Scheduling in Remanufacturing Systems: A Bibliometric and Systematic Review
Notice bibliographique
Résumé
Global ambitions for net-zero emissions and resource circularity are propelling industry from linear “make-use-dispose”models toward closed-loop value creation. Remanufacturing, which aims to restore end-of-life products to a “like-new” condition, plays a central role in this transition. However, its stochastic inputs and complex, multi-stage processes pose significant challenges to traditional production planning methods. This study delivers an integrated overview of remanufacturing scheduling by combining a systematic bibliometric review of 190 publications (2005–2025) with a critical synthesis of modelling approaches and enabling technologies. The bibliometric results reveal five thematic clusters and a 14% annual growth rate, highlighting a shift from deterministic, shop-floor-focused models to uncertainty-aware, sustainability-oriented frameworks. The scheduling problems are formalised to capture features arising from variable core quality, multi-phase precedence, and carbon reduction goals, in both centralised and cloud-based systems. Advances in human–robot disassembly, vision-based inspection, hybrid repair, and digital testing demonstrate feedback-rich environments that increasingly integrate planning and execution. A comparative analysis shows that, while mixed-integer programming and metaheuristics perform well in small static settings, dynamic and large-scale contexts benefit from reinforcement learning and hybrid decomposition models. Finally, future directions for dynamic, collaborative, carbon-conscious, and digital-twin-driven scheduling are outlined and investigated.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,045 | 0,058 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».