Identification of key enablers for total productive maintenance (TPM) implementation in Indian SMEs
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
Purpose The purpose of this paper is to identify the key enabler for total productive maintenance (TPM) implementation in Indian small and medium enterprises (SMEs) by using graph theoretic approach (GTA). There are certain enablers for TPM implementation which helps the organization to implement it successfully. It is very essential to identify the nature and impact of these key enablers. Design/methodology/approach A large number of the enablers (27) have identified for TPM implementation in Indian SMEs from the available literature, questionnaire survey and expert opinion. These TPM enablers have categorized into six major categories. Findings In this research work, the intensity of identifying enablers has been calculated to show their impact or influence in TPM implementation. The value of intensity of TPM enablers shows the role or impact of individual enabler in the implementation of TPM in Indian SMEs. Practical implications This study provides an easy-to-use methodology for the practical decision makers in the manufacturing industry to improve their performance by implementing TPM in Indian SMEs. A detailed methodology has prepared to identify the enablers for TPM implementation in Indian SMEs by using GTA. This study also explains that how to check the feasibility of an organization to implement TPM in Indian SMEs successfully. Originality/value TPM is an improvement concept which holds the potential to improve manufacturing organizations, but its implementation is not easy in Indian SMEs. The reason behind the unsuccessful implementation of TPM in most of the organizations is the ignorance of impact of innumerable enablers and barriers.
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 | 0,000 | 0,002 |
| 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