Condition-based selective maintenance for stochastically degrading multi-component systems under periodic inspection and imperfect maintenance
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
This article proposes a novel condition-based selective maintenance model for a multi-component system running multiple missions interspersed with scheduled intermission breaks. Each component in the system degrades according to a time-dependent stochastic process and fails whenever its degradation level reaches a prespecified threshold. Failures of system components are revealed only through periodic inspections performed during a mission. The decision to repair components found in a failed state is made at the beginning of the following break. However, a penalty cost proportional to the expected component downtime is incurred. To improve the probability of the system successfully completing its next mission, maintenance activities are carried out on its components during the breaks. Each component can be imperfectly maintained or replaced. The level at which maintenance is performed determines the improvement degree in the component health. Cost and time structures are developed to take into account the trade-offs between the cost of an imperfect maintenance action and its resulting health improvement. Given the limited duration of the break and the required reliability target for the next mission, the condition-based selective maintenance problem aims at finding an optimal subset of maintenance actions to be performed on the selected components to minimize the total expected cost which is the sum of the total expected maintenance, inspection and penalty costs. All parameters and components of this nonlinear selective maintenance optimization problem are developed and thoroughly discussed. Numerical experiments are provided to illustrate the modelling steps and show the validity of the proposed approach.
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 | 0,001 | 0,002 |
| 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