Reliability Improvement of Lithium Cells Using Laser Welding Process with Design of Experiments
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">Manufacturing operations introduce unreliability into hardware that is not ordinarily accounted for by reliability design engineering efforts.</div><div class="htmlview paragraph">Inspections and test procedures normally interwoven into fabrication processes are imperfect, and allow defects to escape which later result in field failures.</div><div class="htmlview paragraph">Therefore, if the reliability that is designed and developed into an equipment/system is to be achieved, efforts must be applied during production to insure that reliability is built into the hardware.</div><div class="htmlview paragraph">There are various ways to improve the reliability of a product. These include: <ul class="list disc"><li class="list-item"><div class="htmlview paragraph"><b>Simplification</b></div></li><li class="list-item"><div class="htmlview paragraph"><b>Stress reduction/strength enhancement</b></div></li><li class="list-item"><div class="htmlview paragraph"><b>Design Improvement</b></div></li><li class="list-item"><div class="htmlview paragraph"><b>Using higher quality components</b></div></li><li class="list-item"><div class="htmlview paragraph"><b>Environmental Stress Screening before shipment</b></div></li><li class="list-item"><div class="htmlview paragraph"><b>Process Improvements, etc.</b></div></li></ul></div><div class="htmlview paragraph">This paper concentrates on <b>‘Manufacturing Process Improvement’</b> effort through the use of design of experiments, (DOE). Hence, improved levels of reliability can be achieved.</div><div class="htmlview paragraph">Most applications optimize the mean value of a response variable. Parameter design experiments are aimed at reducing variability caused by manufacturing variations. In industrial processes, controlling variability is usually much harder than controlling the mean value. And variability is often a root cause of manufacturing problems.</div><div class="htmlview paragraph"><b>Optimizing</b> the process of welding the lithium cells hermetically, by laser, have been focused in this work.</div><div class="htmlview paragraph">Cell cans were approximately 1.5 inch diameter, nickel-plated, cold rolled steel with the top welded on around a 0.040 inch lip.</div><div class="htmlview paragraph">The important characteristic measured in this work is weld penetration depth.</div><div class="htmlview paragraph">The key steps in this project are: <ol class="list nostyle"><li class="list-item"><span class="li-label">1</span><div class="htmlview paragraph">Identify important process parameters / factors, (controllable and un-controllable / noise), and their potential working levels that can be manipulated.</div></li><li class="list-item"><span class="li-label">2</span><div class="htmlview paragraph">Design and perform ‘Fractional Factorial Experiments’ on the process.</div></li><li class="list-item"><span class="li-label">3</span><div class="htmlview paragraph">Analyze the resulting data to determine the optimum operating levels of the factors such that the product's functional characteristic is optimized and has minimal sensitivity to noise.</div></li></ol></div></div>
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».