基于分布式强化学习的多泵设备条件维护
机器学习
2026-02-03 v1
摘要
条件维护 (CBM) 标志着从被动式转向主动式设备管理策略的范式变革，广泛应用于现代工业系统。传统的时间基维护计划常常导致不必要的支出和意外设备故障。相比之下，CBM 利用实时设备条件数据来提高维护时机并优化资源配置。本文提出一种用于多设备 CBM 的新型分布式强化学习方法，采用带有衰减因子集成的分位回归深度 Q 网络 (QR-DQN)。本研究的方法包括通过三种战略情景同时管理多个泵单元的实施。安全优先、平衡和成本高效三种方法的实施至关重要。基于 3000 次训练周期的综合实验验证显示，所有策略都实现了显著的性能提升。安全优先策略表现出卓越的成本效益，投资回报率 (ROI) 为 3.91，性能优于其他策略 152%，仅需 31% 的更高投资。该系统实现了 95.66% 的运行稳定性，即可直接应用于工业环境。
引用
@article{arxiv.2602.00051,
title = {Distributional Reinforcement Learning for Condition-Based Maintenance of Multi-Pump Equipment},
author = {Takato Yasuno},
journal= {arXiv preprint arXiv:2602.00051},
year = {2026}
}
备注
15 pages, 15 figures