Notice bibliographique
Résumé
Risk Importance Measures (RIMS) obtained from both qualitative and quantitative aspects of Fault Tree (FT) analysis can be used to identify weak links in a system. Information from RIMS can be used to direct resources towards the components that deserve the most attention. When RIMS are used to make maintenance-related decisions, it is referred to as risk-informed maintenance. Risk importance analysis for coherent FT has received much attention over the years. However, non-coherent FT does occur in real systems due to either the nature of the system or poor design. Non-coherent FT introduces difficulties in terms of both qualitative and quantitative assessment, and the importance analysis of noncoherent FT is rather limited. In this paper, eight most commonly used RIMS are investigated and extended to noncoherent forms. They are the Birnbaum's Measure (BM), Criticality Importance Factor (CIF), Improvement Potential (IP), Fussell-Vesely Measure (FV), Risk Achievement (RA), Conditional Probability (CP), Risk Achievement Worth (RAW) and Risk Reduction Worth (RRW). The feasibility of the extension are proved and presented throughout the analysis and applications. Furthermore, they are classified with respect to risk significance and safety significance. The CIF, IP, FV and RRW are identified as risk significant measures, while BM, RA, CP and RAW are identified as safety significant measures. Since maintenance can normally be categorized as corrective maintenance and preventive maintenance, it is concluded that risk significant measures contribute most information to corrective maintenance and safety significant measures contribute most information to preventive maintenance. An Automatic Power Control System (APCS) for an experimental nuclear reactor is used as a case study to demonstrate the theoretical development.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».