مدل‌سازی تنزل با شبیه‌سازی زنجیرۀ مارکوف مونت‌کارلو برای پیش‌بینی وضعیت دارایی‌ها


پروفسور تیلینگ ژانگ

بیشتر سیستم‌ها قبل از اینکه از عملکرد مورد نیاز باز بمانند، فرایند نزول راطی می‌کنند. پیش‌بینی وضعیت و عملکرد سیستم چنان اهمیتی یافته‌اند که مدیریت عملیات در آینده، از جمله نگهداری و تعمیرات، به پیش‌بینی وضعیت وابسته خواهد بود. در نتیجه، بهتر است سیستم‌ها را برای وضعیت‌های متعدد بررسی کنیم و نه فقط برای دو وضعیت.

این مقاله بر مدل‌سازی نزول سیستم‌ها در چندین وضعیت با شبیه‌سازی زنجیرۀ مارکوف مونت‌کارلو (MCMC) متمرکز است که به پیش‌بینی وضعیت آینده منتهی می‌شود. در این مطالعه، تکنیک شبیه‌سازی MCMC مبتنی بر الگوریتم هیستینگز متروپلیس (MHA) پیشنهاد می‌شود تا مدل‌های نزول مارکوف وضعیت‌محور (SBMDM) را برای اجزای متعارف دارایی‌ها به‌دقت مشخص کند. نتایج پیش‌بینی وضعیت در سطح شبکه، از سه رویکرد مختلف به دست می‌آیند و به‌وسیلۀ آزمون‌های فرضیۀ آماری با مجموعه داده‌های آزمایشی تأیید می‌شوند. عملکرد این مدل‌ها در پیش‌بینی آیندۀ وضعیت پل‌های راه‌آهن، با هم مقایسه می‌شود. نتایج نشان می‌دهد که مدل نزول مبتنی بر MCMC، از لحاظ دقت پیش‌بینی وضعیت شبکه‌محور و شناسایی عدم‌اطمینان‌های مدل، نسبت به دو روش دیگر عملکرد بهتری دارد.