Cadre méthodologique pour la gestion des opérations manufacturières avec prise en compte de la variabilité intrinsèque en contexte 4.0 : application dans l'industrie textile et l'industrie agroalimentaire
Bibliographic record
Abstract
Dans le contexte industriel actuel, plusieurs entreprises éprouvent des difficultés à améliorer leur performance, et ce, en raison d’une problématique de variabilité intrinsèque de certains procédés industriels. Cette variabilité peut ainsi provenir de diverses sources, que ce soit au niveau de la matière première, l’environnement du procédé ou le procédé en soi. Dans l’objectif de mieux comprendre et gérer les impacts de cette variabilité intrinsèque, un cadre méthodologique générique et flexible a été développé en se basant sur certains principes et certaines méthodes reconnues de la littérature. Composé de quatre étapes, soit l’analyse de la situation initiale, la modélisation prédictive, la modélisation prescriptive et enfin, une étape d’implantation, ce cadre méthodologique a par la suite été appliqué à deux reprises en entreprise pour des problématiques industrielles réelles. Ainsi, l’application de ce cadre pour un procédé de teinture de tissu aux prises avec une variabilité intrinsèque qui complexifie la standardisation de la couleur finale a permis le développement d’un modèle prédictif présentant une performance de prédiction de 92%, fournissant du même coup beaucoup d’information sur les sources de cette variabilité. Une seconde application du cadre pour un procédé de découpe de fromage a permis à l’entreprise de mieux connaître les variables affectant la performance du procédé. En terminant, malgré certaines limites associées à l’application du cadre telles que des contraintes de temps et une dépendance à la quantité et à la qualité des données utilisées, il a été possible de conclure que le cadre méthodologique répondait aux objectifs initiaux.
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 | 0.003 | 0.005 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.009 | 0.002 |
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".