MétaCan
Menu
Retour à la cohorte
Enregistrement W4230738026 · doi:10.32920/ryerson.14643891

Inventory control in a two-level supply chain with learning, quality and inspection errors

2021· preprint· en· W4230738026 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

Revuenon disponible
Typepreprint
Langueen
DomaineDecision Sciences
ThématiqueAdvanced Statistical Process Monitoring
Établissements canadiensToronto Metropolitan University
Organismes subventionnairesnon disponible
Mots-clésSupply chainVendorComputer scienceQuality (philosophy)Human errorFlexibility (engineering)Profit (economics)Process (computing)ForgettingQuality costsOperations managementRisk analysis (engineering)Reliability engineeringBusinessEngineeringMarketingEconomics

Résumé

récupéré en direct d'OpenAlex

A common measure of quality for a buyer or a vendor is the defect rate. Defects may represent an attribute, a dimension or a quantity. They may be classified as product quality defects or process quality defects. Product quality defects may be caused by human error which can de due to fatigue, lack of proper training, or other reasons. For example, an inspector may misclassify a defective fuel tank of a car as good. On the other hand, process quality defects maybe caused by a machine going out-of-control. While many researchers assume that the screening processes which separate the defective items are error-free, it would be realistic to consider misclassification errors in this process. Beside inspection errors, learning is another human factor that brings in enhancement in the overall performance of a supply chain. Learning is inherent when there are workers involved in a repetitive type of production process. Learning and forgetting are even more important in manufacturing environments that emphasize on flexibility where workers are cross-trained to do different tasks and where products have a short life cycle. Inventory management with learning in quality, inspection and processing time will be the focus of this thesis. A number of models will be developed for a buyer and/or a two level supply chain to incorporate these human factors. The key findings of this work may be summarized as 1. Inspection errors significantly affect the annual profit. 2. An increase in the unit screening cost reduces the annual profit to a great extent at slower rates of learning. 3. For the two-level supply chain we investigated, learning in production drops the annual cost significantly while the learning in supplier's quality results in a situation where there are no defectives from the suppliers. 4. Type II error may seem to be beneficial for a two level supply chain as the order/lot size goes down and thus affects the costs of ordering, production and screening. 5. Consignment stocking policy performs better than conventional stocking when holding costs go higher than a threshold value.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,599
Score d'incertitude au seuil0,979

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,188
Tête enseignante GPT0,462
Écart entre enseignants0,274 · 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

En bref

Citations0
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAdvanced Statistical Process MonitoringTravaux en français237 207