.png){kind=icon}
返回
Impact-Based Maintenance Efficiency Modeling for Multi-Component Systems With Condition-Based Component Selection
.png){kind=icon}
PRE
AI
DOI：10.1109/ACCESS.2026.3664001.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文开发了一种基于影响的后勤效率模型，该模型将维修效果动态地与多部件可修复系统中更换部件的数量和关键性联系起来。与假设静态效率参数的现有方法不同，该模型能够实现适应实际系统退化状态的后勤决策。效率公式分解为反映解决加权系统退化比例的风险分数和具有递减回报参数、反映维护部件关键性分布的覆盖因子。一种基于状态的选取规则实现了无需显式约束的自然部件轮换，在优先处理高关键性退化部件的同时，确保后勤努力的平均分配。基于最大似然估计的统计验证表明，参数恢复值在真实值的2-8%范围内，而预测性能评估显示，与忽略后勤效应的方法相比，故障预测误差降低了93%。对一个包含20个部件的异构工业系统的案例研究表明，所提出的基于状态的方法与无后勤基准相比实现了30%的成本降低，与固定选取策略相比提升了5%。此外，自然轮换机制在各个后勤周期中维持了65%的系统部件。
Keyword:
Maintenance
Maintenance engineering
Costs
Degradation
Reliability
Mathematical models
Arithmetic
Preventive maintenance
Optimization
Maximum likelihood estimation
Imperfect maintenance
virtual age model
condition-based maintenance
component selection
maintenance optimization
multi-component systems
Kijima model
reliability engineering
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Machine Learning-Based Predictive Maintenance System for Artificial Yarn Machines基于机器学习的人工纱线机器预测性维护系统.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容