arXiv cs.AI· Zhuojun Xie, Adam Abdin, Yiping Fang·· 12 小时前AI 评分26
数据驱动的维护优化：让预测性学习对齐决策目标
Data-Driven Maintenance Optimization: Aligning Prognostic Learning with Decision Objective
AI 导读
研究提出 Integrated Estimate-Optimize（IEO）框架，直接以维护成本作为预测性学习目标，绕过 KL 散度、均方误差等替代性统计精度指标，并证明其在 i.i.d. 与滑动窗口数据生成过程下的样本外性能保证。
正文 · AI 翻译
摘要：机器学习预测模型中的估计误差会传播，导致不良的维护决策。我们研究一个数据驱动的预测性维护问题，将健康状态估计与联合订货-更换模型耦合。我们证明，对于一大类此类问题，传统的“先估计后优化”（ETO）方法会产生不一致的次优决策。为弥合这一差距，我们提出一个“集成估计-优化”（IEO）框架，直接将维护成本作为预测学习目标，绕过诸如 Kullback--Leibler 散度或均方误差等替代性统计精度指标。在理论上，我们证明了 IEO 框架在一定条件下的样本外性能保证，包括独立同分布和滑动窗口数据生成过程。在计算上，我们开发了一种训练流程，结合 Monte Carlo dropout、中心差分梯度近似和 ETO 热启动，以处理离散维护决策和非线性成本。在四个 CMAPSS 子集上的实验表明，在标称设置下，IEO 相对于 ETO 将平均维护成本降低 14.8--22.7%，相对于面向决策的基线降低 7.2--11.8%，同时还降低了故障率和成本波动。这些改进是在预测误差更高的情况下获得的。提高非计划停机成本与计划停机成本之比会使这种权衡更加明显：IEO 将预测进一步转向 RUL 低估，同时带来更大的成本节约和更少的故障。这些发现支持在必须由不完美预测指导决策且非计划停机代价高昂的情况下，将预测学习与维护目标对齐。
| 主题： | 人工智能（cs.AI）；优化与控制（math.OC） |
| 引用为： | arXiv:2506.19698 [cs.AI] |
| （或 arXiv:2506.19698v2 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2506.19698 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Zhuojun Xie [查看电子邮件]
[v1]
2025年6月24日星期二 15:10:15 UTC（588 KB）
[v2]
2026年10月26日星期一 19:57:27 UTC（457 KB）
来源：arXiv cs.AI · arxiv.org