An Integrated Approach for Design Improvement Based on Analysis of Time-Dependent Product Usage Data
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
With the recent advances in information gathering techniques, product performances and environment/operation conditions can be monitored, and product usage data, including time-dependent product performance feature data and field data (i.e., environmental/operational data), can be continuously collected during the product usage stage. These technologies provide opportunities to improve product design considering product functional performance degradation. The challenge lies in how to assess data of product functional performance degradation for identifying relevant field factors and changing design parameters. An integrated approach for design improvement is developed in this research to transform time-dependent usage data to design information. Many data modeling and analysis techniques such as hierarchal function model, performance feature dimension reduction method, Gaussian mixed model (GMM), and data clustering method are employed in this approach. These methods are used to extract principal features from collected performance features, assess product functional performance degradation, and group field data into meaningful data clusters. The abnormal field data causing severe and rapid product function degradation are obtained based on the field data clusters. A redesign necessity index (RNI) is defined for each design parameter related to severely degraded functions based on the relationships between this design parameter and abnormal field data. An associate relationship matrix (ARM) is constructed to calculate the RNI of each design parameter for identifying the to-be-modified design parameters with high priorities for product improvement. The effectiveness of this new approach is demonstrated through a case study for the redesign of a large tonnage crawler crane.
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 | 0,015 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 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 découle