一种用于维护决策的离线深度强化学习框架
机器学习
2021-10-01 v1 人工智能
摘要
近年来，已有若干机器学习和深度学习框架被提出，用于解决剩余使用寿命估计与故障预测问题。获知剩余使用寿命估计或近期故障可能性，有助于操作员评估运行状态，从而为合理的维修与维护决策提供更好契机。然而，许多操作员认为剩余使用寿命估计与故障预测方案对维护挑战而言是不完整的答案。他们指出，仅知未来故障可能性不足以制定使成本最小化并保障操作员安全的维护决策。本文提出一种基于离线监督深度强化学习的维护框架，该框架不提供如故障可能性等信息，而是向操作员建议诸如“继续运行”或“前往维修站”等动作，以最大化整体收益。使用离线强化学习可从历史数据中学习最优维护策略，而无需依赖昂贵的模拟器。我们使用 NASA C-MAPSS 数据集在案例研究中展示了该方案的应用。
引用
@article{arxiv.2109.15050,
title = {An Offline Deep Reinforcement Learning for Maintenance Decision-Making},
author = {Hamed Khorasgani and Haiyan Wang and Chetan Gupta and Ahmed Farahat},
journal= {arXiv preprint arXiv:2109.15050},
year = {2021}
}