MétaCan
Menu
Retour à la cohorte
Enregistrement W3156695649 · doi:10.1111/poms.13439

Planning Production and Equipment Qualification under High Process Flexibility

2021· article· en· W3156695649 sur OpenAlexaff
Hongmin Li, Woonghee Tim Huh, Matheus C. Sampaio, Naiping Keng

Notice bibliographique

RevueProduction and Operations Management · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueScheduling and Optimization Algorithms
Établissements canadiensKellogg's (Canada)University of British Columbia
Organismes subventionnairesSemiconductor Research Corporation
Mots-clésComputer scienceFlexibility (engineering)ScheduleFactory (object-oriented programming)Product (mathematics)Process (computing)Production (economics)Production scheduleHeuristicIndustrial engineeringSequence (biology)Production planningMathematical optimizationReliability engineeringOperations researchScheduling (production processes)Artificial intelligenceEngineering

Résumé

récupéré en direct d'OpenAlex

We present and solve a joint production and qualification planning problem for a manufacturing environment with high process flexibility. Various factors contribute to the complexity of the problem, one of which is product‐machine mapping: Each machine may be qualified to produce multiple products and each product can be produced on multiple machines. To meet a build‐plan, the factory needs to not only determine a multi‐machine multi‐product production schedule that accounts for sequence‐dependent setup time, but also a qualification schedule which prescribes whether and when a machine should undergo a qualification process such that it is ready to produce a product. We consider processing characteristics including sequence‐dependent setups, job splitting, and machine eligibility in addition to qualification. We formulate the mathematical model as an MILP problem that minimizes the total weighted delay. In this study, we describe two heuristic solution approaches developed for this complex decision setting and the application at Intel. We compare our approach with Intel's current approach which is a spreadsheet‐based manual approach that relies on the experience of the factory planner. The results indicate that our approach, which we call the GS approach, dominates in terms of minimizing the delay. Our approach performs well when capacity is tight and additional qualifications are considered while the Intel approach may perform better on reducing the setup and qualification time in certain problem instances, particularly those with loose capacity. As a result, an integrated approach which selects the better solution from both approaches is proposed, which shows significant reduction over the current approach in both the weighted delay and the setup and qualification time.

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 enseignants0,008
Score d'incertitude au seuil0,016

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,285
Écart entre enseignants0,255 · 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

Citations7
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueProduction and Operations ManagementMême sujetScheduling and Optimization AlgorithmsTravaux en français237 207