Méthodologie d’étude et de la mise en place d’un modèle de maintenance 4.0
Bibliographic record
Abstract
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.
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 | 0.014 | 0.044 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.003 |
| Bibliometrics | 0.003 | 0.002 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.009 | 0.006 |
| Open science | 0.004 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.012 | 0.003 |
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".