MétaCan
Menu
Retour à la cohorte
Enregistrement W4388510383 · doi:10.23977/jeeem.2023.060508

The Seamless Collaborative Operation Technology of Integrating Equipment Control for Intelligent Laser Welding Assembly Unit

2023· article· en· W4388510383 sur OpenAlexvenueno aff
Yue Gong, Zhen Liu, Yang Jing, Zhang Jiang, Ma Zhantao, 马旭颐 Ma Xuyi, Lu Wei

Notice bibliographique

RevueJournal of Electrotechnology Electrical Engineering and Management · 2023
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWeldingSortingProcess (computing)Computer scienceQuality (philosophy)Laser beam weldingsortReliability (semiconductor)Data qualityEngineering drawingManufacturing engineeringReliability engineeringEngineeringDatabaseMechanical engineeringOperations management

Résumé

récupéré en direct d'OpenAlex

In the process of laser complex thin-wall component welding, there are multiple stages of data monitoring before, during, and after welding. However, the data that had been collected cannot be effectively used for quality analysis and decision-making in real-time. That had been found, the existing archived and summarized relevant quality data during the welding process had not been carried out in the exploration of mass process data in the laser welding process, as well as the dimensions of quality data management were not standardized. This paper presents a new method which is a seamless collaborative operation technology of multiple systems integrating equipment control, data management, and quality analysis based on an intelligent laser welding assembly unit for complex thin-wall components to solve this problem. The quality process data of laser welding can be structured effectively according to the stage and model, and sort out the aggregation shape by using this technology. Furthermore, the method can form a relatively reliable quality judgment index to match the welding results. Data has been analyzed and processed by the application layer, and the processing results are fed back to the superior computer. Through experiments and tests, the technology proposed in this paper can realize the rational use of process quality data after sorting out and determining the quality analysis and decisions basis, realize the seamless coordination of multiple systems for equipment monitoring data, and upper computer program control with the help of upper application technology. Therefore, the system can obtain the reliability and real-time quality analyses and decisions.

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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0020,003
Science ouverte0,0020,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,005
Tête enseignante GPT0,221
Écart entre enseignants0,216 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Electrotechnology Electrical Engineering and ManagementMême sujetManufacturing Process and OptimizationTravaux en français237 207