Optimal Process Planning for Hybrid Additive and Subtractive Manufacturing
Notice bibliographique
Résumé
Abstract Hybrid manufacturing technology has enabled manufacturers to combine advantages of mainly subtractive and additive manufacturing technologies. A single machine supports producing products with complex geometry, at high quality, and with a high degree of automation. To benefit from these advantages, decisions taken in the process planning stage of such a sophisticated manufacturing system should be optimized. The objective of this paper is to determine the optimal process plan considering both the engineering and manufacturing aspects of the hybrid technology. A comprehensive process planning model is proposed. The model specifies the optimal sequence of additive and subtractive features that minimizes the production cycle time. In addition, the model sets the optimal part orientations such that the time needed for building support structures, performing post-processing and inspection operations, changing cutting tools and printing nozzles, and unclamping the part is minimized. The model is comprehensive as it considers productive and non-productive times, precedence, technological, quality, and manufacturing restrictions imposed on hybrid manufacturing systems. The proposed model is nonlinear; due to this nonlinearity, the model is intractable. A linearization scheme is applied to formulate an equivalent linear model that is solvable to optimality by commercial solvers. Case studies on test and industrial parts are provided to evaluate the computational performance of the proposed model. Integrating the proposed model in hybrid manufacturing (HM) systems ensures adopting the HM technology in its optimal direction. HM technology is an enabler of establishing a smart manufacturing system which is one of the pillars of Industry 4.0.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».