MétaCan
Menu
Retour à la cohorte
Enregistrement W4285166142 · doi:10.5267/j.ijiec.2022.2.001

Assembly line rebalancing and worker assignment considering ergonomic risks in an automotive parts manufacturing plant

2022· article· en· W4285166142 sur OpenAlexvenueno aff
Tolga Çimen, Adil Baykasoğlu, Şebnem Demirkol Akyol

Notice bibliographique

RevueInternational Journal of Industrial Engineering Computations · 2022
Typearticle
Langueen
DomaineEngineering
ThématiqueAssembly Line Balancing Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAutomotive industryConstructiveAssembly lineHeuristicQuality (philosophy)Benchmark (surveying)Manufacturing engineeringEngineeringRisk analysis (engineering)Work (physics)Computer scienceOperations researchIndustrial engineeringProcess (computing)BusinessMechanical engineeringArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

This paper recommends a new kind of assembly line rebalancing and worker assignment problem, taking ergonomic risks into account. Assembly line rebalancing problem (ALRBP) occurs when a current line must be rebalanced due to conditions such as changes in demand, production processes, product design, or quality issues. Although there are several research attempts on ALRBP in the relevant literature, only a few studies consider workers as unique individuals. This paper aims to solve the double reassignment problem: tasks to workers and workers to stations, considering ergonomic risk factors. This paper is the first study that comprises worker assignment and ergonomic constraints in ALRBP literature to the best of our knowledge. Objectives of our novel problem are to minimize rebalancing cost, which includes transportation of tasks and workers and minimize stations' ergonomic risk factors. A randomized constructive rule-based heuristic approach is developed to cope with the problem. The proposed solution approach is applied to benchmark data, and obtained results are promising. Moreover, the proposed solution approach is implemented in an automotive parts manufacturing plant.

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: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,022

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 recherche0,0020,001
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 Opus0,034
Tête enseignante GPT0,263
Écart entre enseignants0,229 · 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'étudeObservationnel
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

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Industrial Engineering ComputationsMême sujetAssembly Line Balancing OptimizationTravaux en français237 207