.png){kind=icon}
返回
Smart Maintenance Optimization for Large Scale Parallel Systems Using Deep Reinforcement Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TR.2025.3639363.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在工业4.0时代，随着数据的空前可用性和技术的进步，采用智能动态维护调度已成为必要，尤其是对于大型系统，以实现最佳运行效率。为此，本文提出了一种基于机器学习的多单元系统维护决策框架。具体而言，我们将深度强化学习（DRL）应用于一个针对受随机劣化和随机故障影响的并行多单元系统的动态维护模型。每个单元通过三状态齐次马尔可夫过程独立劣化，在健康、不健康或故障状态之间转换。我们通过组合各组件状态来定义整体系统状态，并利用二元生灭/生灭过程建模其相互作用。为最小化成本，我们采用马尔可夫决策过程框架求解最优维护策略。我们评估并比较了高级DRL方法，包括近端策略优化（PPO）和双重深度Q网络（DDQN），与几种基线方法进行了对比。结果表明，PPO持续优于所有方法，提供了最有效和可靠的维护策略。尽管DDQN优于某些基线方法，但有时不如其他方法。这些发现突显了不同强化学习技术在确定最优维护策略方面的优势和局限性。此外，我们提供了一个数值示例，说明强化学习方法在实际场景中的应用，强调了我们提出的框架对于大型系统的可扩展性和效率。我们的结果表明，在优化维护策略方面表现出色，为复杂工业系统的智能维护解决方案的进步做出了贡献。
Keyword:
Deep reinforcement learning (DRL)
dynamic maintenance
machine learning
manufacturing parallel systems
Markov decision process (MDP)
期刊
IF:
5.7
论文数:
2.8K
被引数:
8.5K
机构
引用论文
分享收藏Reinforcement Learning-Based and Parametric Production-Maintenance Control Policies for a Deteriorating Manufacturing System.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
Deep multi-agent reinforcement learning for multi-level preventive maintenance in manufacturing systems面向制造系统多级预防性维护的深度多智能体强化学习
PREAI
分享收藏
查看更多内容