Jan, 2024

使用马尔可夫决策过程优化工业机器的任务分配和预测维护

PDF
TL;DR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。
发现论文，激发创造
  • 发展中国家制造业员工基于 AI 的安全系统

    使用基于马尔可夫决策过程（MDP）的算法作为工业物联网（IIoT）中的安全合规层，以应对人机交互的健康危害问题，并使用迁移学习的概念适应新变化的系统。

    Nov, 2018

  • 有限资源环境下自动机器状态监测和维护系统的设计与实现

    在本研究中，通过开发成本有效的数据采集系统（DAS），结合小波、微分计算和信号处理的概念，开发了一种特征工程和数据缩减方法，然后提出了在开发预测模型时需要考虑的所有必要理论和实践因素。DAS 在与专业手动监测系统相比的准确率达到了 89%，在预测过程中，SVM 和 NN 的准确率超过了 95%，在测试新样本时达到了 100%。此研究的结果可立即应用于中小型工业领域，以发现其他问题并相应地进行发展，对于自动化故障检测与诊断领域具有重要意义。

    Jan, 2024

  • 机器维护规划、调度政策和优化的强化学习和深度强化学习解决方案

    该论文综述了强化学习和深度强化学习在维护计划和优化问题上的应用，介绍了利用条件监控数据和强化学习开发智能维护规划者的方法，以及该领域的研究差距、关键见解和未来工作领域。

    Jul, 2023

  • 基于贝叶斯网络和深度强化学习的具有概率依赖性的退化系统的推断和动态决策

    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

  • 基于贝叶斯决策和 POMDP 的模型不确定性下的鲁棒维护计划，以铁路系统为例

    该论文提出了一种使用 POMDP 模型进行基础设施维护规划的方法，通过使用 MCMC 采样来从实际监控数据中直接估计模型参数并解决模型不确定性问题，最终成功地应用于铁路轨道资产的维护规划。

    Dec, 2022

  • 机器人装配及其他试错任务的最优决策

    通过机器学习中的失效预测和可重新启动的策略来降低机器人完成任务的时间和提高其行为表现。

    Jan, 2023

  • 预防性维护调查：系统、目的和方法

    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

  • 一种用于模拟临床决策的人工智能框架：马尔可夫决策过程方法

    为了应对医疗保健系统的成本和复杂度飞速增长、治疗方案不断增多以及信息传达不畅等问题，本文提出了一个通用的计算机 / 人工智能（AI）框架。 该框架结合了马尔可夫决策过程和动态决策网络，从临床数据中学习并制定综合的多方案规划，以优化患者治疗方案和促进患者康复，相较传统医疗保健方式大幅提高了患者康复率并降低了治疗成本。

    Jan, 2013

  • 钢铁业预测性维护的人工智能方法：调查

    基于人工智能的预测性维护对钢铁行业具有重要意义，通过使用来自工业传感器的数据，可以提高操作效率、减少停机时间、延长设备寿命并预防故障。调查与钢铁行业中基于人工智能的预测性维护相关的文章，研究设备和设施，确定常见的预测性维护方法，并了解使用这些解决方案开发的人工智能方法的趋势。最主要的挑战包括将提出的方法应用于生产环境、将其纳入维护计划中，并提高研究的可访问性和可复现性。

    May, 2024

  • 可解释性预测性决策挖掘用于运营支持

    本文研究了决策点挖掘技术在流程挖掘中的应用，提出了一种结合机器学习算法的决策预测方法，利用 SHAP 值提供决策的解释，进而增强了操作支持的能力，并通过 Web 应用程序进行了实现和评估。

    Oct, 2022