面向边缘传感器网络的预测性维护:一种深度强化学习方法
机器学习
2020-07-08 v1 人工智能
机器学习
摘要
关键任务设备的故障会中断生产并造成经济损失。通过对创收资产进行预测性维护,可最小化非计划设备停机的风险,以确保设备的最佳性能和安全运行。然而,设备传感器化的增加产生了数据洪流,现有的仅基于机器学习的预测模型不足以及时进行设备状态预测。本文提出了一种无模型的深度强化学习算法,用于基于设备传感器网络环境的设备预测性维护。在每个设备内,传感器设备聚合原始传感器数据,并分析设备健康状态以发现异常事件。与传统的黑盒回归模型不同,所提算法自学习最优维护策略,并为每台设备提供可操作的建议。我们的实验结果展示了该自动学习框架在更广泛设备维护应用中的潜力。
引用
@article{arxiv.2007.03313,
title = {Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach},
author = {Kevin Shen Hoong Ong and Dusit Niyato and Chau Yuen},
journal= {arXiv preprint arXiv:2007.03313},
year = {2020}
}
备注
6 pages, 5 figures, accepted in IEEE WF-IoT 2020