CAT6 Yerel Ağ Bağlantısı Kablolarının (LAN) Üretim Parametrelerinin Taguchi Yöntemi ile Optimizasyonu
Bibliographic record
Abstract
Yerel Ağ Bağlantısı (Local Area Network), Endüstri 4.0 dijitalleşen dünyada hızla kullanımı artan bir bağlantı türüdür. Bu bağlantı türünde kullanılan kabloların üretiminde kalite karakteristikleri ürünün kullanımı aşamasında önemli parametrelerdir. Yapılan bu çalışmada, CAT 6 kablosunun üretim hattına yönelik bir optimizasyon çalışması yapılmıştır. Optimizasyon çalışmasında hat hızı, tavlama akımı ve ısı profilleri giriş parametresi olarak, çekme mukavemeti ve % uzama ise çıkış parametresi olarak kullanılmıştır. Bakır çapı, kapasite ve damar çapı üretim esnasında online olarak ölçülmüş, çekme testi işlemi ise üretim sonrası numuneler üzerinden gerçekleştirilmiş ve standart içinde olduğu tespit edilmiştir. Yapılan Taguchi optimizasyonu işleminde, çekme mukavemeti açısından incelendiği zaman hat hızının etkisinin çok fazla olduğu, sonrasında ısı profillerinin ve en düşük etkiye ise tavlama akımının olduğu tespit edilmiştir. Sonuç olarak hat hızının mevcut kullanımının 800 m/dak hızdan 900 m/dak hıza çıkartılmasının üretim hızında %5.8’lik bir artış sağlayacağı, yıllık seri üretim açısından bakıldığı zaman üretim kapasitesi arttırımı için çok önemli bir avantaj sağlayacağı tespit edilmiştir.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.008 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".