利用强化学习优化基于风险的和维护成本最小化的腐蚀管道维护策略

《RELIABILITY ENGINEERING & SYSTEM SAFETY》：Optimization of Risk-Based and Cost-Minimized Maintenance Strategy for Corroded Pipeline Using Reinforcement Learning

　　

Bingyan Cui|Hao Wang

摘要

本研究提出了一种基于强化学习（RL）的创新方法，用于多区域管道系统的长期维护规划。该RL模型旨在通过最小化总生命周期成本来优化维护决策。首先开发了一种改进的贝叶斯神经网络（BNN），用于预测腐蚀深度和长度。随后计算了修复前后的故障概率。接着采用了Dueling Deep Q-Network（Dueling DQN）模型来确定针对各区域的最佳维护策略。此外，还进行了全面的敏感性分析，以评估关键参数的影响，包括后果成本、故障概率阈值、复合修复效果和运行压力。案例研究证明了RL模型在应对腐蚀增长不确定性时，能够提供适应性强且高效的管道维护方法。较高的后果成本和更严格的故障概率阈值会导致更早的干预措施；而较低的修复效果则会使模型安排更频繁的维护行动。较高的运行压力会显著增加故障风险和总成本。在极高的运行压力下，初期采用更换方案比使用复合涂层方案具有更大的长期效益。本研究为复杂管道系统中的数据驱动型、基于风险的维护决策制定提供了一个框架。