Neues Lernmodell optimiert Wartung von Mehrpumpensystemen

Die Forschung hat ein neues Lernmodell entwickelt, das die Wartung von Mehrpumpensystemen revolutioniert. Durch den Einsatz von Distributional Reinforcement Learning und Quantile Regression Deep Q‑Networks (QR‑DQN) wird die Wartung von Pumpen von reaktiven zu proaktiven Strategien verlagert.

Traditionelle, zeitbasierte Wartungspläne führen häufig zu unnötigen Kosten und unerwarteten Ausfällen. Das neue Modell nutzt Echtzeitdaten zur Zustandsüberwachung, um Wartungsintervalle präziser zu bestimmen und Ressourcen effizienter einzusetzen. Dabei wird ein Alterungsfaktor in die Lernalgorithmen integriert, um die Abnutzung der Pumpen besser abzubilden.

Die Studie testet drei Wartungsstrategien – Safety‑First, Balanced und Cost‑Efficient – an mehreren Pumpen gleichzeitig. In 3.000 Trainingsdurchläufen konnte das Modell die Leistung in allen Szenarien deutlich steigern. Besonders die Safety‑First‑Strategie erzielte einen Return on Investment von 3,91, was einer 152 % besseren Performance gegenüber den Alternativen entspricht, obwohl die Investition nur um 31 % höher war.

Das System erreicht eine Betriebsstabilität von 95,66 % und ist sofort in industriellen Umgebungen einsetzbar. Diese Ergebnisse zeigen, dass Distributional Reinforcement Learning ein vielversprechender Ansatz für die Optimierung von Condition‑Based Maintenance in komplexen Pumpensystemen ist.