A Novel Predictive Selective Maintenance Strategy Using Deep Learning and Mathematical Programming
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
Many systems are required to perform a series of missions with finite breaks between successive missions. For such systems, one of the most widely used maintenance strategies is selective maintenance (SM). Under certain maintenance constraints, the SM problem (SMP) consist in selecting an optimal subset of feasible maintenance actions to maximize the system reliability for the upcoming mission. Almost all SMP models proposed in the literature are focused on traditional physics-based reliability models, where component lifetimes can be modeled using a stochastic process. With the application of new technologies such as wireless sensors and Industrial Internet of Things (IIoT), and the recent advancements in Deep Learning (DL) algorithms for prognostics, predictive maintenance based on data-driven methods has become a very popular maintenance strategy. These data driven methods have shown extreme accuracy in predicting remaining useful life (RUL) of components and systems. The goal of this paper is to introduce a predictive selective maintenance strategy that can be used to solve complex and relatively large multi-component systems. A DL algorithm will be used to estimate the probability that each component will successfully complete the upcoming mission, a selective maintenance optimization model will then be used to identify the maintenance actions that will maximize the system reliability. An efficient solution method is devised to solve the resulting complex optimization problem. The NASA C-MAPSS (Commercial Modular Aero-Propulsion System Simulation) dataset is used to train and evaluate the DL algorithm. The numerical experiments carried out show that the proposed novel predictive maintenance strategy is accurate and yields valid decisions.
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 | 0,000 | 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