Telematics data-driven prognostics system for construction heavy equipment health monitoring and assessment
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
Construction heavy equipment is a valuable asset for construction and equipment rental companies, which requires continuous monitoring and assessment for potential failures. Predictive maintenance has recently been proposed to as an alternative to preventive maintenance strategy by scheduling maintenance tasks just before a predicted failure of the equipment. Such predictive approach is dependent on the existence of a data collection and analysis system that monitors the equipment performance, compares it to the previous history, and predicts the failure events before their occurrence. This paper presents the development and validation efforts of a data-driven prognostics system that utilizes timely collected telematics data to monitor the equipment health condition and predict its failure hazard. The system is designed to utilize equipment telematics data to develop regression-based Cox’s proportional hazards functions. Regression analyses are performed for the historical telematics data to develop time-varying hazard functions for the successive life intervals of the equipment to generate dynamic predictions of its failure events. Accordingly, the outcome of the system would be the predicted probability of the equipment failure event considering the timely collected telematics data. The proposed prognostics system was validated by developing the hazard functions of two fleets of dozers and backhoes that provided high fit to the observed data and high prediction accuracy for the testing data. For both analyzed fleets, higher predictive and data fitting performance were achieved for later life intervals due the increased reliability of failure prediction for equipment with longer survival lives.
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 | 0,000 | 0,000 |
| 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