FRAM-PSO: A semi-quantitative framework integrating multi-dimensional sustainability criteria
Notice bibliographique
Résumé
• Introduces a novel framework integrating Functional Resonance Analysis Method (FRAM) with Particle Swarm Optimization (PSO) to quantitatively assess systemic risk and optimize the selection of risk mitigation strategies. • Provides a quantitative, systemic, and mitigation-oriented approach for evaluating risks specifically associated with smart wearable technologies in manufacturing settings. • Explicitly incorporates sustainability criteria (environmental, economic, social) into the optimized risk mitigation process, aligning with Industry 5.0 principles for a more holistic system improvement. • Demonstrates the practical application and effectiveness of the FRAM-PSO methodology through case studies, achieving significant reductions (e.g., more than 22% of reduction in three cases) in overall system risk. The increasing complexity of modern industrial systems, particularly those integrating smart wearables, makes it harder for traditional risk analysis methods to keep up. Systemic approaches such as the Functional Resonance Analysis Method (FRAM) help to understand how systems behave; however, there is an opportunity to develop more reliable quantification methods and integrate sustainability criteria, which current methods often do not emphasize. To address these gaps, this paper introduces a novel semi-quantitative framework that integrates FRAM with the Particle Swarm Optimization (PSO). This hybrid approach provides a structured methodology to systematically identify system functions, quantify performance variability, and model risk propagation. A key contribution is the explicit integration of multi-dimensional sustainability criteria (environmental, economic, and social) into the risk management process. This allows for the selection of optimized mitigation strategies. Three case studies involving smart wearables in assembly and disassembly systems were used to demonstrate the effectiveness of the proposed methodology. The results showcase the model’s ability to identify high-risk pathways and prioritize mitigation efforts. This confirms its potential as a decision-support tool. This study contributes a novel methodological structure for embedding sustainability and optimization into systemic risk management.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».