Optimal data pooling for shared learning in maintenance operations

要約

私たちは、状態ベースのメンテナンスとスペアパーツ管理という 2 つの一般的なメンテナンス作業における共有学習のための最適なデータ プーリングを研究しています。
事前に未知の速度を介して結合される、ポアソン入力 (劣化または需要プロセス) の影響を受ける一連のシステムを考慮します。
これらのシステムに関係する意思決定問題は高次元のマルコフ意思決定プロセス (MDP) であるため、解決が難しいことで知られています。
我々は、このような MDP を 2 次元 MDP に還元し、構造解析と計算を可能にする分解結果を提示します。
この分解を利用して、(i) データをプーリングすると、プーリングしない場合と比較して大幅なコスト削減につながる可能性があることを示し、(ii) 状態ベースの保守問題に対する最適なポリシーは管理限界ポリシーであるのに対し、スペア部品については最適なポリシーであることを示します。
管理上の問題は、オーダーアップツーレベルのポリシーであり、どちらもプールされたデータに依存します。

要約(オリジナル)

We study optimal data pooling for shared learning in two common maintenance operations: condition-based maintenance and spare parts management. We consider a set of systems subject to Poisson input — the degradation or demand process — that are coupled through an a-priori unknown rate. Decision problems involving these systems are high-dimensional Markov decision processes (MDPs) and hence notoriously difficult to solve. We present a decomposition result that reduces such an MDP to two-dimensional MDPs, enabling structural analyses and computations. Leveraging this decomposition, we (i) demonstrate that pooling data can lead to significant cost reductions compared to not pooling, and (ii) show that the optimal policy for the condition-based maintenance problem is a control limit policy, while for the spare parts management problem, it is an order-up-to level policy, both dependent on the pooled data.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google