Condition‐based Maintenance Optimization Using Neural Network‐based Health Condition Prediction
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
Artificial neural network (ANN)‐based methods have been extensively investigated for equipment health condition prediction. However, effective condition‐based maintenance (CBM) optimization methods utilizing ANN prediction information are currently not available due to two key challenges: (i) ANN prediction models typically only give a single remaining life prediction value, and it is hard to quantify the uncertainty associated with the predicted value; (ii) simulation methods are generally used for evaluating the cost of the CBM policies, while more accurate and efficient numerical methods are not available, which is critical for performing CBM optimization. In this paper, we propose a CBM optimization approach based on ANN remaining life prediction information, in which the above‐mentioned key challenges are addressed. The CBM policy is defined by a failure probability threshold value. The remaining life prediction uncertainty is estimated based on ANN lifetime prediction errors on the test set during the ANN training and testing processes. A numerical method is developed to evaluate the cost of the proposed CBM policy more accurately and efficiently. Optimization can be performed to find the optimal failure probability threshold value corresponding to the lowest maintenance cost. The effectiveness of the proposed CBM approach is demonstrated using two simulated degradation data sets and a real‐world condition monitoring data set collected from pump bearings. The proposed approach is also compared with benchmark maintenance policies and is found to outperform the benchmark policies. The proposed CBM approach can also be adapted to utilize information obtained using other prognostics methods. Copyright © 2012 John Wiley & Sons, Ltd.
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 | 0,001 | 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 | 0,001 |
| 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