بهینه سازی پویا در نگهداری تجهیزات صنعتی با الگوریتمهای یادگیری تقویتی عمیق

در این پژوهش چارچوبی هوشمند برای بهینه سازی زمان بندی نگهداری تجهیزات صنعتی ارائه می شود که از الگوریتم های تقویتی (Actor-Critic (A۲C و (Proximal Policy Optimization (PPO بهره می گیرد. هدف کاهش هزینه های کل و افزایش قابلیت اطمینان سیستم در محیط های پویا و نامطمئن است. ابتدا مدل تصمیم گیری نگهداری به صورت یک فرآیند تصمیم مارکوف فرموله شد و سپس با استفاده از الگوریتم های A۲C و PPO، سیاست های بهینه برای تصمیم گیری تعمیر یا تعویض استخراج گردید. نتایج شبیه سازی ها نشان می دهد که الگوریتم PPO عملکرد پایدارتر و همگرایی سریع تری نسبت به A۲C دارد. یافته ها اثر بخشی روش های یادگیری تقویتی در حوزه نگهداری پیشگویانه را تایید می کند.

کلیدواژه ها:

یادگیری تقویتی ، نگهداری پیشگویانه ، A۲C ، PPO