基于分布鲁棒方法的数据驱动维护与备件供应联合优化
最优化与控制
2025-07-14 v1
摘要
本文研究了结合传感器数据所获取的见解，对基于条件的维护和备件供应的联合优化。诊断模型估计组件的剩余寿命分布（RLDs），这些分布被整合到优化模型中，以协调维护和备件供应。已有文献解决这一问题的假设是诊断模型提供准确的RLD估计，从而允许直接采用随机编程或马尔可夫决策过程方法。然而，这一假设在实际中常不成立，因为估计的分布可能因噪声传感器或训练数据稀缺而不准确。为解决这一问题，我们开发了考虑一般不确定性基准模糊集的分布鲁棒机会约束（DRCC）模型。 proposed方法论允许一种混合整数线性规划（MILP）重构，其中提供了明确公式以简化一般不确定性基准模糊集。最后，对于数值示例，我们测试了类型 Wasserstein模糊集，并推导出MILP重构的参数的闭式表达式。我们的方法在风力发电机案例研究中得到验证，其中提出的DRCC模型在基于随机编程和鲁棒优化的其他基准中性能更优。
关键词
引用
@article{arxiv.2507.08174,
title = {Data-driven joint optimization of maintenance and spare parts provisioning: A distributionally robust approach},
author = {Heraldo Rozas and Weijun Xie and Nagi Gebraeel and Stephen Robinson},
journal= {arXiv preprint arXiv:2507.08174},
year = {2025}
}