Atjaunināt sīkdatņu piekrišanu

E-grāmata: Machine Learning-based Prediction of Missing Parts for Assembly

Citas grāmatas par šo tēmu:
  • Formāts - EPUB+DRM
  • Cena: 118,37 €*
  • * ši ir gala cena, t.i., netiek piemērotas nekādas papildus atlaides
  • Ielikt grozā
  • Pievienot vēlmju sarakstam
  • Šī e-grāmata paredzēta tikai personīgai lietošanai. E-grāmatas nav iespējams atgriezt un nauda par iegādātajām e-grāmatām netiek atmaksāta.
Machine Learning-based Prediction of Missing Parts for AssemblyPalielināt
Citas grāmatas par šo tēmu:

DRM restrictions

  • Kopēšana (kopēt/ievietot):

    nav atļauts

  • Drukāšana:

    nav atļauts

  • Lietošana:

    Digitālo tiesību pārvaldība (Digital Rights Management (DRM))
    Izdevējs ir piegādājis šo grāmatu šifrētā veidā, kas nozīmē, ka jums ir jāinstalē bezmaksas programmatūra, lai to atbloķētu un lasītu. Lai lasītu šo e-grāmatu, jums ir jāizveido Adobe ID. Vairāk informācijas šeit. E-grāmatu var lasīt un lejupielādēt līdz 6 ierīcēm (vienam lietotājam ar vienu un to pašu Adobe ID).

    Nepieciešamā programmatūra
    Lai lasītu šo e-grāmatu mobilajā ierīcē (tālrunī vai planšetdatorā), jums būs jāinstalē šī bezmaksas lietotne: PocketBook Reader (iOS / Android)

    Lai lejupielādētu un lasītu šo e-grāmatu datorā vai Mac datorā, jums ir nepieciešamid Adobe Digital Editions (šī ir bezmaksas lietotne, kas īpaši izstrādāta e-grāmatām. Tā nav tas pats, kas Adobe Reader, kas, iespējams, jau ir jūsu datorā.)

    Jūs nevarat lasīt šo e-grāmatu, izmantojot Amazon Kindle.

Manufacturing companies face challenges in managing increasing process complexity while meeting demands for on-time delivery, particularly evident during critical processes like assembly. The early identification of potential missing parts at the beginning assembly emerges as a crucial strategy to uphold delivery commitments. This book embarks on developing machine learning-based prediction models to tackle this challenge. Through a systemic literature review, deficiencies in current predictive methodologies are highlighted, notably the underutilization of material data and a late prediction capability within the procurement process. Through case studies within the machine industry a significant influence of material data on the quality of models predicting missing parts from in-house production was verified. Further, a model for predicting delivery delays in the purchasing process was implemented, which makes it possible to predict potential missing parts from suppliers at the time of ordering. These advancements serve as indispensable tools for production planners and procurement professionals, empowering them to proactively address material availability challenges for assembly operations.

Introduction.- Theoretical Background for the Prediction of Missing Parts for Assembly.- Publication I: Approaches for the Prediction of Lead Times in an Engineer to Order Environment - a Systematic Review.- Publication II: Impact of Material Data in Assembly Delay Prediction - a Machine Learning-based Case Study in Machinery Industry.- Publication III: Machine Learning-based Prediction of Missing Components for Assembly - a Case Study at an Engineer-to-order Manufacturer.- Publication IV: Predicting Supplier Delays Utilizing Machine Learning - a Case Study in German Manufacturing Industry.- Critical Refection and Future Perspective.- Summary.- References.

Fabian Steinberg studied production technology at the Rheinisch-Westfälische Technische Hochschule (RWTH) Aachen with a Master's degree. In his subsequent doctorate at the Chair of International Production Engineering and Management (IPEM) at the University of Siegen, he focussed on the prediction of missing parts for assembly using artificial intelligence.
Biežāk uzdotie jautājumi par e-grāmatām Biežāk uzdotie jautājumi par e-grāmatām
Permanent link: https://www.kriso.lv/db/97836584503356e.html