Digital Human Modeling for Long, and Low-Volume Assembly Processes: Gas Turbine Assembly Case Study
Notice bibliographique
Résumé
Musculoskeletal disorders (MSDs) are prevalent among workers in industrialized countries, reducing productivity, affecting business profitability, and causing personal discomfort. Poor workplace design is a key contributing factor to the phenomenon. The Digital Human Modeling (DHM) approach, initially developed and primarily used for large-scale, repetitive production environments, facilitates the early identification of potential risks associated with tasks in design situations. This paper aims to investigate the extent to which existing Digital Human Modeling (DHM) tools, such as Jack 7.1, can accurately assess ergonomic risks in long, low-volume assembly processes. To this end, a single case involving the work of tightening in a position above the heart, as part of the assembly of gas turbines in a restricted space, was analyzed using Jack 7.1. The work system was simulated in JACK 7.1 and the Predetermined Time Standard tool based on MTM-1, included in the software, was used for time calculations. The rest allowances were calculated in accordance with the guidelines set forth by the International Labour Office and Kanawaty (1996). The MSD risk assessment for over-the-heart work was performed in two phases: initially, a simulation and RULA ergonomic analysis in JACK 7.1, followed by additional ergonomic evaluations using the OCRA Index and KIM-MHO. This paper concludes that JACK 7.1 can be used to analyze ergonomic risks in long, and low-volume assembly processes. However, the analysis needs to be completed using other methods not available in the software, such as the OCRA Index and KIM-MHO.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».