KNOXVILLE, TN, 18 novembre 2025 /24-7PressRelease/ -- La maintenance basée sur l'état (CBM) se concentre sur la planification des interventions en fonction de l'état de santé en temps réel d'un système, offrant des avantages économiques par rapport aux approches traditionnelles basées sur le temps. Cependant, l'optimisation de la CBM est difficile lorsqu'il s'agit de modèles de dégradation complexes, d'environnements incertains et de composants en interaction. Cette recherche examine comment les processus de décision markoviens (MDP) et leurs variantes sont de plus en plus appliqués pour soutenir des décisions de maintenance séquentielles efficaces. En analysant les cadres de modélisation, les critères d'optimisation, les interactions multi-composants et les stratégies émergentes d'apprentissage par renforcement, l'étude décrit une voie structurée pour concevoir des politiques de maintenance dynamiques et économiques. Les résultats soulignent l'importance d'équilibrer la fiabilité du système, la continuité opérationnelle et la faisabilité computationnelle dans l'optimisation moderne de la CBM.

Les systèmes industriels d'aujourd'hui reposent fortement sur les technologies avancées de détection et de surveillance pour détecter la dégradation et prévenir les défaillances catastrophiques. Alors que la maintenance traditionnelle repose sur des remplacements programmés, de telles stratégies peuvent soit gaspiller des ressources, soit ne pas prévenir les pannes imprévues. La maintenance basée sur l'état (CBM) permet une maintenance uniquement lorsque nécessaire, mais les systèmes réels ont souvent des comportements de défaillance incertains, des dépendances couplées et de multiples contraintes de performance qui compliquent la prise de décision. De plus, les modèles analytiques peuvent avoir du mal à représenter des données d'équipement de haute dimension ou des conditions opérationnelles dynamiques. Face à ces défis, le développement de cadres décisionnels plus adaptatifs et structurés devient essentiel. En raison de ces problèmes, des recherches plus approfondies sont nécessaires pour optimiser les stratégies de maintenance en captant l'incertitude, la dynamique et les compromis de coût.

Cette étude a été menée par des chercheurs de l'Université de Tianjin, de l'Institut ZJU-UIUC de l'Université du Zhejiang et de l'Université nationale de Singapour, et a été publiée (DOI : 10.1007/s42524-024-4130-7) dans Frontiers of Engineering Management en 2025. La revue analyse comment les processus de décision markoviens et leurs extensions sont appliqués pour optimiser la maintenance basée sur l'état dans les systèmes à composant unique et multi-composants. Elle met en lumière les avancées dans la planification de la maintenance sous incertitude, l'intégration avec les décisions de production et de stock, et le rôle croissant de l'apprentissage par renforcement dans la planification de maintenance adaptative.

La revue identifie les MDP comme un cadre puissant pour modéliser la maintenance comme un problème de prise de décision séquentielle, où l'état du système évolue de manière stochastique et les actions déterminent les résultats à long terme. Les modèles CBM basés sur les MDP standard minimisent généralement les coûts de maintenance sur la durée de vie, mais des variantes telles que les modèles sensibles au risque prennent également en compte les objectifs de sécurité et de fiabilité. Pour aborder l'incertitude du monde réel, les POMDP traitent les cas où les états du système ne sont que partiellement observables, tandis que les processus de décision semi-markoviens permettent des intervalles d'inspection et de réparation irréguliers. Pour les systèmes multi-composants, la revue décrit comment les dépendances—telles que les charges partagées, les défaillances en cascade et le couplage économique—compliquent considérablement l'optimisation et nécessitent souvent des modèles décisionnels de dimension supérieure. Pour gérer la complexité computationnelle, les chercheurs ont appliqué la programmation dynamique approximative, les relaxations de programmation linéaire, la décomposition hiérarchique et l'itération de politique avec agrégation d'état. Enfin, les méthodes d'apprentissage par renforcement émergent pour apprendre des stratégies de maintenance optimales directement à partir des données sans nécessiter une connaissance complète du système, bien que des défis subsistent en matière de disponibilité des données, de stabilité et de vitesse de convergence. La revue souligne que la combinaison de la modélisation, de l'optimisation et de l'apprentissage offre un fort potentiel pour une CBM évolutive.

Les auteurs soulignent que la CBM basée sur les MDP s'aligne bien avec les besoins opérationnels réels car elle soutient une prise de décision dynamique et basée sur l'état sous incertitude. Ils notent qu'à mesure que les systèmes deviennent plus complexes et les données des capteurs plus abondantes, la capacité à intégrer des informations multi-sources dans la planification de la maintenance sera de plus en plus critique. Ils mettent également en avant l'apprentissage par renforcement comme une direction prometteuse, particulièrement pour les environnements où les paramètres du système ne peuvent pas être entièrement définis à l'avance. Cependant, ils mettent en garde que la mise en œuvre pratique nécessite une attention à l'efficacité computationnelle, à la qualité des données et à l'interprétabilité pour assurer un déploiement sur le terrain fiable.

Cette recherche fournit des orientations pour les industries où la fiabilité est essentielle, y compris la fabrication, le transport, les infrastructures énergétiques, l'aérospatiale et l'énergie offshore. Des stratégies de maintenance plus adaptatives dérivées des MDP et de l'apprentissage par renforcement peuvent réduire les temps d'arrêt inutiles, abaisser les coûts opérationnels et prévenir les défaillances critiques pour la sécurité. La revue suggère que les futures plateformes de maintenance industrielle intégreront des diagnostics d'équipement en temps réel avec des moteurs de décision automatisés capables de mettre à jour continuellement les politiques optimales. De tels systèmes pourraient soutenir une planification prédictive à travers des réseaux de production entiers, permettant des opérations industrielles plus sûres, plus économiques et plus résilientes.

Références

DOI
10.1007/s42524-024-4130-7

URL de la source originale
https://doi.org/10.1007/s42524-024-4130-7

Informations sur le financement
Cette recherche a été soutenue par la Fondation nationale des sciences naturelles de Chine (subventions n°72401253, 72371182, 72002149 et 72271154), et le Fonds national des sciences sociales de Chine (23CGL018), le Laboratoire clé d'État des technologies des carburants de transport biosourcés, Chine (subvention n°512302-X02301) et une subvention de démarrage de l'Institut ZJU-UIUC de l'Université du Zhejiang (subvention n°130200-171207711).

À propos de Frontiers of Engineering Management
Frontiers of Engineering Management (FEM) est une revue académique internationale supervisée par l'Académie chinoise d'ingénierie, se concentrant sur les problèmes de gestion de pointe dans tous les domaines de l'ingénierie. La revue publie des articles de recherche, des revues et des perspectives qui font progresser la compréhension théorique et pratique dans des domaines tels que la fabrication, la construction, l'énergie, le transport, les systèmes environnementaux et la logistique. FEM met l'accent sur les méthodologies en ingénierie des systèmes, la gestion de l'information, la gestion de la technologie et de l'innovation, ainsi que la gestion des projets d'ingénierie à grande échelle. Au service des universitaires et des leaders de l'industrie, la revue vise à promouvoir l'échange de connaissances et à soutenir l'innovation dans la gestion de l'ingénierie mondiale.

Chuanlink Innovations, où les idées révolutionnaires rencontrent leur véritable potentiel. Notre nom, ancré dans l'essence de la transmission et de la connexion, reflète notre engagement à favoriser l'innovation et à faciliter le parcours des idées de la conception à la réalisation.

Lien associé :
http://chuanlink-innovations.com

Avertissement : Cette traduction a été générée automatiquement par NewsRamp™ pour 24-7 Press Release (collectivement désignés sous le nom de "LES ENTREPRISES") en utilisant des plateformes d'intelligence artificielle génératives accessibles au public. LES ENTREPRISES ne garantissent pas l'exactitude ni l'intégralité de cette traduction et ne seront pas responsables des erreurs, omissions ou inexactitudes. Vous vous fiez à cette traduction à vos propres risques. LES ENTREPRISES ne sont pas responsables des dommages ou pertes résultant de cette confiance. La version officielle et faisant autorité de ce communiqué de presse est la version anglaise.