基于本体论的云动态贝叶斯网络模型与深度强化学习相结合，用于动态维护决策制定

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Ontology-driven cloud dynamic Bayesian network model integrated with deep reinforcement learning for dynamic maintenance decision-making

　　

Xu An|Dong Zhou|Ziyue Guo|Huixing Meng|Chen Lu

摘要

工程系统的维护决策效果受到设备实际状态及其相应的退化机制和故障模式的影响。时间变化的退化状态的不可预测性，加上潜在风险引发的故障依赖性不确定性，显著影响了与维护相关的决策。本文通过考虑设备状态的空间变异性以及动态风险条件下的故障依赖性的随机演变，提出了一种基于本体驱动的云动态贝叶斯网络（DBN）模型和深度强化学习（DRL）的动态维护决策模型。首先，为了明确建模设备故障的复杂依赖性和潜在原因，通过构建包含层次结构、属性和故障模式的本体来建立知识图谱。其次，在不同实体之间的关系基础上，开发了一个本体驱动的云DBN模型，以预测潜在风险条件下的退化状态空间演变。最后，将云DBN模型在不同退化状态、故障依赖性和关键风险下的概率输出与各种维护措施相结合，开发了一种用于动态维护相关决策的DRL方法。所提出的方法能够解决与维护相关决策中的时间变化退化、故障依赖性和动态风险问题。