Proposed method of forecasting cumulative effects of variation in manufacturing
Notice bibliographique
Résumé
Manufacturing, in general, creates a finished good from a set of simpler supplied parts. Supplied parts are installed into higher assemblies, higher assemblies move into even higher assemblies, and eventually this terminates at the finished good. Delays or variation during the manufacturing process ripple all the way to the finished good, possibly from different branches of the build and possibly magnifying any individual effect. There is extensive literature regarding Lean Manufacturing and it provides strategies and business philosophy to deal with variation, however it offers little in the way of quantitative analysis on the effects of that variation upon the whole. Digital Twins and discrete event simulations can and have been used to model the impact of variation in its totality. Various papers on Digital Twins have explored how to model manufacturing, but very little on generalized behavior. (i.e. How schedule slips at the subassemblies impacts the delivery dates / quantities at the finished good level). This paper explores the analytical quantitative effects of input/sales variation through the manufacturing cycle and the resultant effect on the finished good manufacturing schedule/cycle. We demonstrate that even small random variations/interruptions propagate up the build chain, get reduced in magnitude and end up producing predictable reductions in the average build rate of the final product. Additionally, it is shown that the more supplied parts that comprise a finished good the greater the expected reduction in average build rate.
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) | 0,000 | 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 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 ».