Identifying Simulation Model Through Alternative Techniques for a Medical Device Assembly Process

要約

この科学論文では、特に医療機器の組み立てに不可欠なスナップ プロセスのコンテキストにおいて、シミュレーション モデルを特定して近似するための 2 つの異なるアプローチを検討します。
シミュレーション モデルは、エンジニアに工業プロセスに関する洞察を提供する上で極めて重要な役割を果たし、物理的な組み立て前の実験やトラブルシューティングを可能にします。
ただし、その複雑さにより、計算に時間がかかることがよくあります。
この複雑さを軽減するために、シミュレーション モデルを識別するための 2 つの異なる方法を紹介します。1 つはスプライン関数を利用し、もう 1 つは機械学習 (ML) モデルを利用します。
私たちの目標は、スナップ プロセスを正確に表現し、多様なシナリオに対応できる適応性のあるモデルを作成することです。
このようなモデルは、特にデータの利用可能性が限られている場合に、プロセスの理解を強化し、意思決定を支援することが期待されています。

要約(オリジナル)

This scientific paper explores two distinct approaches for identifying and approximating the simulation model, particularly in the context of the snap process crucial to medical device assembly. Simulation models play a pivotal role in providing engineers with insights into industrial processes, enabling experimentation and troubleshooting before physical assembly. However, their complexity often results in time-consuming computations. To mitigate this complexity, we present two distinct methods for identifying simulation models: one utilizing Spline functions and the other harnessing Machine Learning (ML) models. Our goal is to create adaptable models that accurately represent the snap process and can accommodate diverse scenarios. Such models hold promise for enhancing process understanding and aiding in decision-making, especially when data availability is limited.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google