面向决策导向的 prognostics：面向预测性维护的集成估计-优化框架

近期研究越来越多地将机器学习（ML）集成到预测性维护（PdM）中，以减少数据丰富的运营环境中的运营和维护成本。然而，由于模型误指定性，uncertainty 仍限制了其在工业中的广泛采用。本文提出一种 PdM 框架，其中由传感器驱动的 prognostics 用于在有限决策空间内进行经济权衡下的决策。我们研究了两个关键问题：（1）更高的预测准确性是否必然导致更好的维护决策？（2）如果不是，则如何减轻预测误差对下游维护决策的影响？我们首先演示，在传统的 estimate-then-optimize（ETO）框架中，概率性预测误差会导致不一致和次优的维护决策。为此，我们提出一种集成 estimate-optimize（IEO）框架，联合调优预测模型，同时直接优化维护结果。我们在标准假设下建立了决策一致性的有限样本保证。具体而言，我们开发了适用于小型 run-to-failure 数据集的随机扰动梯度下降算法。对 turbofan 维护案例进行经验评估表明，IEO 框架较 ETO 降低了最高达 22% 的平均维护后悔。本研究提供了一种原则方法，用于管理数据驱动 PdM 中的预测误差。通过将 prognostic 模型训练与维护目标对齐，IEO 框架在模型误指定性下提高了鲁棒性并提高了决策质量。当决策-making 策略与 decision-maker 的目标不一致时，改进尤为显著。这些发现支持不确定运营环境中更可靠的维护计划。