Méthodologie d’étude et de la mise en place d’un modèle de maintenance 4.0
Notice bibliographique
Résumé
La maintenance dans l’industrie, ainsi que dans d’autres types de structures telles que les services publics, les hôpitaux, les mines est un des éléments indispensables pour leur bon fonctionnement. La plupart des méthodes et outils utilisés pour la maintenance sont souvent dépassés ou mal exploités, ce qui peut entrainer des pertes de temps, un bilan financier déficitaire et une dégradation de la qualité des services. Les audits et les visites effectuées dans les différentes organisations présentées dans ce mémoire nous ont permis de constater qu’elles font face à certaines problématiques similaires. En s’intéressant à celles-ci, nous leur avons proposé des outils d’évaluations de leurs méthodes de travail, processus et ressources. Nous avons proposé aussi quelques approches qui pourraient permettre d’implanter un modèle de maintenance 4.0. \n \nLe modèle de maintenance 4.0 est une approche innovante qui consiste à restructurer l’organisation de la maintenance des équipements grâce à l’internet des objets, à l’intelligence artificielle, à l’exploitation et à la valorisation des données de maintenance. \n \nAfin de répondre aux problématiques rencontrées, nous avons commencé par explorer les pratiques de maintenance, les méthodes et les algorithmes des traitements de données de maintenance existants. Nous avons proposé des actions préliminaires à effectuer avant de sélectionner un algorithme pour un modèle futur de maintenance 4.0. Dans une perspective de restructuration, nous avons étudié et proposé des outils de transformation numérique et de détection de maturité numérique. \n \nGrâce aux différentes vites effectuées à la station d’épuration des eaux usées de Montréal, nous avons pu développer et proposer des idées, des outils et méthodes qui pourraient être exploitées dans le cadre de la transition des solutions analogiques vers des solutions numériques; avec comme objectif l’implantation d’un modèle de maintenance 4.0. \n \nAprès avoir étudié le principe de fonctionnement de la maintenance biomédicale à l’hôpital Honoré-Mercier, nous leur avons proposé des méthodes d’étude de la maturité numérique et de sélection des algorithmes intelligents compatibles avec leurs modèles de maintenance et les équipements à maintenir. Nous leur avons aussi proposé des méthodes pour planifier les différentes étapes de mise en place d’un modèle de maintenance 4.0, afin d’optimiser leurs opérations et le taux de disponibilité des dispositifs. \n \nAfin d’illustrer une des façons dont les données de maintenance pourraient être exploitées, nous avons dans le cadre de notre mission à Eldorado Gold Québec présenté des données valorisées d’alarmes des camions, afin de pouvoir effectuer un suivi de leurs utilisations par les opérateurs sous terre. Grâce à ce troisième exemple, nous avons pu aussi observer la différence au niveau des modèles de maturité numérique qui pourrait exister entre une organisation qui souhaiterait passer de l’analogique à un modèle de maintenance 4.0 et une autre qui l’a débuté.
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 | 0,014 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,009 | 0,006 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,003 |
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 ».