Interval-Dependent Maintenance Effect Modeling for Optimization of Multiple Preventive Maintenance on a Repairable System: A Virtual Age-Based Approach
Notice bibliographique
Résumé
This paper presents a novel framework for optimizing preventive maintenance (PM) intervals under interval-dependent maintenance effectiveness in repairable systems. Traditional PM models often assume constant effectiveness, overlooking the empirical reality that restoration quality varies with the timing of intervention. Using failure and maintenance data from underground mining Load-Haul-Dump (LHD) trucks, we calibrate a virtual-age-based model where restoration effectiveness, denoted as [Formula: see text], is a function of the PM interval [Formula: see text]. System failures are modeled via a nonhomogeneous Poisson process (NHPP), and parameters are estimated through maximum likelihood techniques combined with global optimization algorithms including Genetic Algorithms (GA), Simulated Annealing (SA), and Particle Swarm Optimization (PSO). Univariate and multivariate sensitivity analyses reveal strong nonlinear and asymmetric relationships between PM intervals and availability, especially for moderate maintenance (Type II). Optimized schedules achieve significantly improved availability compared to OEM policies, and robustness checks show that small deviations from optimal intervals incur only marginal losses, providing operational flexibility. A set of three-dimensional surface plots further illustrates the interaction effects among PM types, while local perturbation analyses quantify local robustness. The proposed methodology enables maintenance planners to jointly evaluate effectiveness and timing, providing a scalable approach to real-world reliability optimization. The findings underscore the importance of interval calibration in maintenance scheduling and offer practical decision support for high-stakes industrial applications.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».