A deep reinforcement learning‐based maintenance optimization for vacuum packaging machines considering product quality degradation
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
Abstract Vacuum loss in packaged meats can lead to product defects resulting in significant economic losses and negative public health issues. Therefore, it is crucial to study the degradation of components that are critical for the provision of vacuum and package sealing to enhance system availability and process safety. Accordingly, this article proposes a condition‐based maintenance policy that integrates quality information considering meat cuts that lack proper vacuum as defective items. A deep reinforcement learning algorithm is used to learn a set of adequate maintenance actions to be performed at each maintenance inspection while maximizing the system availability and/or minimizing the total maintenance cost including the cost of producing defectives items. A numerical case study and benchmarking were performed, demonstrating that the proposed model surpasses the corrective maintenance policy. It leads to a 2.2% increase in system reliability, a 91% reduction in maintenance costs, a 93% reduction in defects identified in production, and a 90% reduction in defects identified on supermarket shelves. Such results demonstrate that the model can (i) prescribe maintenance actions at each inspection according to critical degradation states; (ii) exploit maintenance opportunities that lead to economic savings; and (iii) reduce product reprocessing and propagation of defects to shelves. Practical applications A new machine learning‐based maintenance model promises to revolutionize the vacuum packaging industry by enhancing system reliability, reducing costs, and improving product quality. The model enables managers to make dynamic decisions based on the system state, avoiding inefficient maintenance planning and ensuring maximum productivity. By predicting quality performance through vacuum condition, the model allows for timely decision‐making and reduces the need for costly laboratory analysis. The free‐model's estimation of structural and economic relations of components enables managers to retrain and adapt maintenance policies for optimal system performance. With improved system reliability and reduced production of non‐conforming items, the industry can reduce reprocessing costs, contamination risks, and protect brand image by ensuring better control over meat hygiene. This new approach to maintenance optimization has significant implications for process safety, efficiency of operations, and profits of the vacuum packaging industry, making it a potential game‐changer in the field.
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 | 0,001 |
| 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 | 0,001 |
| 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