Reliability and maintainability estimation of a multi‐failure‐cause system under imperfect maintenance
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 Estimating the reliability and maintainability (R & M) parameters is crucial in various industrial applications. It serves purposes such as evaluating system performance and safety, minimising the risk and cost of potential failures, and designing efficient maintenance strategies. This task becomes challenging for complex repairable systems, where failures can occur due to different causes and performance may be affected by various covariates (such as material, environment, and labour). Another challenge in R & M studies arises from the presence of censorship in failure times. Existing methodologies often fail to account for all the aforementioned aspects of system‐related data in R & M analysis. By incorporating valuable information from covariates and utilising data from censored failure times alongside complete failure data, the accuracy of R & M parameter estimation can be significantly improved. This paper develops reliability models for repairable systems with multiple failure causes in the presence of covariates. The system can also be subject to imperfect maintenance. The R & M parameters are then estimated by applying the Kijima Type I and II model's virtual age concept. The proposed technique is illustrated using two case studies on gas pipelines and aero‐engine systems. Through these case studies, we show that the proposed method not only provides more efficient estimates of the R & M parameters compared to the alternative approach, but it is also easier to apply and yields more straightforward interpretations.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| 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