Application of Cost Matrices and Cost Curves to Enhance Diagnostic Health Management Metrics for Gas Turbine Engines
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
Statistically based metrics, incorporating operating costs, for gas turbine engine diagnostic systems are required to evaluate competing products fairly and to establish a convincing business case. Diagnostic algorithm validation often includes engine testing with implanted faults. The implantation rate is rarely, if ever, representative of the true fault occurrence rate and the sample size is very small. Costs related to diagnostic outcomes have a significant effect on the utility of a given algorithm and need to be incorporated into the assessment. Techniques for assessing diagnostics are drawn from the literature and modified for application to gas turbine applications. The techniques are modified with computational experiments and the application demonstrated through examples. New techniques are compared to the traditional methods and the advantages presented. A technique is presented to convert a confusion matrix with a non-representative fault distribution to one representative of the expected distribution. The small sample size associated with fault implantation studies requires a confidence interval on the results to provide valid comparisons and a method for calculating confidence intervals, including on zero entries, is presented. Receiver operating characteristic (ROC) curves evaluate diagnostic system performance across a range of threshold settings. This allows an algorithm’s ability to be assessed over a range of possible usage. Cost curves are analogous to ROC curves but offer several advantages. The techniques for applying cost curves to diagnostic algorithms are presented and their advantages over ROC curves are outlined. This paper provides techniques for more informed comparison of diagnostic algorithms, possibly preventing incorrect assessment due to small sample sizes.
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 | 0,002 |
| 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 | 0,000 | 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