Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Wu, Hao" wg kryterium: Autor


Wyświetlanie 1-2 z 2
Tytuł:
A multi-stage risk-adjusted control chart for monitoring and early-warningof products sold with two-dimensional warranty
Karta kontrolna do wieloetapowego monitorowania produktów sprzedawanych z gwarancją dwuwymiarową, z korektą ryzyka i wczesne ostrzeganie o wadach produkcyjnych na podstawie danych z reklamacji
Autorzy:
Dong, F.
Liu, Z.
Wu, Y.
Hao, J.
Powiązania:
https://bibliotekanauki.pl/articles/301029.pdf
Data publikacji:
2018
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
two-dimensional product warranty
claims data
monitoring and early-warning
multi-stage control chart
accelerated failure model
risk adjustment
dwuwymiarowa gwarancja na produkt
dane o roszczeniach z tytułu gwarancji
monitorowanie i wczesne ostrzeganie
karta kontrolna procesu wieloetapowego
model przyspieszonego uszkodzenia
korekta ryzyka
Opis:
Warranty claims data contain valuable information about the quality and reliability of products. The monitoring and early-warning of warranty claims data are of great significance to the manufacturer by identifying and solving the emerging quality or reliability problem as soon as possible. However, though it has been used widely in the automobile industry, there are no studies that have been carried out on the monitoring and early-warning of claims data for products sold with two-dimensional warranty. In order to fill this gap, fitting the two-dimensional warranty claims data with accelerated failure model (AFT), a multi-stage riskadjusted control chart is proposed by this paper, for which a reasonable product sales tracking time and a monitoring time are suggested to reduce the influence of sales delay and fluctuating claim rates. Comparing with traditional Cumulative Sum Control Chart (CUSUM), the applicability and availability of the proposed model are demonstrated in the final.
Roszczenia gwarancyjne stanowią cenne źródło informacji na temat jakości i niezawodności produktów. Monitorowanie danych dotyczących roszczeń gwarancyjnych i wczesne ostrzeganie w oparciu o te dane ma wielkie znaczenie dla producenta, ponieważ pozwala rozpoznawać i rozwiązywać pojawiające się problemy związane z niezawodnością w jak najkrótszym czasie. Chociaż ten rodzaj monitorowania i wczesnego ostrzegania jest szeroko stosowany w przemyśle motoryzacyjnym, nie przeprowadzono dotąd żadnych badań na temat tych procesów w odniesieniu do produktów sprzedawanych z gwarancją dwuwymiarową. W celu wypełnienia tej luki, dane o reklamacjach składanych na podstawie gwarancji dwuwymiarowych dopasowano modelem uszkodzeń przyspieszonych (accelerated failure model, AFT), a następnie przedstawiono koncepcję karty kontrolnej monitorowania wieloetapowego z korektą ryzyka, dla której zaproponowano odpowiedni czas śledzenia sprzedaży produktu i czas monitorowania, mając na uwadze zmniejszenie wpływu opóźnień w sprzedaży i wahań liczby roszczeń zgłaszanych z tytułu gwarancji. Możliwości zastosowania i dostępność proponowanego modelu porównano z tradycyjną kartą sum skumulowanych.
Źródło:
Eksploatacja i Niezawodność; 2018, 20, 2; 300-307
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
A novel method of health indicator construction and remaining useful life prediction based on deep learning
Autorzy:
Zhan, Xianbiao
Liu, Zixuan
Yan, Hao
Wu, Zhenghao
Guo, Chiming
Jia, Xisheng
Powiązania:
https://bibliotekanauki.pl/articles/27312791.pdf
Data publikacji:
2023
Wydawca:
Polska Akademia Nauk. Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne PAN
Tematy:
stacked sparse autoencoder
health indicator
long short-term memory network
remaining useful life prediction
Opis:
The construction of health indicators (HI) for traditional deep learning requires human training labels and poor interpretability. This paper proposes an HI construction method based on Stacked Sparse Autoencoder (SSAE) and combines SSAE with Long short-term memory (LSTM) network to predict the remaining useful life (RUL). Extracting features from a single domain may result in insufficient feature extraction and cannot comprehensively reflect the degradation status information of mechanical equipment. In order to solve the problem, this article extracts features from time domain, frequency domain, and time-frequency domain to construct a comprehensive original feature set. Based on monotonicity, trendiness, and robustness, the most sensitive features from the original feature set are selected and put into the SSAE network to construct HI for state partitioning, and then LSTM is used for RUL prediction. By comparing with the existing methods, it is proved that the prediction effect of the proposed method in this paper is satisfied.
Źródło:
Eksploatacja i Niezawodność; 2023, 25, 4; art. no. 171374
1507-2711
Pojawia się w:
Eksploatacja i Niezawodność
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies