2-Maintenance dans les systèmes multi-états

Les systèmes multi-états :

1. "Condition-based maintenance method for multi-component systems under

discrete-state condition : Subsea production system as a case"
 Auteur(s) : Rongkang Li, Baoping Cai, Yonghong Liu, Yixin Zhao, Yiliu Liu,
Yanping Zhang, Xiangdi Kong
 Année : 2024
 L'article présente une méthode de maintenance basée sur l'état pour les
systèmes multi-composants, démontrant son application dans un système de
production sous-marin.
 [10]
2. "A hybrid deep learning approach to integrate predictive maintenance and
production planning for multi-state systems"
 Auteur(s) : Hassan Dehghan Shoorkand, Mustapha Nourelfath, Adnène Hajji
 Année : 2024
 L'article intègre la maintenance prédictive avec la planification de la
production pour les systèmes multi-états, améliorant ainsi la fiabilité
opérationnelle.
 [1]

3. "An optimal selective maintenance policy for multi-state series production

systems by considering environment impact"

 Auteur(s) : Haibo Jin, Xianhe Song, Hao Xia, Diawara Faysal Almamy
 Année : 2024
 L'article explore une politique de maintenance sélective optimale pour les
systèmes de production en série, tenant compte de l'impact environnemental
pour améliorer la fiabilité et réduire les coûts.
 [6]

4. "Condition-based maintenance considering imperfect inspection for a multi-state

system subject to competing and hidden failures"

 Auteur(s) : Yanjing Zhang, Linhan Ouyang, Xiaohua Meng, Xiaoya Zhu

 Année : 2024
 L'article propose une maintenance basée sur l'état pour les systèmes multi-états
confrontés à des défaillances concurrentes, soulignant son rôle dans la
réduction des temps d'arrêt et des coûts de maintenance
 [9]
5. "Integrated selective maintenance and task assignment optimization for multi-
state systems executing multiple missions"

 Auteur(s) : Weining Ma, Qin Zhang, Tangfan Xiahou, Yu Liu, Xisheng

Jia
 Année : 2023
 L'article optimise la maintenance sélective et l'affectation des tâches
pour les systèmes multi-états exécutant des missions multiples,
améliorant ainsi la performance opérationnelle globale.
 [19]

6. "A Markov Regenerative Process Model for the Dependability and Performance
of a Two-Unit Multi-State System under Maintenance"

 Auteur(s) : Vasilis P. Koutras

 Année : 2023
 L'article propose un modèle de processus régénératif de Markov pour
évaluer la fiabilité des systèmes multi-états sous maintenance, offrant
ainsi des insights précieux pour l'optimisation des politiques de
maintenance.
 [2]

7. "Dynamic loading and condition-based maintenance policies for multi-state

systems with periodic inspection"

 Auteur(s) : Xian Zhao, Xiaofei Chai, Shuai Cao, Qingan Qi

 Année : 2023
 L'article propose des politiques de maintenance conditionnelle pour les
systèmes multi-états sous inspection périodique, soulignant leur rôle
dans l'amélioration de la fiabilité et la réduction des temps d'arrêt.
 [13]

8. "Optimization of condition-based maintenance for multi-state deterioration

systems under random shock"

 Auteur(s) : Yingsai Cao, Jianqiang Luo, Wenjie Dong

 Année : 2023
 L'article propose une optimisation de la maintenance basée sur l'état
pour les systèmes multi-états confrontés à des chocs aléatoires,
soulignant son rôle dans la minimisation des temps d'arrêt et des coûts
de maintenance.
 [23]
9. "Performance efficiency and cost analysis of multi-state systems with successive
damage and maintenance in multiple shock events"

 Auteur(s) : Hongyan Dui, Yaohui Lu, Zhanfei Gao, Liudong Xing

 Année : 2023
 L'article analyse l'efficacité des systèmes multi-états face à des dommages
successifs et propose des stratégies de maintenance pour améliorer leur
performance opérationnelle et réduire les coûts associés.
 [27]

10. "Preventive maintenance optimization for multi-state parallel systems with a

repair facility under random shock"

 Auteur(s) : Xiaobo Liu, Xuyun Zhang, Xufeng Zhu

 Année : 2023
 L'article propose une optimisation de la maintenance préventive pour les
systèmes parallèles multi-états avec une installation de réparation sous choc
aléatoire, contribuant à une meilleure fiabilité opérationnelle et une réduction
des coûts de maintenance.
 [29]

11. "Designing preventive maintenance for multi-state systems with performance

sharing"

 Auteur(s) : Congshan Wu, Rong Pan, Xian Zhao, Xiaoyue Wang

 Année : 2024
 L'article propose une méthode de maintenance préventive pour les systèmes
multi-états avec partage de performance, illustrant son application dans la
distribution régionale de l'énergie.
 [12]

12. "Scheduling heterogeneous repair channels in selective maintenance of multi-

state systems with maintenance duration uncertainty"

 Auteur(s) : Mingang Yin, Yu Liu, Shuntao Liu, Yiming Chen, Yutao Yan
 Année : 2023
 L'article propose un modèle de maintenance sélective avec des canaux de
réparation hétérogènes prenant en compte l'incertitude de la durée de
maintenance pour les systèmes multi-états.
 [35]

13. "Artificial-intelligence-based maintenance decision-making and optimization for

multi-state component systems"

 Auteur(s) : Van-Thai Nguyen, Phuc Do, Alexandre Vosin, Benoit Iung

  Année : 2022
 L'article propose une approche de maintenance basée sur l'intelligence artificielle
pour la prise de décision et l'optimisation des systèmes multi-états, utilisant des
réseaux neuronaux artificiels et un algorithme d'apprentissage par renforcement
profond.
 [7]

14. "A predictive Markov decision process for optimizing inspection and
maintenance strategies of partially observable multi-state systems"

 Auteur(s) : Chunhui Guo, Zhenglin Liang

 Année : 2022
 L'article propose un processus décisionnel de Markov prédictif pour
l'optimisation des stratégies d'inspection et de maintenance des systèmes multi-
états partiellement observables, permettant de réduire les coûts d'inspection et
de maintenance.
 [5]

15. "Optimal maintenance strategy for multi-state systems with single maintenance
capacity and arbitrarily distributed maintenance time"

 Auteur(s) : Yiming Chen, Yu Liu, Tao Jiang

 Année : 2021
 L'article propose une stratégie optimale de maintenance pour les systèmes
multi-états avec une capacité de maintenance unique, prenant en compte une
distribution arbitraire des temps de maintenance pour chaque tâche de
maintenance.
 [21]

16. "Remaining useful life prediction and predictive maintenance strategies for
multi-state manufacturing systems considering functional dependence"

 Auteur(s) : Xiao Han, Zili Wang, Min Xie, Yihai He, Yao Li, Wenzhuo Wang
 Année : 2021
 Cet article propose une approche de prédiction de la durée de vie restante et de
stratégies de maintenance prédictive pour les systèmes de fabrication multi-
états, en prenant en compte la dépendance fonctionnelle des composants.
 [31]

17. "Integrated scheduling and flexible maintenance in deteriorating multi-state

single machine system using a reinforcement learning approach"

 Auteur(s) : Hongfeng Wang, Qi Yan, Shuzhu Zhang

 Année : 2021
  Cette étude propose une approche intégrée de planification et de maintenance
flexible dans un système monomachine multi-états en dégradation, utilisant un
cadre d'apprentissage par renforcement.
 [15]

18. "Joint optimization of preventive maintenance and production scheduling for

multi-state production systems based on reinforcement learning"
 Auteur(s) : Hongbing Yang, Wenchao Li, Bin Wang
 Année : 2021
 L’article Propose une approche intégrée d'optimisation de la maintenance
préventive et de la planification de la production pour les systèmes de
production multi-états, basée sur l'apprentissage par renforcement.
 [17]
19. "Condition-based maintenance planning for multi-state systems under time-
varying environmental conditions"
 Auteur(s) : Jiawen Hu, Ancha Xu, Bo Li, Haitao Liao
 Année : 2021
 L’article Explore une approche de planification de la maintenance basée sur
l'état pour les systèmes multi-états fonctionnant dans des environnements aux
conditions variables.
 [11]
20. "A multi-stage imperfect maintenance strategy for multi-state systems with
variable user demands"
 Auteur(s) : Wenjie Dong, Sifeng Liu, Suk Joo Bae, Yu Liu
 Année : 2020
 L’article propose une stratégie de maintenance imparfaite multi-étapes pour les
systèmes multi-états avec des demandes utilisateur variables.
 [3]

21. "A robust integrated production and preventive maintenance planning model for
multi-state systems with uncertain demand and common cause failures"

 Auteur(s) : Mahyar Alimian, Mohammad Saidi-Mehrabad, Armin Jabbarzadeh

 Année : 2019
 L’article propose un modèle intégré robuste de planification de production et
de maintenance préventive pour les systèmes multi-états avec une demande
incertaine et des défaillances de cause commune.
 [4]
22. "An optimal maintenance strategy for multi-state deterioration systems based on
a semi-Markov decision process coupled with simulation technique"
 Auteur(s) : Haibo Jin, Fangwei Han, Yu Sang
 Année : 2020
  L'article propose une stratégie de maintenance optimale pour les systèmes de
détérioration multi-états, en utilisant un processus décisionnel semi-Markov
couplé à une technique de simulation.
 [5]
23. "Integrating noncyclical preventive maintenance scheduling and production
planning for multi-state systems"
 Auteur(s) : Mohamed-Chahir Fitouhi, Mustapha Nourelfath
 Année : 2014
 L'article propose d'intégrer la planification de la maintenance préventive non
cyclique avec la planification de la production pour les systèmes multi-états.
 [16]
24. "Optimization of the dependability and performance measures of a generic
model for multi-state deteriorating systems under maintenance"
 Auteur(s) : V.P. Koutras, S. Malefaki, A.N. Platis
 Année : 2017
 L'article se concentre sur l'optimisation des mesures de fiabilité et de
performance d'un modèle générique pour les systèmes multi-états en
dégradation sous maintenance.
 [24]
25. "Selective maintenance of multi-state systems with structural dependence"
 Auteur(s) : Cuong D. Dao, Ming J. Zuo
 Année : 2017
 Cet article étudie le problème de la maintenance sélective pour les systèmes
multi-états avec une dépendance structurelle, visant à maximiser la fiabilité du
système dans la mission suivante sous contraintes de temps et de coûts.
 [18]
26. "Dynamic selective maintenance optimization for multi-state systems over a finite
horizon: A deep reinforcement learning approach"
 Auteur(s) : Yu Liu, Yiming Chen, Tao Jiang
 Année : 2020
 Cet article propose une approche d'optimisation dynamique de la maintenance
sélective pour les systèmes multi-états sur un horizon fini, en utilisant une
méthode d'apprentissage par renforcement profond.
 [26]
27. "On sequence planning for selective maintenance of multi-state systems under
stochastic maintenance durations"
 Auteur(s) : Liu Yu, Chen Yiming, Jiang Tao
 Année : 2018
 Cet article aborde la planification de séquences pour la maintenance sélective
des systèmes multi-états sous des durées de maintenance stochastiques.
 [19]
28. "Optimal selective maintenance for multi-state systems in variable loading
conditions"
 Auteur(s) : Cuong D. Dao, Ming J. Zuo
  Année : 2017
 Cet article aborde le problème de la maintenance sélective pour les systèmes
multi-états dans des conditions de charge variable, visant à déterminer la
meilleure stratégie de maintenance sélective pour maximiser la fiabilité du
système dans ces conditions.
 [22]
29. "Selective maintenance optimization for multi-state systems considering
stochastically dependent components and stochastic imperfect maintenance
actions"
 Auteur(s) : Ameneh Forouzandeh Shahraki, Om Prakash Yadav, Chrysafis
Vogiatzis
 Année : 2020
 Cet article présente une optimisation de la maintenance sélective pour les
systèmes multi-états en tenant compte des composants stochastiquement
dépendants et des actions de maintenance imparfaites stochastiques.
 [33]
30. "Dynamic Bayesian Network Approach to improve the Preventive Maintenance
of Multi-State Systems"
 Auteur(s) : F. Danioko, S. Addouche, A. El Mhamedi
 Année : 2012
 Cet article propose une approche basée sur les réseaux bayésiens dynamiques
pour améliorer la maintenance préventive des systèmes multi-états, avec une
optimisation réalisée via l'apprentissage par renforcement.
 [14]

Les systèmes binaires :

31. "A hybrid method for the capability evaluation of a far-sea naval ship repair and
maintenance system based on binary semantic information and the evidential
reasoning approach"
 Auteur(s) : Xu Xiaowei, Xie Xinlian, Pan Wei, Wang Yukuan
 Année : 2024
 Cet article propose une méthode hybride pour évaluer les capacités d'un
système de réparation et de maintenance navale en haute mer, en utilisant des
informations sémantiques binaires et une approche de raisonnement fondée sur
les preuves.
 [8]
32. "Reliability modeling with condition-based maintenance for binary-state
deteriorating systems considering zoned shock effects"
 Auteur(s) : Guanzhou Wei, Xiujie Zhao, Shuguang He, Zhen He
 Année : 2019
 Cet article présente un modèle de fiabilité pour les systèmes de détérioration à
deux états, prenant en compte les effets de chocs zonés. Il propose également
une stratégie de maintenance conditionnelle pour améliorer les performances
 du système en déterminant une action optimale en fonction de l'état du
système, ce qui peut contribuer à une meilleure gestion des coûts
opérationnels.
 [30]

33. "Selective maintenance for binary systems under imperfect repair"

 Auteur(s) : Mayank Pandey, Ming J. Zuo, Ramin Moghaddass, M.K. Tiwari

 Année : 2013
 Cet article propose un modèle de maintenance sélective pour les systèmes
binaires sous réparation imparfaite, offrant ainsi des implications potentielles
pour une utilisation optimale des ressources de maintenance et une
amélioration de la fiabilité du système.
 [32]

34. "Optimal inspection of binary systems via Value of Information analysis"

 Auteur(s) : Chaochao Lin, Junho Song, Matteo Pozzi

 Année : 2022
 Cet article propose une méthode pour attribuer des priorités à la collecte
d'informations sur les systèmes binaires, ce qui peut améliorer la gestion des
ressources de maintenance et la fiabilité du système.
 [20]

35. "Bi-AAE: A binary adversarial autoencoder deep neural network model for
anomaly detection in system-levels marine diesel engines"
 Auteur(s) : Peng Zhang, Chaozhe Li, Huanyun Xu, Yongjiu Zou, Kai Wang,
Yuewen Zhang, Peiting Sun
 Année : 2024
 Cet article propose un modèle de réseau neuronal profond basé sur
l'autoencodeur adversarial binaire pour la détection d'anomalies dans les
moteurs diesel marins au niveau du système. Cette approche offre des
implications potentielles pour l'optimisation des opérations et de la
maintenance au niveau du système dans les salles des machines des navires.
 [8]