A two-stage bulk-service queueing model with rework, closedown and multiple vacations
Notice bibliographique
Résumé
In the manufacturing industry, the quality of products is of great significance in the preservation of the brand image. Quality inspection is defined as a procedure for ensuring the compliance, reliability, uniformity, and standard of a specific product. Through effective inspection, manufacturers are able to detect problems that require correction and prevent errors to ensure quality products for customers. To study such scenarios in queueing systems, we examine a two-stage bulk service single server with batch arrivals, incorporating rework, system closedown, and multiple vacation periods. Once a batch of fabric completes the first stage of regular service, the server proceeds to the second inspection stage for the same batch. If the inspection stage identifies defects, the server returns the batch for rework in the regular service stage with a specific probability. The server initiates regular service for the next batch with a specified probability when inspection yields no defects, and the queue length exceeds $``a"$. Conversely, if the queue length is below $``a"$ and no defects are present, the server may enter a closedown state with a given probability. After closedown, the server can take multiple vacations of random duration. Using the supplementary variable technique, we develop a model to analyze the probability-generating function of the queue size at any given moment. Additionally, we explore performance metrics through numerical examples, provide a cost analysis, and present the findings with graphical representations.
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 | 0,000 | 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 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 ».