Maintenance Optimization of Multi-Component Systems Subjected to $s$-Dependent Competing Risks and Imperfect Maintenance
Notice bibliographique
Résumé
This paper develops a novelreliability-based maintenance optimization approach in multi-componentsrepairable system (MCRS) subjected to both <tex>$s$</tex>-dependent competing risks andimperfect maintenance. The system operates a sequence of preventive maintenance(PM) cycles at the end of which a preventive replacement of the system iscarried out. Duration of each PM cycle is determined by a reliability thresholdwhich triggers either an imperfect PM or a preventive replacement; there are asmuch PM cycles as reliability thresholds. The objective of the proposedmaintenance approach is to determine the joint optimal reliability thresholdsand the number of PM cycles that minimize the total expected maintenance andbreakdown cost rate in the infinite time horizon. Conditions to derive optimalsolutions are formally established and discussed. Given the complexity of theresulting optimization problem, a fix-and-optimize numerical algorithm usingthe gradient descent method is developed. The numerical results obtained fromthe case study demonstrate the accuracy and the added value of the proposedapproach. These results clearly show that it is not only cost-effective butalso adaptive and allow then to increase the system availability. Indeed,except for the last PM cycle, it is shown that the optimal reliabilitythreshold increases by the increasing of the number of PM cycles.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».