Jet Engine Optimal Preventive Maintenance Scheduling Using Golden Section Search and Genetic Algorithm
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
Jet engines are critical assets in aircraft, and their availability is crucial in the modern aircraft industry. Therefore, their maintenance scheduling is one of the major tasks an airline has to make during an engine’s lifetime. A proper engine maintenance schedule can significantly reduce maintenance costs without compromising the aircraft's reliability and safety. Different maintenance scheduling approaches have been used for jet engines, such as corrective, preventive, and predictive maintenance strategies. Regarding the safety demands in aircraft industries, preventive maintenance is a frequent maintenance method for jet engines. However, preventive maintenance schedules are often use fixed maintenance intervals, which is usually suboptimal. This paper focuses on minimizing a jet engine's overall maintenance cost by optimizing its preventive maintenance schedule based on an engine’s comprehensive reliability model. A hierarchical optimization framework including the golden section search and genetic algorithms is applied to find the optimal set of preventive maintenance number and their times and the components to be replaced at those times during the jet engine's overall lifetime. The Monte Carlo simulation is used to estimate the engine’s failure times using their lifetime distributions from the reliability model. The estimated failure times are then used to determine the engine's overall corrective and preventive maintenance costs during its lifetime. Finally, an optimal preventive maintenance schedule is proposed for an RB 211 jet engine using the presented method. In the end, comparing the proposed method's overall maintenance cost with two other maintenance methods demonstrates the proposed schedule's effectiveness. The method presented in this paper is generic, and it can be used for other similar engineering systems.
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 | 0,000 |
| 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