Smart Maintenance Optimization for Large Scale Parallel Systems Using Deep Reinforcement Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In today's era of Industry 4.0, with the unprecedented availability of data and advancements in technology, it is imperative to adopt smart and dynamic maintenance scheduling, especially for large-scale systems, to harness optimal operational efficiency. In this regard, this article presents a machine learning-based maintenance decision-making framework for multiunit systems. Specifically, we apply deep reinforcement learning (DRL) to a dynamic maintenance model designed for a multiunit parallel system subject to stochastic degradation and random failures. Each unit deteriorates independently through a three-state homogeneous Markov process, transitioning between healthy, unhealthy, or failed states. We define the overall system state by combining individual component states and model their interactions using the bivariate birth/birth–death process. To minimize costs, we use the Markov decision process framework to solve the optimal maintenance policy. We evaluate and compare advanced DRL methods, including proximal policy optimization (PPO) and double deep Q-networks (DDQN), against several baseline approaches. The results show that PPO consistently outperforms all methods, providing the most effective and reliable maintenance strategies. While DDQN performs better than some baseline methods, it occasionally falls short compared to others. These findings highlight the strengths and limitations of different reinforcement learning techniques in determining optimal maintenance policies. In addition, we provide a numerical example that illustrates the use of reinforcement learning methods in a practical scenario, emphasizing the scalability and efficiency of our proposed framework for large-scale systems. Our results show exemplary performance in optimizing maintenance strategies and contribute to the advancement of smart maintenance solutions for complex industrial systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle