MétaCan
Menu
Retour à la cohorte
Enregistrement W2610215883 · doi:10.1115/1.4036639

Tool Accessibility Analysis for Robotic Drilling and Fastening

2017· article· en· W2610215883 sur OpenAlexaff
David Dakdouk, Fengfeng Xi

Notice bibliographique

RevueJournal of Manufacturing Science and Engineering · 2017
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésAerospaceRivetProcess (computing)Motion planningDrillingWork (physics)Computer sciencePath (computing)SoftwareEngineeringSimulationMechanical engineeringRobotAerospace engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Robotic applications in aerospace manufacturing and aircraft assembly today are limited. This is because most of the aircraft parts are relatively crowded and have complex shapes that make tasks like robotic drilling and fastening more challenging. These challenges include tool accessibility, path, and motion planning. In this paper, a process methodology was developed to overcome the tool accessibility challenges facing robotic drilling and riveting for aircraft parts that are located in crowded work environments. First, the tool accessibility was analyzed based on the global accessibility area (GAA) and the global accessibility volume (GAV) to determine the accessible boundaries for parts with zero, one, and two surfaces curvatures. Then, the path for the tool was generated while taking in consideration the approachability planning. This approach generates a number of intermediate points that enable the tool to maneuver around obstacles to reach the final target points if they are accessible. Last, a software application was developed to simulate the drilling and riveting tasks, and to validate the proposed process. The results of the simulation confirmed the proposed methodology and provided a numerical feedback describing the level of crowdedness of the work environment. The accessibility percentage can then be used by the design team to reduce the design complexity and increase the level of tool accessibility.

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)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut 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 enseignants0,002
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,001
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 Opus0,014
Tête enseignante GPT0,240
Écart entre enseignants0,226 · 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'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

Citations6
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing Science and EngineeringMême sujetManufacturing Process and OptimizationTravaux en français237 207