Notice bibliographique
Résumé
Condition-based maintenance (CBM) is an advanced maintenance strategy in which maintenance actions are scheduled based on both the age data and condition monitoring information. Proportional Hazards Model (PHM) is a powerful statistical tool for estimating the equipment failure rate under condition monitoring. Effective CBM using PHM can decrease the overall maintenance costs by reducing unnecessary scheduled preventive maintenance actions. In CBM using PHM, main optimization objectives including minimizing maintenance costs and maximizing equipment reliability typically conflict to each other. But the reported research only focuses on single-objective. In this thesis, we propose a multiple-objective CBM optimization approach based on physical programming, which can systematically balance the tradeoff between the optimization objectives and find the optimal solution that best represents the decision maker's preference on the objectives. In CBM using PHM, the accuracy of parameter estimation greatly affects the accuracy of the model in representing and predicting the equipment health condition. Traditional optimization methods such as Newton's methods are inaccurate because they can only find local optimal value in parameter estimation. In this thesis, we develop an approach based on Genetic Algorithms (GA) for PHM parameter estimation and this approach can improve the accuracy of parameter estimation significantly. To illustrate the proposed approaches, we conduct two case studies using real-world vibration monitoring data, shearing pump bearings in a food processing plant and Gould pump bearings at Canadian Kraft Mill. The proposed approaches contribute to the general knowledge of condition based maintenance, and have the potential to greatly benefit various industries.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| 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 | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».