論文の概要: An Offline Deep Reinforcement Learning for Maintenance Decision-Making
- arxiv url: http://arxiv.org/abs/2109.15050v1
- Date: Tue, 28 Sep 2021 03:40:55 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-01 15:05:06.077760
- Title: An Offline Deep Reinforcement Learning for Maintenance Decision-Making
- Title(参考訳): メンテナンス意思決定のためのオフライン深部強化学習
- Authors: Hamed Khorasgani, Haiyan Wang, Chetan Gupta, and Ahmed Farahat
- Abstract要約: オフライン教師付き深層強化学習に基づく保守フレームワークを提案する。
オフライン強化学習を用いることで、履歴データから最適なメンテナンスポリシーを学習することができる。
- 参考スコア(独自算出の注目度): 10.244120641608447
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Several machine learning and deep learning frameworks have been proposed to
solve remaining useful life estimation and failure prediction problems in
recent years. Having access to the remaining useful life estimation or
likelihood of failure in near future helps operators to assess the operating
conditions and, therefore, provides better opportunities for sound repair and
maintenance decisions. However, many operators believe remaining useful life
estimation and failure prediction solutions are incomplete answers to the
maintenance challenge. They argue that knowing the likelihood of failure in the
future is not enough to make maintenance decisions that minimize costs and keep
the operators safe. In this paper, we present a maintenance framework based on
offline supervised deep reinforcement learning that instead of providing
information such as likelihood of failure, suggests actions such as
"continuation of the operation" or "the visitation of the repair shop" to the
operators in order to maximize the overall profit. Using offline reinforcement
learning makes it possible to learn the optimum maintenance policy from
historical data without relying on expensive simulators. We demonstrate the
application of our solution in a case study using the NASA C-MAPSS dataset.
- Abstract(参考訳): 近年,生活予測や失敗予測の問題に対処するために,機械学習とディープラーニングのフレームワークがいくつか提案されている。
近い将来、有用な寿命推定や故障の可能性にアクセスできることは、オペレーターが運用状況を評価するのに役立つため、健全な修理とメンテナンスの決定により良い機会を提供する。
しかし、多くのオペレーターは、有用な寿命推定と故障予測ソリューションがメンテナンスの課題に対する不完全な答えであると信じている。
彼らは、将来失敗の可能性を知ることは、コストを最小化し、オペレータを安全に保つ保守的判断に十分ではないと主張している。
本稿では,オフライン教師付き深層強化学習に基づくメンテナンスフレームワークを提案する。失敗の可能性などの情報を提供する代わりに,運用者への「継続」や「修理店の訪問」といった動作を提案することにより,全体の利益を最大化する。
オフライン強化学習を使用することで、高価なシミュレーターに頼ることなく、履歴データから最適なメンテナンスポリシーを学習することができる。
我々は,NASA C-MAPSSデータセットを用いたケーススタディにおいて,本手法の適用例を示した。
関連論文リスト
- Towards Robust Continual Learning with Bayesian Adaptive Moment Regularization [51.34904967046097]
継続的な学習は、モデルが以前に学習した情報を忘れてしまう破滅的な忘れ込みの課題を克服しようとする。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れを減らし,新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-15T17:10:51Z) - Bayesian Inverse Transition Learning for Offline Settings [30.10905852013852]
強化学習は、医療や教育などの領域におけるシーケンシャルな意思決定に一般的に用いられる。
我々は、遷移力学の後方分布を確実に学習するために、デシダラタを捕捉する新しい制約ベースのアプローチを提案する。
その結果、制約を用いることで、高いパフォーマンスのポリシーを学習し、異なるデータセットに対するポリシーのばらつきを著しく低減することを示した。
論文 参考訳(メタデータ) (2023-08-09T17:08:29Z) - Reinforcement and Deep Reinforcement Learning-based Solutions for
Machine Maintenance Planning, Scheduling Policies, and Optimization [1.6447597767676658]
本稿では,保守計画と最適化問題に対する強化学習と深部強化学習の応用に関する文献的考察を行う。
システムやマシンの状態監視データを強化学習に活用することにより、スマートメンテナンスプランナを開発することができ、スマートファクトリの実現の先駆けとなる。
論文 参考訳(メタデータ) (2023-07-07T22:47:29Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳(メタデータ) (2023-06-04T18:14:18Z) - Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。
本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
論文 参考訳(メタデータ) (2023-05-18T04:03:51Z) - Prescriptive maintenance with causal machine learning [4.169130102668252]
同様のマシン上での観測データから,保守条件が機械特性に与える影響を学習する。
産業パートナーから4000以上の保守契約に関する実生活データを用いて,提案手法を検証した。
論文 参考訳(メタデータ) (2022-06-03T13:35:57Z) - Predictive Maintenance using Machine Learning [0.0]
予測保守(PdM)は、資産の保守計画を効果的に管理するために実施される。
データは一定期間にわたって収集され、機器の状態を監視する。
論文 参考訳(メタデータ) (2022-05-19T09:05:37Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳(メタデータ) (2021-04-08T08:50:44Z) - VisioRed: A Visualisation Tool for Interpretable Predictive Maintenance [5.845912816093006]
マシンラーニングを使用すると、予測および規範的なメンテナンスがシステム障害を予測および防止する。
本稿では,時系列データに基づく予測保守モデルから得られた情報を表示するための解釈を組み込んだ可視化ツールを提案する。
論文 参考訳(メタデータ) (2021-03-31T11:35:51Z) - Right Decisions from Wrong Predictions: A Mechanism Design Alternative
to Individual Calibration [107.15813002403905]
意思決定者は、しばしば不完全な確率予測に頼る必要がある。
本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。
本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
論文 参考訳(メタデータ) (2020-11-15T08:22:39Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-05-09T05:57:43Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。