Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Predicción de la vida útil de los cabezales de impresión industriales mediante análisis de supervivencia

Created by
  • Haebom

Autor

Dan Parii, Evelyne Janssen, Guangzhi Tang, Charalampos Kouzinopoulos, Marcin Pietrasik

Describir

Este artículo presenta un estudio que aplica técnicas de análisis de supervivencia para predecir la vida útil de los cabezales de impresión de producción desarrollados por Canon Production Printing. Se utilizaron cinco técnicas: el estimador de Kaplan-Meier, el modelo de riesgos proporcionales de Cox, el modelo de vida útil acelerada de Weibull, los bosques de supervivencia aleatorios y el aumento de gradiente para estimar las probabilidades de supervivencia y las tasas de fallo. Se empleó la regresión conforme para mejorar las estimaciones y los datos se agregaron para determinar el número esperado de fallos. La fiabilidad del modelo se evaluó comparando los datos reales con los resultados previstos en múltiples intervalos de tiempo. Una evaluación cuantitativa con tres métricas de rendimiento demostró que el análisis de supervivencia supera a los métodos estándar del sector para predecir la vida útil de los cabezales de impresión.

Takeaways, Limitations

Takeaways:
Demostramos que las técnicas de análisis de supervivencia se pueden utilizar para predecir con precisión la vida útil de los cabezales de impresión de producción.
Proporciona una base para seleccionar el modelo óptimo mediante la comparación de varias técnicas de análisis de supervivencia.
Puede contribuir a la planificación del mantenimiento y a la optimización de la producción en plantas industriales.
Se demostró un rendimiento predictivo superior en comparación con los métodos estándar de la industria existentes.
Limitations:
Los sujetos de estudio se limitan a cabezales de impresión de un fabricante específico.
La generalización a otros tipos de equipos o componentes requiere más estudios.
El rendimiento del modelo puede variar según las características de los datos utilizados.
Se necesita una mayor validación de la precisión predictiva a largo plazo.
👍