MétaCan
Menu
Retour à la cohorte
Enregistrement W2156895135 · doi:10.1177/1063293x05059806

Synthesis, Evaluation, and Selection of Parts Design Scheme in Supplier Involved Product Development

2005· article· en· W2156895135 sur OpenAlexaff
Jiafu Tang, Yan-E Zhang, Yiliu Tu, Yizeng Chen, Ying Dong

Notice bibliographique

RevueConcurrent Engineering · 2005
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueQuality Function Deployment in Product Design
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésScheme (mathematics)House of QualityQuality function deploymentNew product developmentManufacturing engineeringSoftware deploymentProduct designProduct (mathematics)Systems engineeringSelection (genetic algorithm)Computer scienceProcess (computing)Product design specificationQuality (philosophy)Integer programmingIndustrial engineeringEngineeringSoftware engineeringBusinessMathematicsArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Taking into account the supplier involvement in the new product development (NPD), this article focuses on the synthesis evaluation, and selection of the part design scheme in part deployment process. The concepts of performance indicator (PI) and integrated performance indicators (IPI) are introduced to measure the performance of the part design scheme and product design scheme respectively. A two-layer fuzzy synthesis evaluation method is applied to assess the part design scheme in a supplier-involved new product development process. Combining the information of House of Quality (HoQ) and evaluation results of the part design scheme and taking into account the design budget, a 0–1 integer programming model is developed for selection of the parts combinatorial scheme in supplier-involved part deployment processes. A case study with a type of liquid crystal display (LCD) design in an Electronic Appliance Manufacturing Enterprise is also illustrated in the article.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,051
Tête enseignante GPT0,252
Écart entre enseignants0,201 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
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

Citations19
Publié2005
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueConcurrent EngineeringMême sujetQuality Function Deployment in Product DesignTravaux en français237 207