MétaCan
Menu
Retour à la cohorte
Enregistrement W4297769473 · doi:10.5267/j.dsl.2022.5.003

The collective effect of rework, expedited-rate, external source, and machine failures on manufacturing runtime planning

2022· article· en· W4297769473 sur OpenAlexvenueno aff
Yuan-Shyi Peter Chiu, Singa Wang Chiu, Tiffany Chiu, Hui-Chi Wang

Notice bibliographique

RevueDecision Science Letters · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueProduct Development and Customization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésReworkFailure rateProduction (economics)OutsourcingComputer scienceQuality (philosophy)Scheme (mathematics)Work (physics)Reliability engineeringMeasure (data warehouse)Batch productionOperations researchOperations managementBusinessEngineeringEmbedded systemEconomics

Résumé

récupéré en direct d'OpenAlex

Production managers face the growing trend of rapid-response orders and inevitable production defects and failures; they must carefully measure these factors’ effects to minimize operating expenditures and operational disruption. Inspired by assisting producers decide the optimal runtime policy under these real situations, this work investigates the collective impact of rework, expedited-rate, external source, and machine failures on such a specific fabrication system. A partial outsourcing and expedited manufacturing rate are considered in the studied system to reduce the batch fabricating time. Additionally, defects rework and repair failure machines are implemented to retain the quality and avoid production disruption. Our research scheme consists of (1) developing a model for the mentioned manufacturing characteristics; and (2) analytical and optimization techniques for deciding the best batch runtime decision by minimizing the system’s overall expenses. Lastly, we provide numerical examples to demonstrate the model’s applicability and disclose important, in-depth characteristics that facilitate managerial decision-making.

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)0,002
score de la tête « metaresearch » (Gemma)0,005
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: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,005
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0000,000
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)0,0020,000

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 Opus0,009
Tête enseignante GPT0,228
Écart entre enseignants0,219 · 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

Citations1
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueDecision Science LettersMême sujetProduct Development and CustomizationTravaux en français237 207