Considération d’un indicateur d’efficacité énergétique pour la prise de décision en maintenance. De sa définition au fondement de son pronostic
Bibliographic record
Abstract
Ce papier a pour objet d’investiguer la problématique de considération de l’efficacité énergétique et de sa prévision comme nouvel indicateur dans la prise de décision en maintenance. En ce sens, le papier positionne tout d’abord les différentes définitions et concepts de l’efficacité énergétique en général, pour ensuite les particulariser au domaine industriel. Chaque concept est ainsi analysé et nous discutons de la pertinence de leur utilisation à différents niveaux de décision. Ceci nous permet de proposer une approche multi niveau d’évaluation d’un indicateur de l’efficacité énergétique d’un système industriel. L’évolution temporelle de cet indicateur en regard de la dégradation du système est ensuite abordée dans un objectif de maintenance prévisionnelle. Cela nous amène à proposer, en dual du concept connu de RUL (Remaining Useful Life), le concept de REEL représentant la durée de vie énergétique résiduelle. Des approches de pronostic de l’indicateur d’efficacité énergétique sont par conséquent investiguées pour permettre le calcul de cette REEL. Enfin, nous appliquons le concept d’efficacité énergétique proposé et montrons la valeur ajoutée de notre approche pour le pronostic de l’indicateur d’efficacité énergétique sur plusieurs niveaux de la plateforme laboratoire en télémaintenance TELMA.
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 | 0.004 | 0.019 |
| Meta-epidemiology (narrow) | 0.002 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.003 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.005 | 0.001 |
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".