Scheduling Customized Orders by Considering the Ergonomic Constraints: A Case Study at YEMTAR Company
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
It is important for companies to meet customer demands by due date and reduce the labor cost on the finalized product. For this purpose, order scheduling is required for different purposes such as minimizing makespan, maximizing resource utilization, etc. Dynamic production environment causes stochastic operation times at companies which work based on project type labor-intensive production. Stochastic operation times make order scheduling harder. There are many reasons that causes operation times being stochastic such as technical specifications of the orders, skills of the operators, bottlenecks in the job-shop, and etc. However, one of the most important but less discussed constraints that affect the probability distribution of the operation times is the ergonomic constraint. Ergonomic constraints, such as musculoskeletal discomfort, fatigue and limitations determined by the laws make it even more difficult to predict the total makespan of waiting orders. In this study, an order scheduling algorithm that considers the dynamical production environment and the ergonomic limitations is proposed for nearly optimizing average makespan for several waiting orders in the grinding and painting workstation of YEMTAR Company. The proposed algorithm adopts the technical order specifications and ergonomic constraints together, computes the stochastic operation times by using simulation, and schedule orders by using genetic algorithm. The objective is to determine the entry sequence of the waiting orders to the workshop for minimizing their average makespan which directly influences the resource utilization, efficiency, and labor costs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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