CAPP-GPT: A computer-aided process planning-generative pretrained transformer framework for smart manufacturing
Notice bibliographique
Résumé
Smart manufacturing (SM) constitutes the backbone of Industry 4.0 (I4.0), allowing for heightened autonomy of the various interacting cyber-physical systems, making the various entities on the production floor. Connectivity, a vital enabler, plays a crucial role through state-of-the-art Digital Twinning (DT) technologies driven by underlying innovations like the industrial Internet of Things, Cloud Computing, and advancements in sensory devices. DT, which plays a vital role in the various planning functions under the production and operations management umbrella, is being used in the developed combined CAPP-GPT (Computer-Aided Process Planning-Generative Pretrained Transformer) and production scheduling approach to address disruptions on the shopfloor and in self-healing of the manufacturing processes at a micro-CAPP level by optimally adapting the process parameters and the developed toolpath on the fly based on online process signature measurements. In a leap commensurate with that which has taken place in Natural Language Processing-Large Language Models (Chat-GPT), similar efforts are currently being undertaken to parse CAD data structures and blueprints, fusing operations research and predictive analytics algorithms to carry out setup planning as well as sequencing and grouping manufacturing sub-operations. A hybridized Optimization and Machine Learning (ML) approach is employed where Logical Analysis of Data is used to solve the problem heuristically, exploiting various generative and variant methods at heart. Another extension of this macro-CAPP problem is being tackled by integrating the problem with delayed product differentiation, lot-sizing, and transfer line balance for futuristic batch-production shops employing Hybrid Manufacturing (HM) and Smart Assembly. At the micro-CAPP level, HM process parameters are optimized using a comprehensive approach employing the Taguchi loss function to assess surface roughness, internal failure costs, and other criteria, including greenhouse gas emissions and expended energy. Online measurements of the process signatures are also employed to adapt the initial set of process parameters using different automatic control schemes. ML is used to identify the process parameters carrying simulations on Simulink before the system is deployed.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».