Estimating and using direct operating cost as a design parameter
Notice bibliographique
Résumé
One of the many challenges faced by Reliability and Maintainability (R&M) engineers is convincing design teams and management of the impact of component or system failures and the resulting maintenance. This is especially true when multiple design options are under consideration. Even when all options will, more or less, achieve the desired operational result, there are almost always compromises that need to be made to select the single most optimum design for production. Almost universally, some of the compromises that will be made involve Reliability, Maintainability, and Cost. One option may be projected to achieve very attractive R& M metrics, but is extremely expensive to procure or to produce. Another option may prove to be inexpensive, but has R&M characteristics that are degraded, perhaps significantly. R&M Engineers will undoubtedly champion the first option. However, typical R&M metrics, such as Mean Time Between Failure (MTBF) and Mean Time To Repair (MTTR), can be a tough sell. Cost, whose impact to a design program is immediate and inherently well understood, tends to be judged more critically than MTBF or MTTR, whose real world im pact can be somewhat difficult to comprehend. This paper explores an alternative design metric that combines Reliability, Maintainability, and Cost into a single, less ambiguous, and customer centric metric: Direct Operating Cost (DOC). DOC represents how much a customer can expect to spend keeping a system operational over a defined period of time. By using DOC in the design process, a design program can look beyond customer acquisition cost to focus on creating solutions that provide the best overall value to their customers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».