Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "production cycle time" wg kryterium: Temat

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-3 z 3
    Tytuł:
    Stohastic Model to Determine the Elements of the Production Cycle Time: Case of Serbian Textile Industry
    Stochastyczny model dla określenia elementów cyklu produkcyjnego. Rozważania na podstawie serbskiego przemysłu tekstylnego
    Autorzy:
    Stanisavljev, S.
    Ćoćkalo, D.
    Klarin, M.
    Spasojević, B. V.
    Đorđević, D.
    Powiązania:
    https://bibliotekanauki.pl/articles/233608.pdf
    Data publikacji:
    2015
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    production cycle
    production cycle time
    work sampling
    stochastic model
    textile industry
    cykl produkcyjny
    czas cyklu produkcyjnego
    pobieranie próbek pracy
    model stochastyczny
    przemysł włókienniczy
    Opis:
    The paper presents an original method of determining the elements of the production cycle time by using the modified work sampling method applied to a textile factory. It is shown that the movement of the elements of time can be viewed as a process and in the mathematical sense can establish control limits of error of ± 3 SD. The mean time of the production cycle of the groups created by the number of pieces in the series – tpcu moving the hyperbolic function, which has the asymptote c, a function of the form tpcu = c + b/log n, where all groups of the production cycle in the mathematical sense do not act like strata but are function tpcu related to technology and deterministic factors of the production series.
    Artykuł przedstawia oryginalną metodę określania elementów trwania cyklu produkcyjnego przy zastosowaniu zmodyfikowanej metody podziału pracy w odniesieniu do przedsiębiorstwa produkującego tekstylia. Pokazano, że przemieszczanie elementów czasu cyklu produkcyjnego można rozpatrywać jako proces, w którym matematycznie ustawia się błąd ± 3s. Średni czas cyklu produkcyjnego poszczególnych grup określa się przez liczbę elementów uszeregowanych w serię. Poszczególne zależności systemu można opisać matematycznie.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2015, 5 (113); 23-29
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Prediction of Garment Production Cycle Time Based on a Neural Network
    Przewidywanie czasu cyklu produkcji odzieży na podstawie sieci neuronowej
    Autorzy:
    Cao, Huaqing
    Ji, Xiaofen
    Powiązania:
    https://bibliotekanauki.pl/articles/1419886.pdf
    Data publikacji:
    2021
    Wydawca:
    Sieć Badawcza Łukasiewicz - Instytut Biopolimerów i Włókien Chemicznych
    Tematy:
    garment production
    big data
    cycle time
    neural network
    prediction
    produkcja odzieży
    duży zbiór danych
    czas cyklu
    sieć neuronowa
    predykcja
    Opis:
    The process of garment production has always been a black box. The production time of different clothing is different and has great changes, thus managers cannot make a production plan accurately. With the world entering the era of industry 4.0 and the accumulation of big data, machine learning can provide services for the garment manufacturing industry. The production cycle time is the key to control the production process. In order to predict the production cycle time more accurately and master the production process in the garment manufacturing process, a neural network model of production cycle time prediction is established in this paper. Using a trained neural network to predict the production cycle time, the overall error of 6 groups is within 5%, and that of 3 groups is between 5% and 10%. Therefore, this neural network can be used to predict the future production cycle time and predict the overall production time of clothing.
    Czas produkcji różnych ubrań jest inny i podlega dużym zmianom, dlatego menedżerowie nie mogą dokładnie zaplanować produkcji. Wraz z wkroczeniem świata w erę przemysłu 4.0 i gromadzeniem dużych zbiorów danych dobrym rozwiązaniem dla przemysłu odzieżowego jest zastosowanie maszyn uczących się. Czas cyklu produkcyjnego jest kluczem do kontroli procesu produkcyjnego. W celu dokładniejszego przewidywania czasu cyklu produkcyjnego i opanowania procesu produkcyjnego w procesie produkcji odzieży, w artykule opracowano model sieci neuronowej do przewidywania czasu cyklu produkcyjnego. Do przewidywania czasu cyklu produkcyjnego użyto sieci neuronowej, ogólny błąd 6 grup mieścił się w granicach 5%, a 3 grup – między 5% a 10%. W związku z tym zaprezentowana sieć neuronowa może znaleźć zastosowanie w przewidywaniu czasu cyklu produkcyjnego i całkowitego czasu produkcji odzieży.
    Źródło:
    Fibres & Textiles in Eastern Europe; 2021, 1 (145); 8-12
    1230-3666
    2300-7354
    Pojawia się w:
    Fibres & Textiles in Eastern Europe
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Bayesian Inference for a Deterministic Cycle with Time-Varying Amplitude: The Case of the Growth Cycle in European Countries
    Autorzy:
    Lenart, Łukasz
    Powiązania:
    https://bibliotekanauki.pl/articles/2076240.pdf
    Data publikacji:
    2018
    Wydawca:
    Polska Akademia Nauk. Czytelnia Czasopism PAN
    Tematy:
    deterministic cycle with time-varying amplitude
    Bayesian inference
    almost periodic function
    growth cycle
    industrial production
    Opis:
    The main goal of this paper is to propose the probabilistic description of cyclical (business) fluctuations. We generalize a fixed deterministic cycle model by incorporating the time-varying amplitude. More specifically, we assume that the mean function of cyclical fluctuations depends on unknown frequencies (related to the lengths of the cyclical fluctuations) in a similar way to the almost periodic mean function in a fixed deterministic cycle, while the assumption concerning constant amplitude is relaxed. We assume that the amplitude associated with a given frequency is time-varying and is a spline function. Finally, using a Bayesian approach and under standard prior assumptions, we obtain the explicit marginal posterior distribution for the vector of frequency parameters. In our empirical analysis, we consider the monthly industrial production in most European countries. Based on the highest marginal data density value, we choose the best model to describe the considered growth cycle. In most cases, data support the model with a time-varying amplitude. In addition, the expectation of the posterior distribution of the deterministic cycle for the considered growth cycles has similar dynamics to cycles extracted by standard bandpass filtration methods.
    Źródło:
    Central European Journal of Economic Modelling and Econometrics; 2018, 3; 233-262
    2080-0886
    2080-119X
    Pojawia się w:
    Central European Journal of Economic Modelling and Econometrics
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-3 z 3

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies