MétaCan
Menu
Retour à la cohorte
Enregistrement W4381947905 · doi:10.1111/jpim.12673

Transitioning additive manufacturing from rapid prototyping to high‐volume production: A case study of complex final products

2023· article· en· W4381947905 sur OpenAlexaff
Samuel Roscoe, Paul D. Cousins, Robert Handfield

Notice bibliographique

RevueJournal of Product Innovation Management · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueAdditive Manufacturing and 3D Printing Technologies
Établissements canadiensThompson Rivers University
Organismes subventionnairesnon disponible
Mots-clésNew product developmentProduct (mathematics)Computer scienceManufacturing engineeringProduction (economics)Product designProcess managementRapid prototypingFactory (object-oriented programming)Advanced manufacturingSystems engineeringBusinessKnowledge managementEngineering managementEngineeringMarketingMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Abstract This paper seeks answers to the question: what are the key factors that enable the scaling of additive manufacturing (AM) from rapid prototyping to high‐volume production? Using a longitudinal case study, we collected primary and secondary data to trace the AM scaling journey of AeroCo, a highly innovative aerospace firm. Based on the case findings, we position AM as a whole system technology because it can print components for a wide range of subsystems in a complex final product. Scaling AM requires a significant realignment of existing, and often deeply entrenched, new technology, and product development processes. To achieve this alignment, AeroCo formed institutional alliances with the UK government and universities to establish university technology centers, which facilitated early stage ideation and “catapult” centers, which enabled high‐volume testing in factory‐like facilities. The case reveals how multiple functions needed to integrate, including research and development, product design, and future programs, to ensure that design changes cascaded from one subsystem to another, and that new technologies were linked to a future product to create a final product pull. These findings inform a managerial framework for additive manufacturing scaling that is generalizable to other digital technologies used in the design and production of complex final products, including artificial intelligence, machine learning, smart factories, and cyber physical production systems. Our framework contributes to innovation thought and practice by explaining how new product development processes and organizational structures change under the effect of digital technologies.

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)0,008
score de la tête « metaresearch » (Gemma)0,013
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 enseignants0,008
Score d'incertitude au seuil0,043

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,013
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0050,004
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
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 Opus0,056
Tête enseignante GPT0,269
Écart entre enseignants0,213 · 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

Citations29
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Product Innovation ManagementMême sujetAdditive Manufacturing and 3D Printing TechnologiesTravaux en français237 207