用于维护恶化系统的强化学习智能体：逐渐变差的维修
机器学习
2025-05-28 v1 最优化与控制
摘要
高效维护始终是工程系统成功应用的关键。然而，面对 Industry 4.0 的实施挑战，维护优化需要新的范式。机器学习技术正越来越多地被应用于工程和维护领域，其中强化学习是最具前景的技术之一。本文提出了一种伽马退化过程模型，并构建了一个修复效果逐渐变差的维护模型，即系统修复的积极影响随着修复次数的增加而减弱，反映真实系统的退化行为。为生成该系统的维护策略，我们开发了一个基于双深度Q网络架构的强化学习智能体。该智能体具有两个重要优势：无需预定义的预防性阈值，能够在连续的退化状态空间中运行。我们的智能体在不同情景下学习行为，显示出很大的灵活性。此外，我们分析了环境主要参数变化如何影响智能体提出的维护策略。实验结果表明，所提出的方法有效且显著优于其他常见维护策略，在长期成本方面表现更佳。
引用
@article{arxiv.2505.20725,
title = {A reinforcement learning agent for maintenance of deteriorating systems with increasingly imperfect repairs},
author = {Alberto Pliego Marugán and Jesús M. Pinar-Pérez and Fausto Pedro García Márquez},
journal= {arXiv preprint arXiv:2505.20725},
year = {2025}
}
备注
Cite as: Marug\'an, A. P., Pinar-P\'erez, J. M., & M\'arquez, F. P. G. (2024). A reinforcement learning agent for maintenance of deteriorating systems with increasingly imperfect repairs. Reliability Engineering & System Safety, 252, 110466