Learning Quality Management for Ships’ Upkeep and Repair Environment
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Ships Quality Management (QM) in a naval disciplined repair environment is under significant demands. The purpose of this paper is to emphasise the requirement for the establishment of quality management. Quality management is essential to support operations, work preparation and formulation, material replenishment, repairs and trial processes to enhance productivity and availability. Quality Assurance (QA) and Quality Control (QC) encompassing Reliability Centred Maintenance (RCM), Condition Based Maintenance (CBM) and Failure Modes, Effectiveness and Criticality Analysis (FMECA) are required to monitor Preventive and Corrective Maintenance with the aim of heading towards ISO. The QA and QC processes should be in line with a complete survey, Pre Upkeep Machinery Assessments (PUMA), Dynamic Machinery Trials (DMT) to predict and formulate the intended refurbishment followed by post upkeep standard trials. The whole process can be boosted when health and safety are integrated. The research instrument was based on the dedicated constructs to predict the ‘mindsets/opinions’ of employees in their perceptions of future improvement. The variables-hypotheses were inferentially analyzed (correlated and regressed). They were found to be positively related and significantly contributed to the ships’ upkeep support performance. The implication of this study is to understand the strength of the research framework and to make proposals for the enhancement of quality management in line with the variables.
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.
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 | 0,004 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle