論文の概要: Reinforcement and Deep Reinforcement Learning-based Solutions for
Machine Maintenance Planning, Scheduling Policies, and Optimization
- arxiv url: http://arxiv.org/abs/2307.03860v1
- Date: Fri, 7 Jul 2023 22:47:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 17:09:04.549033
- Title: Reinforcement and Deep Reinforcement Learning-based Solutions for
Machine Maintenance Planning, Scheduling Policies, and Optimization
- Title（参考訳）: 機械メンテナンス計画・スケジューリング方針・最適化のための強化・深層強化学習型ソリューション
- Authors: Oluwaseyi Ogunfowora and Homayoun Najjaran
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.6447597767676658
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Systems and machines undergo various failure modes that result in machine
health degradation, so maintenance actions are required to restore them back to
a state where they can perform their expected functions. Since maintenance
tasks are inevitable, maintenance planning is essential to ensure the smooth
operations of the production system and other industries at large. Maintenance
planning is a decision-making problem that aims at developing optimum
maintenance policies and plans that help reduces maintenance costs, extend
asset life, maximize their availability, and ultimately ensure workplace
safety. Reinforcement learning is a data-driven decision-making algorithm that
has been increasingly applied to develop dynamic maintenance plans while
leveraging the continuous information from condition monitoring of the system
and machine states. By leveraging the condition monitoring data of systems and
machines with reinforcement learning, smart maintenance planners can be
developed, which is a precursor to achieving a smart factory. This paper
presents a literature review on the applications of reinforcement and deep
reinforcement learning for maintenance planning and optimization problems. To
capture the common ideas without losing touch with the uniqueness of each
publication, taxonomies used to categorize the systems were developed, and
reviewed publications were highlighted, classified, and summarized based on
these taxonomies. Adopted methodologies, findings, and well-defined
interpretations of the reviewed studies were summarized in graphical and
tabular representations to maximize the utility of the work for both
researchers and practitioners. This work also highlights the research gaps, key
insights from the literature, and areas for future work.
- Abstract（参考訳）: システムとマシンは、マシンの健康を損なう様々な障害モードに陥るため、保守動作は、期待される機能を実行できる状態に戻さなければならない。
保守作業は避けられないため、生産システムや他の産業の円滑な運用を確保するためには、保守計画が不可欠である。
メンテナンス計画とは、メンテナンスコストの削減、資産寿命の延長、可用性の最大化、そして最終的には職場の安全を確保するための、最適なメンテナンス方針と計画を策定することを目的とした意思決定問題である。
強化学習(Reinforcement learning)は、動的メンテナンス計画の開発に、システムとマシン状態の状態監視から連続的な情報を活用するデータ駆動意思決定アルゴリズムである。
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。
本稿では,メンテナンス計画と最適化問題に対する強化・深層強化学習の応用に関する文献レビューを行う。
各刊行物の独特性を損なうことなく共通概念を捉え、分類する分類学が発展し、これらの分類学に基づいてレビューされた刊行物が強調され、分類され、要約された。
評価された研究の方法論、発見、そして明確に定義された解釈は、研究者と実践者の両方にとっての作業の有用性を最大化するために、グラフィカルおよび表象表現で要約された。
この研究は、研究のギャップ、文学からの鍵となる洞察、将来の仕事の領域も強調する。
関連論文リスト
- LLM-R: A Framework for Domain-Adaptive Maintenance Scheme Generation Combining Hierarchical Agents and RAG [7.864939415613373]
本稿では,大規模言語モデル(LLM-R)に基づくメンテナンススキーム生成手法を提案する。
提案手法にはいくつかの重要な革新が含まれている。
実験の結果,提案手法が生成したメンテナンス方式の精度は91.59%に達した。
論文 参考訳（メタデータ） (2024-11-07T07:07:34Z) - Charting a Path to Efficient Onboarding: The Role of Software
Visualization [49.1574468325115]
本研究は,ソフトウェアビジュアライゼーションツールを用いたマネージャ,リーダ,開発者の親しみやすさを探求することを目的としている。
本手法は, 質問紙調査と半構造化面接を用いて, 実践者から収集したデータの量的, 質的分析を取り入れた。
論文 参考訳（メタデータ） (2024-01-17T21:30:45Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - Learning Goal-Conditioned Policies Offline with Self-Supervised Reward
Shaping [94.89128390954572]
本稿では,モデルの構造と力学を理解するために,事前収集したデータセット上に,新たな自己教師型学習フェーズを提案する。
提案手法を3つの連続制御タスクで評価し,既存手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-01-05T15:07:10Z) - An Offline Deep Reinforcement Learning for Maintenance Decision-Making [10.244120641608447]
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。
論文 参考訳（メタデータ） (2021-09-28T03:40:55Z) - Reinforcement Learning based Condition-oriented Maintenance Scheduling
for Flow Line Systems [31.64715462538063]
本稿では,フローラインシステムにおける条件指向型メンテナンススケジューリングのための深層強化学習手法を提案する。
報酬モデリングに基づいて、異なるポリシーを学習し、分析し、ベンチマークのスケジューリングに対して評価する。
学習方針の評価は、強化学習に基づくメンテナンス戦略が提示されたユースケースの要件を満たすことを示し、店舗フロアでのメンテナンススケジューリングに適していることを示している。
論文 参考訳（メタデータ） (2021-08-27T14:21:07Z) - 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) - A Cognitive Approach based on the Actionable Knowledge Graph for
supporting Maintenance Operations [3.3198770589233284]
本研究では,過去の介入から学び,保守実践を改善するためのコンテキストレコメンデーションを生成する認知システムを提案する。
このシステムは、これらの目的を達成するために、形式的な概念モデル、漸進学習、ランキングアルゴリズムを使用する。
論文 参考訳（メタデータ） (2020-11-18T21:53:00Z) - Monitoring and explainability of models in production [58.720142291102135]
デプロイされたモデルを監視することは、高品質の機械学習対応サービスの継続的なプロビジョニングに不可欠である。
これらの領域でソリューションの実装を成功させる上での課題を,オープンソースツールを使用した本番環境対応ソリューションの最近の例で論じる。
論文 参考訳（メタデータ） (2020-07-13T10:37:05Z) - Predictive Maintenance for Edge-Based Sensor Networks: A Deep
Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。
機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。
従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文 参考訳（メタデータ） (2020-07-07T10:00:32Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。