MétaCan
Menu
Retour à la cohorte
Enregistrement W2126310456 · doi:10.5539/mas.v3n6p83

The Work in Process (WIP) Control Model and Its Application Simulation in Small-batch and Multi-varieties Production Mode

2009· article· en· W2126310456 sur OpenAlexvenueno aff
Yaochao Wang

Notice bibliographique

RevueModern Applied Science · 2009
Typearticle
Langueen
DomaineEngineering
ThématiqueScheduling and Optimization Algorithms
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBatch productionProduction lineFactory (object-oriented programming)Scheduling (production processes)Computer scienceProduction (economics)Process (computing)Work in processProduction controlManufacturing engineeringWork (physics)Volume (thermodynamics)Process controlIndustrial engineeringProcess engineeringEngineeringOperations managementMechanical engineering

Résumé

récupéré en direct d'OpenAlex

This paper aimed at the phenomena of the volume of work in process (WIP) great and uneven distribution, which is caused by small batches, various breeds, the complex scheduling, and long production cycle and so on in machine manufacturing industry. The machine manufacturing industry production workshop is taken as the research object in this paper. A work in process (WIP) control model based on the limited capacity is put forward by analyzing the characteristics of multi-varieties of small-batch production, the factors of the state of workshop equipment, equipment parameters (breakdown rate and maintenance rate), delivery deadline, product process similarity and so on. Taking a gear production line of a state-owned large-scale speed reducer’s factory as an example, Witness2003 is used to simulate and optimize the work in process control model of the gear production line. The case study proves that in the manufacturing of small-batch and multi-varieties production mode, WIP volume control problems can be effectively solved by the WIP control model. And the WIP control model provides an effective, workable solution for small-batch and multi-varieties production under the control of the production mode.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: Simulation ou modélisation
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,644
Score d'incertitude au seuil0,338

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,251
Écart entre enseignants0,237 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueModern Applied ScienceMême sujetScheduling and Optimization AlgorithmsTravaux en français237 207