MétaCan
Menu
Retour à la cohorte
Enregistrement W2041759495 · doi:10.1108/13552510810861923

Optimal inspection and preventive maintenance policy for systems with self‐announcing and non‐self‐announcing failures

2008· article· en· W2041759495 sur OpenAlexaff
Anis Chelbi, Daoud Aı̈t-Kadi, Houda Aloui

Notice bibliographique

RevueJournal of Quality in Maintenance Engineering · 2008
Typearticle
Langueen
DomaineEngineering
ThématiqueReliability and Maintenance Optimization
Établissements canadiensUniversité Laval
Organismes subventionnairesnon disponible
Mots-clésUniquenessPreventive maintenanceOriginalityIdleOrder (exchange)Computer scienceValue (mathematics)Reliability engineeringOptimal maintenanceOperations researchMathematical optimizationRisk analysis (engineering)EngineeringMathematicsEconomicsBusinessFinance

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this study is to propose and model an inspection and preventive maintenance policy for randomly failing systems that alternate operating and idle periods according to their mission profile. Design/methodology/approach A maintenance policy is defined and modeled mathematically. The paper focuses on finding the age T for inspection which maximizes the stationary availability of the system. Findings Except for the case of only self‐announcing failures, there always exists a finite optimal strategy T*. Two sufficient conditions for the uniqueness of such an optimum are also derived. Practical implications Many productive systems alternate operating and inactive periods, their failures may be self‐announcing or not self‐announcing (detected only through inspection). This paper presents a maintenance strategy for such systems in order to maximize their stationary availability. The proposed strategy suggests submitting the system to inspection when its age reaches T units of time. Originality/value This paper states a general expression of the system stationary availability which is considered as the performance criterion. Conditions of existence and uniqueness of an optimal strategy are developed.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,008
Tête enseignante GPT0,223
Écart entre enseignants0,215 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations30
Publié2008
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Quality in Maintenance EngineeringMême sujetReliability and Maintenance OptimizationTravaux en français237 207