Performance Assessment of Static and Adaptive Maintenance Strategies Under Stochastic Conditions with Penalty-Augmented Objectives Using a Monte Carlo Simulation Approach to Reliability and Cost Optimization
Notice bibliographique
Résumé
Condition-based maintenance (CBM) has become a cornerstone for optimizing the performance, reliability, and cost-efficiency of industrial systems.Traditional CBM strategies, which rely on fixed inspection intervals and static preventive maintenance thresholds, often fail to account for the stochastic nature of degradation processes and the inherent imperfections in condition monitoring.These limitations can result in suboptimal maintenance decisions, such as excessive preventive interventions or missed failures.To address these challenges, this study presents a Monte Carlo simulation framework designed to evaluate and compare static and adaptive CBM strategies under conditions of uncertainty.The framework integrates a Wiener-process degradation model, imperfect condition monitoring, adaptive inspection scheduling based on residual useful life (RUL) estimates, and dynamically recalibrated preventive maintenance thresholds.Three maintenance strategies are examined: (i) a static policy with fixed inspection intervals and constant preventive thresholds, (ii) a semi-adaptive policy with fixed inspections and adaptive preventive thresholds, and (iii) a fully adaptive policy with both dynamic inspection intervals and adaptive preventive thresholds.The performance of these strategies is assessed using a comprehensive set of metrics, including total cost, downtime, reliability, short-horizon risk, and a penalty-augmented objective function that integrates cost, reliability, and risk exposure.
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».