Feature extraction and process planning of integrated hybrid additive-subtractive system for remanufacturing
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
Discussion regarding hybrid manufacturing has dominated research in recent years. By synergistically integrating additive and subtractive manufacturing within a single workstation, the relative benefits of each manufacturing strategy are leveraged. The ability to add, remove feature flexibly enables remanufacturing end-of-life components into a "new" part with new features and functionalities. However, in the remanufacturing context, the process planning for hybrid additive-subtractive manufacturing is still an unsolved research topic. In general, a hybrid remanufacturing process is signified by an alternating sequence of additive and subtractive operations that alternatively add and remove materials on a used part, which results in a non-unique process planning. For determining an optimal sequence for hybrid remanufacturing, a quantitative evolution mechanism is demanded. Moreover, the constraints in process planning are required to be considered. For example, the collision avoidance between the workpiece and the material-dispensing nozzle is one of the most critical limitations that affect the alternating sequence. To fill the gap, automated feature extraction and cost-driven process planning method for hybrid remanufacturing are proposed in this paper. The feature extraction, developed under the level set framework, can extract optimal and collision-free additive-subtractive features. Then, the hybrid process planning task is formulated into an integer programming model with cost estimations. A case study is conducted, and the results confirm the correctness and effectiveness of the proposed method.
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