.png){kind=icon}
返回
DT-PPO: A Real-Time multisensor-driven predictive maintenance framework
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ress.2025.111227.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
预测与健康管理（PHM）涵盖了预测性维护和健康监测两方面工作。然而，大多数研究要么仅关注预测，要么仅关注孤立决策，仅有少数尝试将剩余寿命预测与维护策略相结合。但由此产生的解决方案往往复杂且不适用于实际应用。为弥补这一不足，本文提出了一种动态转换-近端策略优化（DT-PPO）网络，用于机械设备的预测性维护。该框架处理包含不同尺度退化信息的多传感器数据，并能将初始设备状态准确转化为信念状态，从而支持实时维护决策。首先，构建了一个状态转换网络（TransStateNet），作为深度自编码器，用于选择性提取不同尺度的多传感器特征并输出信念状态。其次，设计了基于信念状态的DT-PPO架构，以制定维护策略，包括备件订购和停机计划。最后，将s-g策略整合到DT-PPO中，以指导动作选择，同时状态滑动窗口处理多传感器序列数据，以降低动作空间的不确定性，增强维护策略的鲁棒性。与基准策略的实验对比验证了所提出框架的优越性。
Keyword:
Dynamic transiting
Real-time decision making
Multi-sensor fusion
Proximal strategy optimization
Predictive maintenance
期刊
R
IF:
11
论文数:
9.0K
被引数:
4.2W
机构
引用论文
.png){kind=icon}
分享收藏TbDd: A new trust-based, DRL-driven framework for blockchain sharding in IoTTbDd：一种基于信任、由DRL驱动的区块链分片在物联网中的新框架
OAAI
OAAI分享收藏Bayesian active learning line sampling with log-normal process for rare-event probability estimation具有对数正态过程的贝叶斯主动学习线采样，用于稀有事件概率估计OAAI
OAAI分享收藏Reinforcement learning-driven maintenance strategy: A novel solution for long-term aircraft maintenance decision optimization强化学习驱动的维修策略: 飞机长期维修决策优化的新解决方案
PREAI
分享收藏分享收藏
查看更多内容