Developing assembly line layout for delayed product differentiation using phylogenetic networks
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Effective formation of product platforms helps adapt to product demand changes and decrease time-to-market and lead time. The product platform groups the core elements of product family members into a common module used to derive different product variants by combining it with different components. A new delayed product differentiation (DPD) platform network model, which applies median-joining phylogenetic networks (MJPN), is proposed. It is used for forming product platforms and determining the assembly line layout of modular product families. The MJPN is traditionally used for DNA sequences’ mapping, analysis, clustering and tracing evolutionary trends. The concept of assembly/disassembly modular platforms, whereby both assembly and disassembly of components are used to derive the final product variants from the platform, is utilised. The proposed model determines the required number and composition of a product platform and defines the DPD points. The developed dynamic assembly/disassembly platforms enhance routing and product mix flexibility due to having different platforms that can be used to produce the same product variant. A family of household kettles is used to demonstrate the application of the proposed model. A metric is presented for determining the effectiveness of a given platform in delaying the product differentiation, hence increasing the efficiency of mass customisation. The proposed metric, applied to the case study, demonstrated that the proposed platform formation model using MJPN is more capable of postponing the product differentiation point.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle