Predictive modeling for quality prediction in multi-stage manufacturing systems using artificial intelligence
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
Predicting quality characteristics in multi-stage manufacturing systems (MMSs) poses challenges due to the propagation of variation across stages. In MMSs, any variation introduced at an earlier stage can be amplified in subsequent stages. Many industries rely on in-process quality inspections to monitor and adjust manufacturing processes. Based on inspection outcomes, workers often make process adjustments to maintain product specifications. These adjustments are frequently guided by individual experience rather than systematic methods. This reliance on subjective judgment introduces variability in quality outcomes, as worker evaluations may differ. Moreover, unnecessary adjustments can inadvertently increase variation, further destabilizing the process. This study examines the literature of machine learning algorithms used for quality prediction in MMSs. Selected methods include partial least squares regression, principal component regression, support vector machines with linear and radial basis functions, random forest, k-nearest neighbors XGboost and Feed Forward Neural Network. We applied these techniques to an MMS that produces aircraft engine parts. The process involves intermediate inspections using coordinate measuring machines (CMM). Our predictions rely solely on in-process inspection data, without incorporating process parameters or sensor readings. Historical quality characteristic (QC) data guides the predictions for subsequent stages, including final inspections. This enables proactive quality control and production flow optimization. The results demonstrate that the chosen models can predict the QCs’ values for both consecutive and advanced stages in the MMS. Limitations and future directions are discussed.
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 | 0,001 | 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