数据驱动维护优化：让预测性学习对齐维护决策目标

研究提出 Integrated Estimate-Optimize（IEO）框架，直接以维护成本为预测学习目标，绕开 KL 散度、均方误差等统计精度指标。在四个 CMAPSS 子集上，IEO 相比 ETO 降低平均维护成本 14.8–22.7%，相比决策导向基线降低 7.2–11.8%，同时降低故障率与成本波动，尽管预测误差更高。