A multi-agent system for the reactive fleet maintenance support planning of a fleet of mobile cyber-physical systems : application to rail transport industry
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
Les industriels et les opérateurs des flottes de systèmes cyber-physiques (CPS) sont soumis à de fortes exigences exprimées en termes de disponibilité, fiabilité des produits et des services fournis lors de l’exploitation de ces flottes dans des environnements dynamiques. Ces attentes incitent les industriels, et notamment dans le secteur du transport, à développer des mécanismes efficaces de planification réactive des opérations de maintenance au niveau de la flotte. Dans cette thèse, un système multi-agent (SMA) pour la planification réactive de la maintenance d’une flotte de CPS est proposé. Ce SMA est construit en utilisant la méthode de conception ANEMONA et a pour objectif d’optimiser la planification de la maintenance au niveau flotte afin de répondre aux exigences spécifiées. Les expériences réalisées au cours de ces travaux démontrent la capacité de ce SMA à planifier la maintenance de la flotte de manière efficace (c'est-à-dire satisfaire les exigences de disponibilité et de fiabilité de la flotte dans un environnement statique) et de manière réactive (c'est-à-dire être capable d'adapter/de modifier les décisions de planification de la maintenance à la suite des perturbations). L'efficacité de ce modèle SMA est validée par un modèle mathématique et sa réactivité est testée par simulation de perturbations. Une application dans le domaine ferroviaire au sein de Bombardier Transport France est proposée. Le SMA est intégré à un système d’aide à la décision dénommé « MainFleet ». Le développement de MainFleet est en cours.
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.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 it