Developing a 3D decision-making grid based on failure modes and effects analysis with a case study in the steel industry
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 The aim of this study is to develop a 3D model of decision- making grid (DMG) considering failure detection rate. Design/methodology/approach In a comparison between DMG and failure modes and effects analysis (FMEA), severity has been assumed as time to repair and occurrence as the frequency of failure. Detection rate has been added as the third dimension of DMG. Nine months data of 21 equipment of casting unit of Mobarakeh Steel Company (MSC) has been analyzed. Then, appropriate condition monitoring (CM) techniques and maintenance tactics have been suggested. While in 2D DMG, CM is used when downtime is high and frequency is low; its application has been developed for other maintenance tactics in a 3D DMG. Findings Findings indicate that the results obtained from the developed DMG are different from conventional grid results, and it is more capable in suggesting maintenance tactics according to the operating conditions of equipment. Research limitations/implications In failure detection, the influence of CM techniques is different. In this paper, CM techniques have been suggested based on their maximum influence on failure detection. Originality/value In conventional DMG, failure detection rate is not included. The developed 3D DMG provides this advantage by considering a new axis of detection rate in addition to mean time to repair (MTTR) and failure frequency, and it enhances maintenance decision-making by simultaneous selection of suitable maintenance tactics and condition-monitoring techniques.
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 | 0,000 |
| 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