Maintenance strategies: Decision Making Grid vs Jack-Knife Diagram
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
Purpose Maintenance management is a vital strategic task given the increasing demand on sustained availability of machines. Machine performance depends primarily on frequency and downtime; therefore, ranking critical machines based on these two criteria is important to determine the appropriate maintenance strategy. The purpose of this paper is to compare two methods, using case studies, to allocate maintenance strategies while prioritising performance based on frequency and downtime or Mean Time to Repair: the Decision Making Grid (DMG) and Jack-Knife Diagram (JKD). Design/methodology/approach The literature indicates the need for an approach able to integrate maintenance performance and strategy in order to adapt existing data on equipment failures and to routinely adjust preventive measures. Maintenance strategies are incomparable; one strategy should not be applied to all machines, nor all strategies to the same machine. Findings Compared to the Pareto histogram, the DMG and JKD provide visual representations of the performance of the worst machines with respect to frequency and downtime, thus allowing maintenance technicians to apply the appropriate maintenance strategy. Each method has its own merits. Research limitations/implications This work compares only two methods based on their original conceptualisation. This is due to their similarities in using same input data and their main features. However, there is a scope to compare to other methods or variations of these methods. Practical implications This paper highlights how the DMG and JKD can be incorporated in industrial applications to allocate appropriate maintenance strategy and track machine performance over time. Originality/value Neither DMG nor JKD have been compared in the literature. Currently, the JKD has been used to rank machines, and the DMG has been used to determine maintenance strategies.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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