Исследователи представили подход к оптимизации стратегии блочной замены оборудования, когда отдельные устройства заменяются при поломке, а вся группа — через фиксированные интервалы времени. Авторы разработали алгоритмы, позволяющие определять оптимальный интервал замены на основе исторических данных об эксплуатации, минимизируя общие затраты в условиях неизвестного распределения срока службы компонентов.
В основе метода лежит адаптивное обучение стратегии обслуживания в процессе эксплуатации. Система анализирует данные о сбоях в реальном времени, что позволяет динамически корректировать график плановых замен. Такой подход эффективен для промышленных систем, где стоимость простоя или внепланового ремонта значительно превышает затраты на профилактическое обслуживание.
Математическая модель учитывает неопределенность жизненного цикла машин, предлагая решение для минимизации операционных издержек. Алгоритм обучается на последовательных эпохах принятия решений, постепенно приближаясь к теоретически оптимальному значению интервала замены. Это позволяет автоматизировать процессы технического обслуживания без необходимости предварительного моделирования распределения вероятностей отказов.
Ключевые факты
- Предложен метод оптимизации интервала замены $k$ для $N$ идентичных независимых машин.
- Алгоритм минимизирует совокупные затраты на обслуживание при отсутствии априорных данных о распределении срока службы.
- Модель использует итеративное обучение на основе поступающих операционных данных о поломках.
- Решение ориентировано на снижение издержек в сценариях, где сочетаются реактивная замена (по факту отказа) и плановая профилактика всей системы.