An Enhanced RPN Model Incorporating Maintainability Complexity for Risk-Based Maintenance Planning in the Pharmaceutical Industry
Notice bibliographique
Résumé
In pharmaceutical manufacturing, the reliability of machines and utility assets is critical to ensuring product quality, regulatory compliance, and uninterrupted operations. Traditional Risk-Based Maintenance (RBM) models quantify asset criticality using the Risk Priority Number (RPN), calculated from the probability and impact of failure alongside detectability. However, these models often neglect the practical challenges involved in diagnosing and resolving equipment issues, particularly in GMP-regulated environments. This study proposes an enhanced RPN framework that replaces the conventional detectability component with Maintainability Complexity (MC), quantified through two practical indicators: Ease of Diagnosis (ED) and Ease of Resolution (ER). Thirteen Key Performance Indicators (KPIs) were developed to assess Probability, Impact, and MC across 185 pharmaceutical utility assets. To enable objective risk stratification, Jenks Natural Breaks Optimization was applied to group assets into Low, Medium, and High risk tiers. Both multiplicative and normalized averaging methods were tested for score aggregation, allowing comparative analysis of their impact on prioritization outcomes. The enhanced model produced stronger alignment with operational realities, enabling more accurate asset classification and maintenance scheduling. A 3D risk matrix was introduced to translate scores into proactive strategies, offering traceability and digital compatibility with Computerized Maintenance Management Systems (CMMS). This framework provides a practical, auditable, and scalable approach to maintenance planning, supporting Industry 4.0 readiness in pharmaceutical operations.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».