基于贝叶斯深度学习的预后驱动预测性维护框架
在这项工作中，提出了一种新的预测驱动的产品数据管理框架，它提供了一个集成RUL预测和维护决策的综合解决方案。在预测阶段，我们采用基于BDL的框架来限定任意的和认知的不确定性，并输出RUL的预测性分布。在维修决策阶段，提出了一种在一般检查场景下的实用策略。该模型能够在任何时刻快速评估R选项和DN选项的成本率，并生成满足操作约束的暂定的产品数据管理计划。随着逐步收集更多的CM数据，我们的框架动态更新和调整维护和备件订购决策，以生成更可靠的PDM时间表。通过与几种基准策略的比较，基于NASA Ames预测卓越中心提供的涡扇发动机数据集，我们发现基于BDL方法驱动的基准策略可以在不确定性量化的情况下增强预测结果，从而提高动态PDM决策的性能。在定期和不定期检查的情况下，建议的政策导致的平均成本率非常接近理想的政策。这项研究对行业具有实际意义，展示了将不确定性量化和操作约束纳入到PDM政策中的好处。增强的策略性能带来了更好的维护规划，降低了成本并提高了盈利能力，同时还提高了客户满意度。
