نگهداشت محسوب می‌شود.

در چنین شرایطی، بهره‌گیری از اطلاعات پیش‌آگاهی (Prognostic Information) با تکیه بر روش پیشنهادی در این مقاله، می‌تواند به مدیران دارایی (Asset Managers) کمک کند تا تصمیمات نگهداشت مؤثرتری اتخاذ کنند. این تصمیمات نه‌تنها بر کاهش هزینه‌ها و جلوگیری از خرابی‌های ناگهانی مؤثر خواهند بود، بلکه سودآوری اقتصادی سیستم‌های صنعتی پیچیده را نیز به‌طور ملموسی افزایش خواهند داد.

ساختار مقاله

مقاله حاضر در شش بخش تنظیم شده است که هریک به بررسی جنبه‌ای کلیدی از مدل پیشنهادی و پیاده‌سازی آن اختصاص دارد:

بخش ۲: مدلسازی نگهداشت، شامل تعریف مدل پایه سیستم، ساختار خطاهای پیش‌آگهی (Prognostic Errors)، سیاست‌های نگهداشت برنامه‌ریزی‌شده (Scheduled Maintenance Policies) و ساختار هزینه‌ها؛

بخش ۳: ارائه مدل پیشنهادی برای کارایی سیستم وابسته به تخریب (Degradation-Related Efficiency Model) و تعریف تابع درآمد خالص کل (Total Net Revenue Function)؛

بخش ۴: تشریح فرآیند شبیه‌سازی اقدامات نگهداشت (Maintenance Action Simulation) و الگوریتم مورد استفاده برای بهینه‌سازی تصمیمات نگهداشت؛

بخش ۵: بررسی یک مطالعه موردی در زمینه بهینه‌سازی نگهداشت مزارع توربین بادی (Wind Turbine Farms) برای اعتبارسنجی روش پیشنهادی؛

بخش ۶: نتیجه‌گیری نهایی، جمع‌بندی یافته‌های پژوهش، و پیشنهاد مسیرهای آینده برای توسعه مدل.

خلاصه بخش‌ها

 توصیف سیستم (System Description):
 در این بخش، یک سیستم چندجزئی (Multi-Component System) متشکل از NNN زیرسیستم مستقل مدل‌سازی شده است. هر زیرسیستم شامل njn_jnj مؤلفه مستقل است که به‌صورت سری متصل شده‌اند. مؤلفه‌ ci,jc_{i,j}ci,j نمایانگر جزء iii‌ام در زیرسیستم jjj‌ام است، که در آن i=1,2,…,nji = 1, 2, …, n_ji=1,2,…,nj و j=1,2,…,Nj = 1, 2, …, Nj=1,2,…,N. در این ساختار، خرابی هر مؤلفه منجر به خرابی کل زیرسیستم مربوطه می‌شود. با این‌حال، خرابی یک زیرسیستم تأثیری مستقیم بر عملکرد سایر زیرسیستم‌ها ندارد، اما باعث کاهش سطح کلی سودآوری سیستم می‌گردد. این مدل می‌تواند در کاربردهایی مانند سیستم‌های تولید برق، حمل‌ونقل یا تأسیسات فرآیندی مورد استفاده قرار گیرد.

 برآورد درآمد خالص با در نظر گرفتن کاهش کارایی عملیاتی (Net Revenue Estimation Considering Degraded Working Efficiency):
 در این بخش، یک مدل ترکیبی برای تحلیل سودآوری سیستم در شرایط کاهش عملکرد عملیاتی (Degraded Efficiency) ارائه شده است. عملکرد هر مؤلفه با استفاده از فرآیند وینر (Wiener Process) مدل‌سازی شده و پارامترهای مدل با تکیه بر داده‌های تاریخی در سطح سیستم برآورد می‌شوند. سپس، یک تابع جدید برای درآمد خالص کل (Total Net Revenue Function) تعریف می‌گردد که کاهش کارایی را در تصمیم‌گیری‌های نگهداشت لحاظ می‌کند. این مدل، امکان ارزیابی واقعی‌تر از تأثیر نگهداشت بر بهره‌وری اقتصادی سیستم را فراهم می‌سازد.

 تصمیم‌گیری نگهداشت مبتنی بر پیش‌آگاهی با استفاده از شبیه‌سازی مونت‌کارلو (Prognostics-Induced Maintenance Decision-Making Based on MCS):
 در این بخش، یک چارچوب بهینه‌سازی نگهداشت بر پایه پیش‌بینی خرابی (Prognostics) طراحی شده است. برای حل مسئله تصمیم‌گیری، از شبیه‌سازی مونت‌کارلو (Monte Carlo Simulation - MCS) در کنار الگوریتم ژنتیک (Genetic Algorithm - GA) بهره گرفته شده است. در مدل‌سازی، فرض شده که توزیع عمر مؤلفه‌ها مشخص است و مجموعه پارامترهای مرتبط با کاهش کارایی (Ω\OmegaΩ) از پیش تخمین زده شده‌اند. همچنین، یک پایگاه داده از خطاهای پیش‌آگاهی (Prognostic Error Set - DeD_eDe) برای شبیه‌سازی عدم قطعیت در پیش‌بینی‌های RUL ایجاد شده است.

مطالعه موردی بهینه‌سازی نگهداشت در مزارع توربین بادی (Case Study of Maintenance Optimization on Wind Turbine Farms):
 برای ارزیابی تجربی چارچوب پیشنهادی، یک مطالعه موردی بر روی سیستم‌های تولید انرژی بادی طراحی شده است. در بخش ۵.۱، جزئیات ساختار سیستم توربین بادی و مجموعه داده‌های مورد استفاده معرفی می‌شود. در ادامه، در بخش ۵.۲، مطالعات مقایسه‌ای میان رویکرد پیشنهادی و سیاست‌های متداول نگهداشت مانند سیاست زمان‌محور (Time-Based Maintenance - TBM) و CBM ساده با هدف حداقل‌سازی هزینه نگهداشت انجام شده است. همچنین، حالتی که در آن کاهش کارایی نادیده گرفته می‌شود، به‌عنوان سناریوی مرجع تحلیل شده است. در پایان، تأثیر دقت پیش‌بینی و سیاست نگهداشت بر سود نهایی سیستم بررسی می‌گردد.

نتیجه‌گیری

در این پژوهش، یک چارچوب بهینه‌سازی نگهداشت مبتنی بر پیش‌آگهی (Prognostics-Induced Condition-Based Maintenance Optimization Method) توسعه یافته است که هدف آن، یافتن تصمیمات نگهداشت بهینه با بیشترین سود خالص مورد انتظار (Maximum Expected Net Revenue) در طول دوره بهره‌برداری سیستم‌های چندجزئی می‌باشد.

در مقایسه با بسیاری از تحقیقات پیشین، در این مدل فرض دسترسی ناقص به داده‌های بلادرنگ برای اجزای سیستم لحاظ شده است؛ بدین معنا که تنها برخی از مؤلفه‌ها تحت پایش لحظه‌ای قرار دارند. بر همین اساس، دو متغیر تصمیم‌گیری کلیدی، یعنی فواصل زمانی بازرسی‌های برنامه‌ریزی‌شده (Planned Inspection Intervals) و آستانه‌های پیش‌آگهی (Prognostic Thresholds) — اعم از پیشگیرانه یا فرصت‌محور — به‌صورت هم‌زمان و در سطح کل سیستم بهینه‌سازی شده‌اند.

به‌علاوه، برای در نظر گرفتن واقعیت‌های عملکردی تجهیزات، یک روش مدل‌سازی داده‌محور برای کاهش کارایی (Data-Driven Efficiency Modeling Method) پیشنهاد شده است. این مدل در تابع هدف درآمد خالص گنجانده شده تا اثر تخریب تدریجی عملکرد تجهیزات (Degradation-Induced Efficiency Loss) به‌طور مستقیم در فرآیند تصمیم‌گیری نگهداشت لحاظ شود. این رویکرد، امکان تحلیل دقیق‌تر سودآوری واقعی سیاست‌های نگهداشت را در شرایط پیچیده عملیاتی فراهم می‌سازد.

Powered by Froala Editor