MétaCan
Menu
Retour à la cohorte
Enregistrement W2586157115 · doi:10.1115/imece2016-65380

Reliability Analysis Method for Multi-State Repairable Systems Based on Goal Oriented Methodology

2016· article· en· W2586157115 sur OpenAlexaff
Xiaojian Yi, B.S. Dhillon, Huina Mu, Zhong Zhang, Peng Hou

Notice bibliographique

RevueVolume 14: Emerging Technologies; Materials: Genetics to Structures; Safety Engineering and Risk Analysis · 2016
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueRisk and Safety Analysis
Établissements canadiensUniversity of Ottawa
Organismes subventionnairesnon disponible
Mots-clésReliability (semiconductor)Markov processState (computer science)Computer scienceReliability engineeringReliability theoryMarkov chainOperator (biology)Process (computing)Mathematical optimizationEngineeringAlgorithmFailure rateMathematics

Résumé

récupéré en direct d'OpenAlex

This paper proposes a new GO method for repairable systems with multiple unstable operation states. First, multi-state signal flow and multi-state GO operator are defined, respectively. And the formula for calculating state probability of unit with multiple unstable operation states is deduced based on Markov theory. Furthermore, a new function GO operator named Type 19 is created to describe the unit stabilizing property. And its GO operation formulas for reliability analysis are deduced. On this basis, the reliability analysis process of multi-state repairable systems based on the new GO method is formulated. Then, this new GO method is applied in reliability analysis of Hydraulic Oil Supply System of a heavy vehicle. In order to verify the feasibility, advantage and reasonability of the new GO method, its analysis result is compared with those of FTA and the existing GO method for two-state repairable systems. All in all, this paper not only improves the theory of GO method, and widens the application of GO method, but also provides a new approach for reliability analysis of multi-state repairable systems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,015
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,301
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0120,015
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,001
Bibliométrie0,0050,009
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0020,001
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,042
Tête enseignante GPT0,346
Écart entre enseignants0,304 · 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 tête enseignante, pas un consensus.

Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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

En bref

Citations13
Publié2016
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueVolume 14: Emerging Technologies; Materials: Genetics to Structures; Safety Engineering and Risk AnalysisMême sujetRisk and Safety AnalysisTravaux en français237 207