Micro-Motion Lean using MODAPTS: Enhancing Productivity in a Tier-1 Automotive Seatbelt Assembly Plant
Notice bibliographique
Résumé
This paper presents a focused lean improvement case on a two‑operator seatbelt sub‑assembly cell at a North American Tier‑1 automotive supplier, producing above its designed combined cycle time (actual ~32.2 sec vs. designed 30.3 sec). Hidden losses were identified in motion, layout, and sequencing rather than machine performance. A structured improvement approach combined Value Stream Mapping (VSM), Modular Arrangement of Predetermined Time Standards (MODAPTS) motion coding, Yamazumi load analysis, and low‑cost physical rearrangement. Baseline MODAPTS breakdown revealed avoidable walking, redundant reaches, one‑handed idle, and a micro‑wait at a shared press between the two workstations representing on average 3-6 theoretical seconds of recoverable time per cycle. Targeted countermeasures such as point‑of‑use material repositioning, two‑hand synchronous picking, workload balancing, press control relocation and standardized micro‑sequence delivered a 13.2% cycle time reduction, lifted balance efficiency to 99.6%, and reduced lead time by over 21.9%, all without capital automation. A disciplined combination of micro-motion analysis and lean flow tools is shown to significantly enhance manual assembly performance. This case demonstrates that targeted method and layout refinements are sufficient to unlock latent capacity, enabling the system to exceed its initial design specifications.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».