Optimal Bayesian maintenance policy for a gearbox subject to two dependent failure modes
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
Abstract Most maintenance optimization models of gear systems have considered single failure mode. There have been very few papers dealing with multiple failure modes, considering mostly independent failure modes. In this paper, we present an optimal Bayesian control scheme for early fault detection of the gear system with dependent competing risks. The system failures include degradation failure and catastrophic failure. A three‐state continuous‐time–homogeneous hidden Markov model (HMM), namely the model with unobservable healthy and unhealthy states, and an observable failure state, describes the deterioration process of the gear system. The condition monitoring information as well as the age of the system are considered in the proposed optimal Bayesian maintenance policy. The objective is to maximize the long‐run expected average system availability per unit time. The maintenance optimization model is formulated and solved in a semi‐Markov decision process (SMDP) framework. The posterior probability that the system is in the warning state is used for the residual life estimation and Bayesian control chart development. The prediction results show that the mean residual lives obtained in this paper are much closer to the actual values than previously published results. A comparison with the Bayesian control chart based on the previously published HMM and the age‐based replacement policy is given to illustrate the superiority of the proposed approach. The results demonstrate that the Bayesian control scheme with two dependent failure modes can detect the gear fault earlier and improve the availability of the system.
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 | 0,001 |
| 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