Optimal CBM policy with two sampling intervals
Notice bibliographique
Résumé
Purpose The purpose of this paper is to propose a novel condition-based maintenance (CBM) policy with two sampling intervals for a system subject to stochastic deterioration described by the Cox’s proportional hazards model (PHM). Design/methodology/approach In this paper, the new or renewed system is monitored using a longer sampling interval. When the estimated hazard function of the system exceeds a warning limit, the observations are taken more frequently, i.e., the sampling interval changes to a shorter one. Preventive maintenance is performed when either the hazard function exceeds a maintenance threshold or the system age exceeds a pre-determined age. A more expensive corrective maintenance is performed upon system failure. The proposed model is formulated in the semi-Markov decision process (SMDP) framework. Findings The optimal maintenance policy is found and a computational algorithm based on policy iteration for SMDP is developed to obtain the control thresholds as well as the sampling intervals minimizing the long-run expected average cost per unit time. Research limitations/implications A numerical example is presented to illustrate the whole procedure. The newly proposed maintenance policy with two sampling intervals outperforms previously developed maintenance policies using PHM. The paper compares the proposed model with a single sampling interval CBM model and well-known age-based model. Formulas for the conditional reliability function and the mean residual life are also derived for the proposed model. Sensitivity analysis has been performed to study the effect of the changes in the Weibull parameters on the average cost. Practical implications The results show that considerable cost savings can be obtained by implementing the maintenance policy developed in this paper. Originality/value Unlike the previous CBM policies widely discussed in the literature which use sequential or periodic monitoring, the authors propose a new sampling strategy based on two sampling intervals. From the economic point of view, when the sampling is costly, it is advantageous to monitor the system less frequently when it is in a healthy state and more frequently when it deteriorates and enters the unhealthy state.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».