Wind Turbine Optimal Preventive Maintenance Scheduling Using Fibonacci 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
Maintenance scheduling is essential and crucial for wind turbines to avoid breakdowns and reduce maintenance costs. Many maintenance models have been developed for wind turbines' maintenance planning, such as corrective, preventive and predictive maintenance. Due to communities' dependence on wind turbines for electricity needs, preventative maintenance is the most widely used method for maintenance scheduling. The downside to using this approach is that preventive maintenance is often done in fixed intervals, which is inefficient. In this paper, a more detailed maintenance plan for a 2MW wind turbine has been developed. The paper's focus is to minimize a wind turbine's maintenance cost based on a wind turbine's reliability model. This study uses a two-layer optimization framework: Fibonacci and Genetic Algorithm (GA). The first layer in the optimization method (Fibonacci) finds the optimal number of preventive maintenance required for the system. In the second layer, the optimal times for preventative maintenance and optimal components to maintain have been determined to minimize maintenance costs. The Monte Carlo simulation estimates wind turbine component failure times using their lifetime distributions from the reliability model. The estimated failure times are then used to determine the overall corrective and preventive maintenance costs during the system's lifetime. Finally, an optimal preventive maintenance schedule is proposed for a 2MW wind turbine using the presented method. The method used in this paper can be expanded to a wind farm or 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 | 0,000 | 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