面向智能制造预测性维护的集成FNO-DAE-GNN-PPO MDP框架
机器学习
2025-11-11 v1 计算工程、金融与科学
摘要
在智能制造时代，预测性维护（PdM）在提高设备可靠性和降低运营成本方面发挥着关键作用。本文提出一种新颖的马尔可夫决策过程（MDP）框架，集成先进的软计算技术——傅里叶神经算子（FNO）、去噪自编码器（DAE）、图神经网络（GNN）和近端策略优化（PPO）——以解决复杂制造系统中预测性维护的多维挑战。具体而言，该框架创新性地将FNO的强大频率域表示能力与捕获高维时序模式相结合；DAE实现对复杂非高斯传感器数据的稳健、抗噪声潜在状态嵌入；GNN准确地表示设备之间的相互依赖关系，以实现协调的系统级维护决策。此外，通过利用PPO，框架确保对长期维护策略的稳定、高效优化，以有效处理不确定性和非平稳动态。实验验证表明，该方法在多个深度学习基准模型中显著优于表现，最高可实现13%的成本降低，同时表现出强大的收敛性和模块间协同作用。该框架在通过数据驱动策略有效减少停机时间和运营费用方面具有重要的工业潜力。
引用
@article{arxiv.2511.05594,
title = {Optimizing Predictive Maintenance in Intelligent Manufacturing: An Integrated FNO-DAE-GNN-PPO MDP Framework},
author = {Shiqing Qiu},
journal= {arXiv preprint arXiv:2511.05594},
year = {2025}
}