Dirk gromoll (1 Ergebnisse)
- Hardcover
Anbieter: AHA-BUCH GmbH, Einbeck, DeutschlandAHA-BUCH GmbH
Verkäufer/-in kontaktierenVerkäufer/-in mit 5 SternenZustand: Neu
EUR 68,99
EUR 62,54 VersandVersand von Deutschland nach USAAnzahl: 2 verfügbar
Buch. Zustand: Neu. Druck auf Anfrage Neuware - Printed after ordering - Vor dem Hintergrund zunehmend begrenzter Ressourcen stehen Verteilnetzbetreiber vor der Herausforderung, Instandhaltungs- und Erneuerungsstrategien für ihre Betriebsmittel zu optimieren. Zum einen stellt der Fachkräftemangel einen limitierenden Faktor bei d…er Umsetzung von Instandhaltungs- und Erneuerungsmaßnahmen für ein größtenteils stark gealtertes Betriebsmittelkollektiv bei einem gleichzeitig erforderlichen Netzausbau dar. Zum anderen steigen Material- und Beschaffungskosten erheblich, und die Lieferzeiten für wesentliche Komponenten verlängern sich deutlich. Die Integration von Predictive-Maintenance-Ansätzen bietet in diesem Kontext großes Potenzial. Neben Betriebsmittelausfällen und den damit verbundenen Versorgungsunterbrechungen müssen hierzu die Ereignisse betrachtet werden, die signifikante Auswirkungen auf die Unternehmenswerte der Verteilnetzbetreiber haben. Zur möglichst realitätsgerechten Abbildung solcher Ereignisse wird am Beispiel von Ortsnetzstationen erstmalig datenbasiert ein Zusammenhang zwischen deren Zustand und der Eintrittswahrscheinlichkeit von Ereignissen hergestellt. Die dafür entwickelte ereignisbezogene Zustandsbewertungssystematik wird im Detail vorgestellt. Darauf aufbauend wird die Anwendung einer Ereigniszeitanalyse in Form einer Survival Regression zur Herleitung von Hazardraten betrachtet. Grundlage dafür bilden reale Stamm-, Zustandserfassungs- und Störungsdaten zu Ortsnetzstationen mehrerer Verteilnetzbetreiber. Basierend auf einer spezifischen Unternehmenswertebasis wird gezeigt, wie anhand der Hazardraten und resultierender Risikoerwartungswerte bestimmt werden kann, welche Strategien den größten Effekt zur Risikominderung haben. Die entwickelten Ereignismodelle dienen zukünftig als Grundlage für eine auf Reinforcement Learning basierende umfassende Asset-Management-Strategieoptimierung.
