道路路段推荐维护的决策框架
结合经典因果结构模型和潜在结果模型框架,提出了一种新的因果推断方法,评估了五年维护期间四种预防性维护措施对纵向龟裂的长期效果,结果显示该方法能准确评估维护措施的效果并评估维护时间以保证不同的预防性维护方法的功能性能。该框架可帮助政策制定者制定适当的道路维护策略。
May, 2024
为应对气候现象引起的基础设施风险,提出了一种基于技术的自适应决策支持系统(TDADSS-IPM),采用贝叶斯信念网络(BBN)实现丹麦道路状况的实际情况。
May, 2023
通过评估现有的预测性维护方法并提出创新性框架,本研究介绍一种基于人工智能和工业互联网的智能化维护框架,包括概率可靠性建模和深度学习等最新机器学习算法,并利用涡轮风扇引擎退化数据集验证了新颖的概率深度学习可靠性建模方法。
Sep, 2020
在计算连续体系统中,维护领域正随着人工智能(AI)的整合而快速发展。本文重点调查了计算连续体中预测性维护(Pd.M.)的当前状态,并注重可扩展 AI 技术的结合。通过综合研究领域内最新进展的发现,本文提供了实施基于 AI 的预测性维护的效果和挑战的见解,强调了在 AI 时代需要继续研究和发展更智能、高效和经济的维护解决方案的趋势。
Apr, 2024
本文提出了一种面向环境退化的工程系统的决策算法框架,通过部分可观察性马尔可夫决策过程来处理决策问题,采用深度去中心化多智能体演员 - 评论家强化学习方法对其进行优化,在工程领域实验表明,DDMAC 策略较之现状启发式方法提供了实质性的优势,并且 DDMAC 策略已内在地考虑了系统效应。
Sep, 2022
本文提出了一种分布式决策方法,用于制造任务分配和基于条件的机器健康维护,并基于马尔可夫决策过程设计决策代理,以处理决策过程中涉及的不确定性。通过数值案例研究,证明该方法具有灵活性和实用性,并可以用人工智能学习成本参数。
Jan, 2024
本文通过系统架构、目标和方法等方面,全面综述了预测性维护(PdM),并从知识、传统机器学习(ML)和 DL 等三个主要方面分类回顾了 PdM 系统中的故障诊断和预测方法,提出了重要的未来研究方向和目标。
Dec, 2019
鉴于近年来电动自行车与机械自行车的增加,本研究旨在开发一种全面了解移动动态的方法,区分不同的移动方式,并引入一种专为自行车量身定制的新型预测性维护系统。通过利用巴塞罗那的自行车共享系统 Bicing 的行程信息和维护数据,本研究对移动模式及其与自行车部件故障之间的关系进行了广泛分析,并应用了统计和机器学习生存模型来准确预测自行车的维护需求。
Apr, 2024