在制造系统和供应链环境中，由于系统需要维持的时间越来越长，因此淘汰是不可避免的现实。延长生命周期的产品包括飞机、船舶、工业设备、医疗设备和军事系统。美国军方将这一问题称为 "制造资源递减和材料短缺"（DMSMS）。研究表明，过时问题的主要关注领域是成本优化、过时管理、系统生命周期、设计/系统更新规划、架构/开放式系统以及寿命终止（EOL）预测。这些工作表明，需要一种更有效的管理方法来解决过时问题，并强调主动管理。这项研究的目标是创建一个过时管理框架，用于管理军用系统的过时问题。与传统的数据挖掘工具相比，这项研究显示了使用机器学习作为生命周期预测工具的潜力。这项小规模案例研究的结果为更大规模的实验提供了良好的前景。使用机器学习的另一个强大的前瞻性战略是根据过时风险水平在系统中建立技术更新周期。强大框架的一些关键重点领域包括：为强大的DMSMS团队提供资金、强大的供应链、考虑到过时风险的系统设计以及与所有相关方保持一致的沟通。必须制定有效的数据驱动方法，向领导层传达报废的影响，以确保成功缓解报废问题。一些事后工具和策略包括利用维护、生产和技术更新路线图，以及采用数据驱动的衡量标准，向领导层提供关键信息，并向客户展示价值。本研究展示了处理组件报废问题的实体所面临的机遇和挑战、最大限度减少随之而来的问题的方法，并确定了报废管理的最佳实践。

图 1：典型的报废管理流程