MétaCan
Menu
Retour à la cohorte
Enregistrement W4386121932 · doi:10.5539/mer.v11n1p1

Disassembling Process Inference Using Positional Relations Matrix for Complicated Machines

2023· article· en· W4386121932 sur OpenAlexvenueno aff
Kaori Yamada, Tatsuya Monma, Kazuyuki HANAHARA

Notice bibliographique

RevueMechanical Engineering Research · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesJapan Society for the Promotion of Science
Mots-clésProcess (computing)Relation (database)Computer scienceInferenceMatrix (chemical analysis)Engineering drawingData miningArtificial intelligenceEngineeringProgramming language

Résumé

récupéré en direct d'OpenAlex

Disassembling of a part is required for maintenance of machinery in case. However, the disassembling process is often not explained in the operation manual, or the explanation of the disassembling does not cover all the situations of all the individual parts, even though, such disassembling could be dealt with by operators that are not familiar with the mechanism of machine. Operators themselves have to determine the disassembly process in such a case. Therefore, it is crucial to develop a system that helps inexperienced operators to find out a proper disassembling process. We focus on the disassembling of a specific part referred to as a target part. The approach is based on the positional relation information among the parts. The positional relations matrix that obtained from the contact states of any two parts in all possible directions and can be generated from the ordinary CAD data. This study proposed a method to infer a disassembly process of a specific part based on the positional relation matrix. The method deduces the disassembly process of the target part with the shortest steps, in the condition of one-part-at-a-time manner. We also introduced an integration of disassembling parts based on the obtained process. A case study was conducted and the result confirmed the feasibility of the proposed method; the effectiveness of the integration approach was also demonstrated.

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)0,003
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,039

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
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 Opus0,088
Tête enseignante GPT0,401
Écart entre enseignants0,313 · 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

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueMechanical Engineering ResearchMême sujetManufacturing Process and OptimizationTravaux en français237 207