aalto1 untyped-item.component.html
Decision models for preventive maintenance of technical systems
Loading...
URL
Journal Title
Journal ISSN
Volume Title
School of Science |
Doctoral thesis (article-based)
| Defence date: 2026-02-27
Electronic archive copy is available via Aalto Thesis Database.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Major/Subject
Mcode
Degree programme
Language
en
Pages
50 + app. 71
Series
Aalto University publication series Doctoral Theses, 50/2026
Abstract
The reliable operation of technical systems and their components requires maintenance, the costs of which can constitute a substantial share of a system’s total operating expenses. Rather than relying on corrective maintenance, systems are often best serviced preventively with the aim of eliminating failures, since downtime can be expensive. However, components should not be replaced more frequently than necessary. Consequently, optimizing component maintenance schedules can yield significant cost savings. Yet, optimization is complicated by dependencies between components and by incomplete information about their remaining useful life.
This dissertation presents novel analytical approaches to improve the maintenance management of technical systems. It has two main contributions. The first contribution is a Markov decision process model to determine cost-effective maintenance schedules for systems when there are economic and structural dependencies between components. The second contribution is a structured decisionmaking process that supports the development of AI-based solutions for predicting the remaining useful life of the system.
The proposed Markov model is the first to account for the threshold for system reliability and the structural dependencies arising from the disassembly and replacement of components. In addition, it considers reliability structures derived from various component configurations and the expected costs of system downtime when maintenance can be performed periodically. The optimal maintenance policy is solved using a modified policy iteration algorithm enhanced with Anderson acceleration. The resulting maintenance schedule leverages the simultaneous servicing of components, achieving improved cost efficiency in comparison with many heuristic policies. The model supports operational, tactical, and strategic maintenance decision-making by providing insights into the use of individual maintenance actions, long-term total costs of the optimal policy, and, for example, the impact of the maintenance period length on overall costs. Furthermore, the model offers guidance on how to design the system structure.
No process has previously been established for developing AI-based solutions aimed at predicting a system’s remaining useful life while taking into account both technical and organizational criteria in the early stages of development. In the proposed stage-gate process, the development of AIbased solutions progresses from use case definition through exploratory testing and implementation planning to final deployment. At each decision gate, the candidate solutions to advance are selected. Candidates are evaluated against both technical and organization-specific criteria, which are derived from six development objectives. Since uncertainties may exist in the evaluation of candidates with respect to criteria and prioritization of objectives during early development stages, robust decisionmaking is employed to support choices at the gates. This reduces the risk that selected candidates later become infeasible. In addition, the benefits of the development effort are assessed in terms of the organization’s capability advancement.
Teknisten järjestelmien ja järjestelmien komponenttien luotettava toiminta vaatii kunnossapitoa, jonka kustannukset saattavat olla huomattava osa järjestelmän käyttökustannuksista. Korjaavan kunnossapidon sijaan järjestelmää on usein syytä huoltaa ennaltaehkäisevästi rikkoutumisten estämiseksi, koska järjestelmän toimimattomuus voi aiheuttaa merkittäviä kustannuksia. Komponentteja ei kuitenkaan tulisi vaihtaa tarpeettoman usein. Täten komponenttien kunnossapitoaikataulujen optimoinnilla voidaan usein saavuttaa merkittäviä kustannussäästöjä. Haasteena optimoinnissa ovat komponenttien väliset erilaiset riippuvuudet sekä puutteellinen tieto komponenttien jäljellä olevasta käyttöiästä.
Tässä väitöskirjassa kehitetään uusia analyyttisia lähestymistapoja teknisten järjestelmien kunnossapidon tueksi. Sillä on kaksi pääkontribuutiota. Ensimmäinen kontribuutio on Markovin prosessiin perustuva päätösmalli, jolla määritellään järjestelmän komponenteille optimaalinen kunnossapidon aikataulu, kun komponenttien välillä on taloudellisia ja rakenteellisia riippuvuuksia. Toinen kontribuutio on vaiheistettu päätösprosessi, jolla voidaan ohjata tekoälypohjaisten ratkaisujen kehittämistä tehtäviin, joissa on arvioitava järjestelmän jäljellä oleva käyttöikä.
Markov-malli on laatuaan ensimmäinen, joka huomioi järjestelmän luotettavuuden rajoittamisen sekä komponenttien purkamisesta ja uusimisesta aiheutuvat rakenteelliset riippuvuudet. Lisäksi tämä huomioi eri kokoonpanoista johtuvat luotettavuusrakenteet ja järjestelmän toimimattomuuden odotusarvoiset kustannukset, kun kunnossapitoa tehdään vain vakiopituisten periodien välein. Optimaalinen huoltopolitiikka ratkaistaan muokatulla politiikan iterointi -algoritmilla, jota tehostetaan Andersonin kiihdytyksellä. Optimoitu kunnossapidon aikataulu hyödyntää komponenttien samanaikaista huoltamista ja on kustannustehokkaampi kuin monet heuristiset huoltopolitiikat. Malli tukee kunnossapidon operatiivista, taktista ja strategista päätöksentekoa tarjoamalla tietoa yksittäisistä huoltopäätöksistä, pitkän aikavälin kokonaiskustannuksista ja esimerkiksi huoltojakson pituuden vaikutuksesta kokonaiskustannuksiin. Lisäksi malli antaa tukea sille, miten järjestelmän rakenne tulisi suunnitella.
Järjestelmän jäljellä olevan käyttöiän ennustamiseen tähtäävien tekoälyratkaisujen kehittämisen tueksi ei ole aikaisemmin laadittu prosessia, joka kehitystyön alkuvaiheessa huomioisi sekä tekniset että organisaatiokohtaiset kriteerit. Vaiheistetussa päätösprosessissa ratkaisujen kehittäminen etenee käyttötapausten määrittelyn sekä tutkivan testauksen ja toteutussuunnitelman kautta ratkaisun varsinaiseen toteutukseen. Vaiheiden välisissä päätösporteissa valitaan ratkaisuehdokkaat, joiden kehitystyötä jatketaan. Ehdokkaita arvioidaan sekä teknisillä että organisaatiokohtaisilla kriteereillä, jotka pohjautuvat kuuteen kehitystavoitteeseen. Kehitystyön alkuvaiheissa voi olla epävarmuuksia sekä ehdokkaiden arvioinneissa eri kriteerien suhteen että kehitystavoitteiden priorisoinnissa. Päätösporteissa tehtävissä valinnoissa hyödynnetään robustia päätöksentekoa, mikä vähentää riskiä sille, että kehitystyön alla olevat ehdokkaat osoittautuisivat myöhemmin sopimattomiksi. Kehitystyön hyötyjä arvioidaan lisäksi organisaation kyvykkyyksien kehittymisen näkökulmasta.
Description
Supervising professor
Salo, Ahti, Prof., Aalto University, Department of Mathematics and Systems Analysis, FinlandThesis advisor
Salo, Ahti, Prof., Aalto University, Department of Mathematics and Systems Analysis, FinlandPunkka, Antti, D.Sc. (Tech.), S Group, Finland
Other note
Parts
- [Publication 1]: Jussi Leppinen, Antti Punkka, Tommi Ekholm, Ahti Salo. An optimization model for determining cost-efficient maintenance policies for multi-component systems with economic and structural dependencies. Omega, 130, 103162, January 2025.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202408285908DOI: 10.1016/j.omega.2024.103162 View at publisher
- [Publication 2]: Jussi Leppinen, Ahti Salo. Balancing downtime and maintenance costs for multi-component systems with economic and structural dependencies. Submitted to Reliability Engineering & System Safety, October 2025.
- [Publication 3]: Jussi Leppinen, Ahti Salo, Michele Compare. A stage-gate decision process for guiding the development of AI solutions for preventive maintenance. EURO Journal on Decision Processes, 14, 100063, 2026.
Full text in Acris/Aaltodoc: https://urn.fi/URN:NBN:fi:aalto-202601211728DOI: 10.1016/j.ejdp.2025.100063 View at publisher