基于可解释隐马尔可夫模型的深度强化学习分层框架用于涡扇发动机预测性维护
机器学习
2023-01-12 v2 人工智能
摘要
深度强化学习中的一个开放性研究问题是如何在稀疏领域中聚焦关键决策的策略学习。本文强调结合输入-输出隐马尔可夫模型与强化学习的优势，以实现可解释的维护决策。我们提出了一种新颖的分层建模方法，在高层检测并解释涡扇发动机的故障根本原因及健康退化，同时在低层提供最优更换策略。其性能优于直接应用于原始数据的深度强化学习方法，以及未采用此类专门分层的隐马尔可夫模型。它也与先前工作性能相当，但具有可解释性的额外优势。
引用
@article{arxiv.2206.13433,
title = {Interpretable Hidden Markov Model-Based Deep Reinforcement Learning Hierarchical Framework for Predictive Maintenance of Turbofan Engines},
author = {Ammar N. Abbas and Georgios Chasparis and John D. Kelleher},
journal= {arXiv preprint arXiv:2206.13433},
year = {2023}
}