Analysis of Aluminium Alloy Wheels Product Quality Improvement Through DMAIC Method in Casting Process: A Case Study of the Wheel Manufacturing Industry in Indonesia
Notice bibliographique
Résumé
The global market demand for automotive wheels with alloy materials is 55%, which is quite high compared to other materials such as steel, magnesium, chromed, and carbon fiber. The high competition of the global alloy wheels market demands to be able to offer quality alloy wheels. The purpose of this research is to reduce the number of defects in the casting process step by using the Define Measure Analyze Improve Control (DMAIC) method. This study shows the systematic approach to find the root cause of major defects in aluminum castings using the defect diagnostic approach as well as cause and effect diagram. Quality improvement using quality tools, namely the Pareto diagram, fishbone diagram. The major defects for the rejections during production were identified as leak defects, porosity motive holes, and oval defects. In determining the proposed quality improvements using the FMEA tool. The results of data processing on the calculation of process capabilities and product performance show improvements after quality improvements in the casting process. Product performance from DPMO = 15.462, sigma level = 3.6 to DPMO = 8.186 and sigma level = 3.9. The effect of decreasing the percentage of defects could save production costs by IDR 413.350.000. Therefore, the application of the DMAIC method can provide a significant improvement in product quality and impact on production cost savings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».