Development of application for solving technological system reliability problems with intelligent evolutionary algorithms

Abstract

Τα τελευταία χρόνια η αυξανόμενη πολυπλοκότητα των προβλημάτων της βιομηχανίας έχει φέρει στο προσκήνιο την εφαρμογή τεχνικών Τεχνητής Νοημοσύνης, οι οποίες καλούνται να προσεγγίσουν την βέλτιστη στρατηγική ενός προβλήματος λήψης απόφασης. Τα εν λόγω προβλήματα βελτιστοποίησης είναι συνήθως αυξημένης πολυπλοκότητας και εμφανίζονται σε διάφορα πεδία της Μηχανικής (Engineering). H παρούσα διπλωματική εστιάζει στην προσέγγιση προβλημάτων βελτιστοποίησης από το πεδίο της Αξιοπιστίας Συστημάτων, με χρήση νοημόνων εξελικτικών μεθόδων. Τα εν λόγω προβλήματα στοχεύουν στην επίτευξη του υψηλότερου επιπέδου αξιοπιστίας ενός συστήματος. Πιο συγκεκριμένα τα υπό μελέτη συστήματα αποτελούνται από ένα πλήθος υποσυστημάτων που περιέχουν ένα ή περισσότερα παράλληλα συνδεδεμένα εξαρτήματα ίσης αξιοπιστίας. Έπειτα από μελέτη της βιβλιογραφίας συλλέχθηκαν 10 μελέτες περίπτωσης μεταξύ των οποίων περιλαμβάνονται το πρόβλημα κατανομής αξιοπιστίας (reliability allocation problem) κατά το οποίο πρέπει να προσδιοριστεί η κατάλληλη προδιαγραφή αξιοπιστίας των εξαρτημάτων, το πρόβλημα κατανομής εφεδρείας (redundancy allocation problem) στο οποίο πρέπει να προσδιοριστεί το πλήθος των εξαρτημάτων για κάθε ένα από τα υποσυστήματα και το πρόβλημα κατανομής αξιοπιστίας – εφεδρείας (reliability – redundancy allocation problem) το οποίο αποτελεί συνδυασμό των προηγούμενων. Ωστόσο, μια αύξηση στο πλήθος των εφεδρικών εξαρτημάτων και στην αξιοπιστία των εξαρτημάτων που αποτελούν τα υποσυστήματα, ανάγεται σε αύξηση του συνολικού κόστους, βάρους και όγκου. Συνεπώς η πολυπλοκότητα των προβλημάτων που μελετώνται στην παρούσα εργασία βρίσκεται στην επίτευξη του υψηλότερου επιπέδου αξιοπιστίας χωρίς την υπέρβαση των διαθέσιμων πόρων του συνολικού κόστους, βάρους και όγκου οι οποίοι αντιπροσωπεύουν τους μη-γραμμικούς περιορισμούς των προβλημάτων Έπειτα από εκτενή μελέτη της βιβλιογραφίας, προέκυψε το ενδιαφέρον δημιουργίας υβριδικών σχημάτων (hybrid schemes), τα οποία αποτελούνται από επιμέρους μεθόδους, για την προσέγγιση προβλημάτων βελτιστοποίησης αξιοπιστίας. Τα εν λόγω υβριδικά σχήματα χρησιμοποιήθηκαν για την προσέγγιση προβλημάτων κατανομής αξιοπιστίας – εφεδρείας, ενώ οι επιμέρους μέθοδοι επιλύσαν προβλήματα κατανομής αξιοπιστίας και κατανομής εφεδρείας. Η λογική είναι να μελετηθεί αν η επιλογή των επιμέρους μεθόδων, για την δημιουργία υβριδικών σχημάτων, μπορεί να επιτευχθεί γνωρίζοντας την στατιστική απόδοση των μεθόδων για τα επιμέρους προβλήματα που καλούνται να επιλύσουν. Επιπλέον, προκειμένου να επιτευχθεί η καλύτερη στατιστική απόδοση πραγματοποιήθηκε παραμετροποίηση των υβριδικών σχημάτων σε δύο φάσεις. Η πρώτη φάση περιλαμβάνει την εύρεση των κατάλληλων τιμών των παραμέτρων που σχετίζονται με τις επιμέρους μεθόδους των υβριδικών σχημάτων με σκοπό την καλύτερη αποδοτικότητά τους, ενώ η δεύτερη φάση περιλαμβάνει την εύρεση των κατάλληλων αντίστοιχων τιμών των παραμέτρων που είναι κοινές στις εξελικτικές μεθόδους (όπως αυτές του πληθυσμού και των επαναλήψεων μιας εξελικτικής μεθόδου βελτιστοποίησης) με σκοπό την καλύτερη απόδοση των επιμέρους μεθόδων κάθε υβριδικού σχήματος. Οι εν λόγω παράμετροι θα αποτελέσουν τις προεπιλεγμένες (default) παραμέτρους των υβριδικών σχημάτων στην εφαρμογή περιβάλλοντος διεπαφής χρήστη (Graphical User Interface Application). Επιπρόσθετα, υλοποιήθηκε ανάλυση των αποτελεσμάτων των υβριδικών σχημάτων και έγινε συγκριτική αξιολόγηση με μεθόδους της βιβλιογραφίας που φέρουν ισχυρή απόδοση. Ένας ακόμη σημαντικός παράγοντας, πέραν της απόδοσης, ήταν ο χρόνος που χρειάζεται κάθε υβριδικό σχήμα. Συνεπώς έγινε η μελέτη της μεταβολής της ποιότητας ως προς τον χρόνο όταν αυξάνονται οι τιμές των κοινών παραμέτρων. Τέλος αναπτύχθηκε σε γλώσσα Python μια εφαρμογή (application) η οποία αποτελεί ένα πρώιμο σύστημα υποστήριξης αποφάσεων, η οποία δύναται να υπολογίσει την κατανομή της αξιοπιστίας των εξαρτημάτων και την εφεδρεία αυτών σε κάθε υποσύστημα, που αναλογεί στην βέλτιστη αξιοπιστία για κάποιο εκ των βασικών υποσυστημάτων.

In recent years, the increasing complexity of industry problems has brought to the fore the application of Artificial Intelligence techniques, which are called upon to approach the optimal strategy of a decision-making problem. These optimization problems are usually of increasing complexity and occur in various fields of Engineering. This Thesis focuses on approaching optimization problems from the field of System Reliability, using intelligent evolutionary algorithms. These problems aim at achieving the highest reliability level of a system. Specifically, these systems consist of several subsystems which contain one or more parallel connected components of equal reliability. After reviewing the literature, 10 case studies were collected, including the reliability allocation problem, in which the reliability of each subsystem’s components must be determined, the redundancy allocation problem, in which the number of each subsystem’s components must be determined and lastly, the reliability - redundancy allocation problem which is a combination of the previous ones. However, an increase in the number of redundant components that make up the subsystems as well as an increase in the reliability of these components, leads to an increase of the total cost, weight, and volume. Therefore, the complexity of the problems studied in this Thesis lies in achieving the highest reliability level without exceeding the available resources of total cost, weight and volume which represent the non-linear constraints that these problems subject to. After an extensive study of the literature, the interest of approaching reliability optimization problems with hybrid schemes that consist of individual methods, arose. These hybrid schemes were used to approach reliability-redundancy allocation problems, while the individual methods approached reliability and redundancy allocation problems, individually. The idea behind that is to study whether the selection of individual methods for creating hybrid schemes can be achieved by knowing the statistical performance of the (individual) methods for the individual reliability and redundancy allocation problems, they are called to approach. In addition, to achieve the best statistical performance, the parameters of the hybrid schemes were configured in two phases. The first phase involves finding the appropriate values of the parameters related to the individual methods of the hybrid schemes to improve their efficiency, while the second phase involves finding the appropriate values of the parameters that are common to the evolutionary methods (such as those of population and generations of an evolutionary algorithm) in order to better perform the individual methods of each hybrid scheme. These parameters will be the default parameters of the hybrid schemes in the Graphical User Interface Application. Furthermore, an analysis of the results of the hybrid schemes was implemented as well as a comparative evaluation with methods found in the bibliography, that show high performance. Another important factor, in addition to performance, was the time each hybrid scheme takes to approach a problem. Therefore, further research was done to study the change in quality over time when the values of the common parameters increase. Finally, an application was developed in Python programming language which is a premature decision support system, that can calculate the component reliability as well as the number of redundant components in each subsystem, corresponding to the optimal reliability for one of the basic subsystems.