Optimized Task Scheduling for Human-Cobot Collaboration Based on Value-Added Ratio
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
The integration of collaborative robots (cobots) in the assembly line balancing problem (ALBP) represents a challenging opportunity to perform strategic task assignments to workstations targeting both assembly line efficiency and worker satisfaction. Cobots are designed to accomplish the progression of repetitive or hazardous tasks, allowing workers to dedicate more attention to valuable assembly activities that require non-replicable skills and human dexterity. Deploying human-robot collaboration (HRC) in ALBP often aims at increasing system performance as its primary objective; however, multi-objective models have started to spread in literature considering both economic, social, and sustainable targets, demonstrating compliance with Environmental, Social, and Governance (ESG) paradigm and Industry 5.0 principles. This study proposes a bi-objective mixed-integer nonlinear programming (MINLP) mathematical model to simultaneously minimize cycle time and the percentage of non-value-added ratio. In particular, the algorithm developed targets the workstation that exhibits the greatest cycle time in the ALBP solution, thereby constraining the productivity of the assembly line. Maximizing value-added task assignments to workers does not only imply reducing the strenuous workload and hazardous task progression but also favoring the progression of assembly activities that can increase motivation and morale of workers due to the high skills and non-replicable competences required for their accomplishment. The proposed model is applied to a numerical test case on an experimental dataset to provide preliminary results for the HRC-ALBP.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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