A multi-agent system for the reactive fleet maintenance support planning of a fleet of mobile cyber-physical systems : application to rail transport industry
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Les industriels et les opérateurs des flottes de systèmes cyber-physiques (CPS) sont soumis à de fortes exigences exprimées en termes de disponibilité, fiabilité des produits et des services fournis lors de l’exploitation de ces flottes dans des environnements dynamiques. Ces attentes incitent les industriels, et notamment dans le secteur du transport, à développer des mécanismes efficaces de planification réactive des opérations de maintenance au niveau de la flotte. Dans cette thèse, un système multi-agent (SMA) pour la planification réactive de la maintenance d’une flotte de CPS est proposé. Ce SMA est construit en utilisant la méthode de conception ANEMONA et a pour objectif d’optimiser la planification de la maintenance au niveau flotte afin de répondre aux exigences spécifiées. Les expériences réalisées au cours de ces travaux démontrent la capacité de ce SMA à planifier la maintenance de la flotte de manière efficace (c'est-à-dire satisfaire les exigences de disponibilité et de fiabilité de la flotte dans un environnement statique) et de manière réactive (c'est-à-dire être capable d'adapter/de modifier les décisions de planification de la maintenance à la suite des perturbations). L'efficacité de ce modèle SMA est validée par un modèle mathématique et sa réactivité est testée par simulation de perturbations. Une application dans le domaine ferroviaire au sein de Bombardier Transport France est proposée. Le SMA est intégré à un système d’aide à la décision dénommé « MainFleet ». Le développement de MainFleet est en cours.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle