COMBINER DE MULTIPLE LANGAGES POUR LA PROGRAMMATION DES CONTRÔLEURS DE MACHINES-OUTILS À ARCHITECTURE OUVERTE
Bibliographic record
Abstract
L’apparition de contrôleurs à architecture ouverte pour les machines-outils à commande numérique a favorisé la conception de nouveaux langages de contrôle. Ces langages introduisent des fonctionnalités permettant d’exploiter plus à fond les machines et tentent de palier aux lacunes des Codes-G, qui a maintes fois fait l’objet de critiques, notamment lors de l’élaboration du standard STEP-NC (ISO14649). Pourtant, ce langage est encore souvent le seul utilisé pour les contrôleurs de machines-outils et aucune alternative n’a véritablement été utilisée ailleurs qu’en recherche. Cet article propose une nouvelle architecture logicielle pour le contrôle des machines-outiis : l’architecture BNCL (Basic Numerical Control Language). Cette architecture repose sur l’abstraction de la machine-outil ainsi que de l’environnement logiciel utilisé. Elle permet l’utilisation de multiples langages de programmation, incluant les sources APT ou STEP-NC provenant des logiciels de FAO, et offre une grande flexibilité d’utilisation. De plus, cette approche répond aux principaux critères d’implémentation des contrôleurs à architecture ouverte exposés dans la littérature. Une came définie de façon paramétrique a été usinée afin de démontrer la validité et les performances des concepts proposés. Cet essai a démontré que la limitation des performances sous cette architecture provient dorénavant des capacités physiques de la machine-outil et non de l’architecture logicielle elle-même.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.005 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.004 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".