Integrated products–systems design environment using Bayesian 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
Providing new design environments to assist manufacturing engineers is essential to decrease products’ lead time. Complex systems will be better designed and utilised to manufacture more products efficiently if systems–products’ relationships are retrieved automatically and effectively. In this paper, a design environment using a Bayesian network is proposed. It inducts the relationships within the products’ and machine’s domains and maps the relationships between the two domains. The design environment incorporates Necessary Path Condition used in structure learning in a Bayesian network, estimation–maximisation (EM), k-most probable configurations algorithm, and d-separation concepts to understand and analyse these relationships, hence, it facilitates synthesising new systems and product. Two case studies are presented involving: (1) milling machines and their corresponding machined parts, and (2) tools’ inserts used in grinding and their corresponding fixtures. In addition, a theorem is proposed, proved and discussed to justify the use of the Bayesian network for detecting the products–machines relationships. Results show that, unlike other design methodologies, the Bayesian networks can provide adaptable design environment by analysing the interactions between existing manufacturing entities such as machines/products and fixtures/inserts’ specifications in a reverse engineering manner, without clearly identifying all the relationships between them a priori. The Bayesian network’s inference capabilities are used to determine the most suitable machines/fixtures for new parts, and deduce the composite part/product that can be manufactured using newly acquired machines.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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