Implementation of Lean Tools to Improve Mass Production of a Laser Cladding Process
Notice bibliographique
Résumé
Laser cladding is one of the state of the art technologies in metal coating that is found advantageous over conventional welding and repairing technologies due to its innovative microstructural, metallurgical, and strength characteristics. Although various studies have been focused on implementing lean tools in different fields, there is a lack of such implementation on the cladding process. This study aims to use these tools in a laser cladding process and is intended to address the areas requiring improvement of the deadtime, with a prime focus on minimizing the waste and increasing overall equipment effectiveness. After analyzing the entire flow of the process through Value Stream Mapping, the laser cladding machine was recognized to be the bottleneck. As such, efforts were focused on minimizing the non-value-added time attached to this process. Further, the study identified the major root causes, including limited process standardization, absence of maintenance schedules, unnecessary motion, inefficient machine design, and health and safety risks. To address these major causes, a course of action was developed using Lean tools such as Ishikawa diagram, Standard Operating Procedure, Cleaning, Lubrication, Inspection, Tightening sheets, and Single-Minute Exchange of Die. These recommendations discuss improvements involving the reduction in the cycle time and increased productivity while also reducing safety risks due to high exposure to powder and temperature. It was observed that the deadtime was decreased by 41.6%, whereas the productivity increased by 20.9% after implementing the proposed recommendations on the shop floor. Furthermore, the Single-Minute Exchange of Die methodology is drafted to develop an efficient machine design that can increase productivity to about 66.6% after successful implementation.
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 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) | 0,001 | 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 tête enseignante, 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 ».