Production system state analysis and improvement using VSM, simulation, and fuzzy logic
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The paper aims to provide a door-to-door holistic perspective on the state of a production system based on several metrics and their relationships, to utilize a combination of tools and techniques and to develop a unique model for production system assessment. The study addresses the limitations of narrow approaches by proposing a new metric as a single indicator of the production system’s overall state. Design/methodology/approach The research methodology adopted is design science research. It proposes a framework that combines value stream mapping, simulation and fuzzy logic to study the impact of different lean interventions on the overall state. An offsite construction facility was used as a case study. Data were gathered using methods such as ethnography, interviews, time and motion studies, shopfloor observations, video surveillance and database exploration. Findings The paper highlights how some interventions can have local improvements but lead to negative impacts on the overall system state. It emphasizes the importance of having a holistic approach to analyze and improve the true state of a production system. Research limitations/implications The study excludes impacts of the supply chain and assumes the system to be confined within the shopfloor. Researchers are encouraged to include those variables in future studies. Practical implications The study presents a practical framework and tool that can be tailored to any production system and be used to improve its performance. Originality/value This paper proposes a unique framework and a new metric for system state assessment and improvement.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle