Abstract This paper introduces performance-centred maintenance (PCM) as a novel approach to maintain systems when dual consideration is given to operational performance and degradation condition. We consider situations where performance and condition do not necessarily deteriorate at the same rate typified by, say, an ageing system still achieving good performance or a new system performing poorly. In this problem context, competing interests may arise between different decision-makers, such as operators and maintainers, since alternative strategies may benefit either performance or condition at the expense of the other. To address this challenge we introduce a theoretical framework for the PCM approach and discuss key characteristics of the modelling problem. The general PCM approach is motivated by a real-world industrial system for which maintenance decisions required to be optimised. A specific application is shown for the industry problem which we model by a Markov decision process capable of interrogating decisions over multiple time-scales. We obtain an exact solution using dynamic programming. We also explore a less computationally challenging heuristic using a reinforcement learning algorithm and evaluate its accuracy for the large-scale industry model. We show that optimal maintenance policies from a PCM model can provide decision support to both maintainers and operators taking account of both perspectives of the problem.

中文翻译：

---

以性能为中心的方法来优化复杂系统的维护

摘要 本文介绍了以性能为中心的维护（PCM）作为一种在兼顾运行性能和退化条件的情况下维护系统的新方法。我们考虑性能和条件不一定以相同速率恶化的情况，例如老化的系统仍能实现良好的性能或新的系统性能不佳。在这个问题的背景下，不同的决策者（例如运营商和维护者）之间可能会出现利益冲突，因为替代策略可能会以牺牲对方为代价来提高性能或条件。为了应对这一挑战，我们引入了 PCM 方法的理论框架，并讨论了建模问题的关键特征。一般的 PCM 方法是由需要优化维护决策的现实世界工业系统驱动的。展示了针对行业问题的特定应用，我们通过能够在多个时间尺度上询问决策的马尔可夫决策过程对其进行建模。我们使用动态规划获得精确解。我们还使用强化学习算法探索计算难度较小的启发式方法，并评估其对大规模行业模型的准确性。我们表明来自 PCM 模型的最佳维护策略可以为维护人员和操作员提供决策支持，同时考虑到问题的两个方面。展示了针对行业问题的特定应用，我们通过能够在多个时间尺度上询问决策的马尔可夫决策过程对其进行建模。我们使用动态规划获得精确解。我们还使用强化学习算法探索计算难度较小的启发式方法，并评估其对大规模行业模型的准确性。我们表明来自 PCM 模型的最佳维护策略可以为维护人员和操作员提供决策支持，同时考虑到问题的两个方面。展示了针对行业问题的特定应用，我们通过能够在多个时间尺度上询问决策的马尔可夫决策过程对其进行建模。我们使用动态规划获得精确解。我们还使用强化学习算法探索计算难度较小的启发式方法，并评估其对大规模行业模型的准确性。我们表明来自 PCM 模型的最佳维护策略可以为维护人员和操作员提供决策支持，同时考虑到问题的两个方面。