MétaCan
Menu
Retour à la cohorte
Enregistrement W2070599978 · doi:10.1108/13552511111134619

Reliability and availability analysis of a robot‐safety system

2011· article· en· W2070599978 sur OpenAlexaff
Shen Cheng, B.S. Dhillon

Notice bibliographique

RevueJournal of Quality in Maintenance Engineering · 2011
Typearticle
Langueen
DomaineEngineering
ThématiqueReliability and Maintenance Optimization
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésBackupReliability engineeringRobotReliability (semiconductor)Process (computing)EngineeringSystem safetyMarkov processMean time between failuresMarkov chainMarkov modelComputer scienceSimulationFailure rateArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Purpose The purpose of this paper is to study reliability, availability, and mean time to failure of a repairable robot‐safety system composed of n robots, m safety units, and a perfect switch. Design/methodology/approach Generalized expressions for system state probabilities, system availability, reliability, and mean time to failure are developed. Supplementary variable and Markov methods were used to develop these expressions. Findings This study clearly demonstrates that backup robots, safety units, and the repair process help to improve system availability. Practical implications This study will help maintenance engineers and reliability practitioners to become aware of the combined effect of backup robots, safety units, and the repair process on the performance of the robot‐safety system. Consequently, they will make better maintenance related decisions in organizations that make use of robots. Originality/value This paper has studied the effects of having redundant robots, safety units, and the repair facilities on the performance of a robot‐safety system with perfect mechanism to turn on a safety unit. This is one of the first attempts to study the combined effects of all these factors on a robot‐safety system.

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)0,004
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: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,009

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,001
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,016
Tête enseignante GPT0,227
Écart entre enseignants0,210 · 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

Citations12
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

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