Powszechnie przyjmuje się, że wymiana w oparciu o stan techniczny pozwala nie tylko na pełne wykorzystanie elementów składowych, ale także na zmniejszenie kosztów magazynowych (związanych z przechowywaniem zapasów) jeśli zamawianie części zamiennych da się powiązać z trafnym prognozowaniem uszkodzeń. Większość istniejących modeli i teorii predykcji degradacji lub uszkodzeń opiera się na danych populacyjnych o uszkodzeniach lub zawieszeniu pracy co oznacza, że czas uszkodzenia komponentu przewiduje się w odniesieniu do historii uszkodzeń lub zawieszeń pracy tego samego typu lub podobnego typu elementów składowych. Jednak w praktyce zdarza się, że dla niektórych komponentów nie istnieją historie uszkodzeń lub zawieszenia pracy, do których można by się odnieść; jedyne co można wykorzystać to zgromadzone dotychczas sygnały z monitorowania stanu. W takim przypadku, trudno jest ocenić dokładnie czas i prawdopodobieństwo wystąpienia uszkodzenia. W niniejszej pracy, przedstawiono nowatorskie podejście do przewidywania degradacji. Opracowano nową funkcję szacowania prawdopodobieństwa uszkodzenia opartą na jednoczesnym wykorzystaniu "czasu pracy" oraz "stopnia degradacji" komponentu. Następnie wspólnie zoptymalizowano procesy wymiany i zamawiania części zamiennych zgodnie z szacowanym prawdopodobieństwem wystąpienia uszkodzenia. Celem optymalizacji była minimalizacja długoterminowego wskaźnika kosztów . Poprawność proponowanego podejścia zweryfikowano z wykorzystaniem dwóch zbiorów danych dotyczących łożysk.
 

W pracy przedstawiono model uczenia maszynowego opartego na zespołach niejednorodnych klasyfikatorów (ensemble learning), który pozwala przeprowadzać ocenę stanu sprzętu w czasie rzeczywistym. Model ten umożliwia zaplanowanie niezbędnych czynności konserwacji profilaktycznej przed wystąpieniem niespodziewanego uszkodzenia. Tematem pracy jest zagadnienie niezrównoważonego rozkładu w klasach poruszane w badaniach dotyczących oceny stanu sprzętu. W warunkach rzeczywistych, sprzęt chrakteryzuje wiele różnych stanów, przy czym przez większość czasu pozostaje on w stanie normalnym, a relatywnie rzadko znajduje się w stanie krytycznym, co oznacza, że z punktu widzenia modelowania danych, rozkład prób w poszczególnych klasach (stanach) jest wysoce niezrównoważony. Większość prób należy do stanu normalnego, a mniejszość do stanu krytycznego, co stanowi duże wyzwanie jeśli chodzi o wydajność klasyfikacji. W celu rozwiązania tego problemu, przedstawiono model uczenia zespołowego oparty na algorytmie genetycznym. Ponadto zaprezentowano samoaktualizującą się strategię uczenia wykorzystywaną do monitorowania online, która wraz z upływem czasu zwiększa adaptacyjność i niezawodność modelu . W wielu poprzednich badaniach podejmowano próby ekstrakcji cech oraz ustalania progów dla wskaźników stanu sprzętu. Zaletą przedstawionej metody jest to, że pozwala ona pominąć te etapy i bezpośrednio oceniać stan sprzętu za pomocą proponowanego modelu uczenia zespołowego. Przeprowadzono eksperymenty numeryczne, w tym dwa rodzaje badań porównawczych. Wyniki pokazują większą skuteczność proponowanego modelu w stosunku do poprzednich badań pod względem stabilności i trafności klasyfikacji.