Aprendizaje reforzado para políticas de reparación de sistemas de varias componentes

Abstract

La confiabilidad de un sistema se define como su capacidad para cumplir su propósito, operando de manera continua y sin interrupciones. Para garantizar esta estabilidad, se implementan estrategias de mantenimiento preventivo que buscan maximizar el tiempo operativo y minimizar tanto las fallas imprevistas como los costos asociados a las reparaciones. Este trabajo se centra en la optimización de políticas de reparación en entornos estocásticos, especialmente en sistemas con múltiples componentes con tiempos de vida aleatorios. Para abordar el problema, se analizarán distintas distribuciones de tiempo de vida y se utilizaran procesos de decisión de Markov como marco teórico para su optimización. La efectividad de las estrategias propuestas se evaluara mediante simulaciones, demostrando su impacto en la mejora de la gestión del mantenimiento. A través del uso de algoritmos de aprendizaje automático, se diseñan estrategias que optimizan la disponibilidad del sistema y reducen los costos asociados a su mantenimiento.