The (α, β)-Precise Estimates of MTBF and MTTR: Definitions, Calculations, and Induced Effect on Machine Efficiency Evaluation

Using machine learning techniques to predict the cost of repairing hard failures in underground fiber optics networks

“…The ML model was carefully chosen to aid in providing good accuracy in our cost prediction research. The cost of repairing fiber cable cut (y) = the cost of repair + the revenue lost * MTTR MTBF is the average time elapsed from one failure to the next [4]. MTTR is the average time taken to repair faults after a failure.…”

“…The values of the MTTR depend on a variety of factors such as duct type (aerial, underground or submarine cable), failure location (city area or rural/hard-to-reach areas), kind of the damage and, of course, reaction and completion times defined in the contracts with the responsible repair companies. In the instances stated the use of MTTR values in the range of 1 h (Best case) to 4 h (worst case) [4]. Assume both MTBF and MTTR to be the same throughout the network.…”

A two-stage fuzzy multi-criteria approach for proactive maintenance strategy selection for manufacturing systems

“…When a breakdown occurs [50] (criteria DR 131 , DR 121 , DR 122 , DR 123 , DR 124 , and DR 124 ), reinstating the equipment depends on the competence of the workforce [51,52] (criterion FR 143 ) and the maintenance resources [53,54] (criteria DR 111 , DR 112 , DR 113 , DR 114 , and FR 123 ) available to the maintenance team. Encouraging a philosophy of reliability (criterion FR 134 ) among team members assists to establish the measures [55,56], for instance, mean time to restore (criterion FR 121 ), mean time between maintenance (criterion FR 124 ), mean time between failures (criterion FR 122 ), the number of defective products (criterion DR 132 ), maintenance workforce cost (criterion FR 111 ), spare parts cost [53,54] (criterion FR 112 ), overhead cost (criterion FR 113 ), and consultancy cost (criterion FR 114 ) are constantly tracked and enhanced while adopting the most appropriate maintenance strategy for the rolling mill plant [53,54]. Furthermore, the decision-maker needs to implement strategies to minimize maintenance time [57,58] (criteria DR 113 , DR 121 , DR 122 , DR 123 , DR 124 , and DR 133 ) and permit the plant to function at the uppermost efficiency (criterion FR 123 ) that it can.…”

Model for Hydraulic Shovel Maintenance Planning Using Monte Carlo Simulation

“…Históricamente mantenimiento y producción han tenido una relación de dependencia, debido a que los trabajos de mantenimiento generan paradas de los procesos productivos que se traduce en lucro cesante, esta es una de las principales razones por las que se recomienda planificar el mantenimiento con orientación al costo [2], a su vez las decisiones de planificación y programación constituyen el eje para la mejora de la gestión del mantenimiento [3], de ahí la importancia de prestar atención tanto a los aspectos técnicos como administrativos del mantenimiento [1], desarrollando mecanismos de soporte a la toma de decisiones. Tomando en cuenta estos aspectos, el estudio aporta con el desarrollo de un modelo de simulación, usando el método de Monte Carlo, que permita predecir el tiempo medio para desarrollar los trabajos de mantenimiento (MTTR), de una flota de 4 palas hidráulicas EX4500 que operan en un emplazamiento minero, y el lucro cesante (lc) asociado, es decir, dos indicadores básicos para la toma de decisiones durante la planificación del mantenimiento, debido a que el MTTR muestra el resultado de la versatilidad del sistema para atender a la flota de manera oportuna, siendo el indicador que resume todos los esfuerzos del área de mantenimiento, por restituir los equipos en el menor tiempo posible a producción [4]; y el lc, que mide la penalidad por dejar de producir y percibir debido la parada de los equipos por el actuar del área de mantenimiento. El MTTR se mide usualmente en horas y varía en función al tipo de servicio que ingresa al departamento de mantenimiento, pero, predecir la demanda de servicios de mantenimiento mediante técnicas analíticas resulta complejo, en comparación a la simulación [5] y [6], que ha sido largamente utilizada con éxito, proporcionando valores aproximados [7] a través de modelos más intuitivos y fáciles de comprender por parte de los usuarios [6], [8] y [9], facilitando así la toma de decisiones y permitiendo el establecimiento de estrategias de mejora [7].…”