MétaCan
Menu
Retour à la cohorte
Enregistrement W2767856390 · doi:10.1080/00207543.2017.1391417

Optimal operations sequence retrieval from master operations sequence for part/product families

2017· article· en· W2767856390 sur OpenAlexafffund
Javad Navaei, Hoda ElMaraghy

Notice bibliographique

RevueInternational Journal of Production Research · 2017
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueProduct Development and Customization
Établissements canadiensUniversity of Windsor
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésSequence (biology)Product (mathematics)Computer scienceConstruct (python library)Consistency (knowledge bases)AlgorithmMathematicsArtificial intelligenceProgramming language

Résumé

récupéré en direct d'OpenAlex

This research capitalises on commonalities between members of a product family to increase the speed, consistency and efficiency of constructing a master operations sequence and optimal operations sequences for new variants. Two novel mixed integer programming (MIP) models are developed for generating master operations sequence based on available operations sequences of a family of part/product variants. The use of master operations sequence reduces the time, cost and effort required for developing new operations sequences, hence improving the planning efficiency and productivity. The first MIP model is developed for variants with serial operations sequence while the second is a generalised model for serial, networked operations sequences or a combination of both structures. The developed models generate master operations sequences which have minimum total dissimilarity distance from existing variants. The master operations sequence is then used to construct the operations sequence for new variants falling within or significantly overlapping with the boundary of the considered product family. As the number of operations increases, the efficiency of mathematical models decreases. Therefore, a novel algorithm is proposed to generate master operations sequences for product variants with any type of process sequence structure (i.e. serial, networked, or combination). Computational results demonstrated the capability of developed MIP algorithms to find optimum solutions and optimal operations sequence for new variants in a fraction of a second in most cases of small, medium and large size studied problems. Two assembly and fabrication case studies are provided for demonstration.

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)0,001
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 enseignants0,004
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,213
Tête enseignante GPT0,401
Écart entre enseignants0,188 · 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

Citations13
Publié2017
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Production ResearchMême sujetProduct Development and CustomizationTravaux en français237 207