مهندسی و مدیریت کیفیت

چکیده در مدل‌های شوک، سیستم به‌محض این‌که میزان خسارات ناشی از شوک‌ها، از آستانه تحمل آن عبور نماید، دچار خرابی می‌شود. در این پژوهش، به طراحی نمودار کنترل برای پایش پایایی سیستم‌های با آستانه تحمل تصادفی در معرض شوک‌های تصادفی تجمعی پرداخته می‌شود. در مدل شوک تجمعی، سیستم زمانی از کار می‌افتد که میزان تجمعی خسارات ناشی از شوک‌ها از آستانه تحمل سیستم بیش تر شود. برای حل تحلیلی مدل‌ مرتبط با نمودار کنترل، چالش‌هایی نظیر نامشخص بودن توزیع‌ها، به‌دست آوردن پیچش توزیع‌ها و محاسبات انتگرال وجود دارند. برای غلبه کردن بر این چالش‌ها، از توزیع نوع مرحله‌ای برای مدل‌سازی مسئله استفاده می‌شود. با ارائه مثال عددی، نتایج حاصل از مدل تحلیلی ارائه شده با روش شبیه‌سازی مونت‌کارلو ارزیابی و مقایسه شده است. هم‌چنین، عملکرد نمودار کنترل پیشنهادی نیز با استفاده از معیارهای متوسط طول دنباله و متوسط زمان تا رسیدن به هشدار خارج از کنترل مورد ارزیابی قرار گرفته است.

چکیده نمودارهای کنترل، یکی از مهم‌ترین ابزارها برای ارزیابی عملکرد و پایش فرایند هستند. در طراحی کلاسیک نمودار کنترل، هزینه­ی کیفیت به این­که مشخصه­ی کیفیت درون یا بیرون حدود کنترل قرار گیرد بستگی دارد. استفاده از تابع زیان در طراحی نمودارهای کنترل، به­عنوان براورد کننده ‌ی هزینه­ی تولید محصولات معیوب، به ارزیابی جامع­تر و تصمیم­های بهتر در مدیریت کمک شایانی می­کند، بنا بر این در این مقاله به تلفیق تابع زیان و طراحی آماری اقتصادی نمودار کنترل  پرداخته می­شود. توابع زیانی که تا کنون در این زمینه مورد استفاده قرار گرفته‌اند توابعی متقارن بوده­اند، اما در بسیاری از مواقع بیش براورد کردن و یا کم براورد کردن مقدار ایده­ال برای مشخصه­ی کیفیت زیان­های یکسانی را ایجاد نمی­­کند. لذا این مقاله برای اولین بار در ادبیات موضوع طراحی نمودارهای کنترل، از تابع زیان نامتقارن لاینکس استفاده می‌کند. با استفاده از یک مثال کاربردی، عملکرد توابع زیان درجه دوم، خطی، نمایی و لاینکس مقایسه شده است. نتیجه‌ی این مقایسه­ها نشان داد تابع زیان لاینکس، کم‌ترین مقدار هزینه را در طراحی آماری- اقتصادی نمودار کنترل  نسبت به سایر توابع زیان به خود اختصاص می­دهد.

چکیده
نمودارهای کنترل سنتی مبتنی بر این فرض اساسی هستند که دادههای فرآیند بطور متوالی مستقل از یکدیگر بوده و دارایتوزیع نرمال میباشند. این در حالی است که در بسیاری از موارد در دنیای واقعی از جمله در فرآیندهای شیمیایی و پیوسته این فرضاساسی وجود ندارد و بین دادههای جمع آوری شده از فرآیند نوعی خودهمبستگی وجود دارد. استفاده از نمودارهای کنترل سنتی درفرآیندهای خود همبسته غیرقابل اطمینان بوده و باعث افزایش اخطارهای اشتباه میشود. یکی از روشهای توسعه داده شده به منظورکنترل فرآیندهای خودهمبسته، شناسایی ساختار سریهای زمانی فرآیند و استفاده از مقادیر باقیماندهها به منظور کنترل فرآیند میباشد.در این مقاله از یک مدل مبتنی بر سیستمهای تطبیقی عصبی-فازی به منظور شناسایی ساختار سریهای زمانی و پیش بینی استفادهطراحی میشود. در AR(2) شده است. همچنین نمودارهای کنترل باقیمانده مبتنی بر این سیستم برای دادههای خود برگشتی درجه 2و برای )EWMA( نهایت با استفاده از دادههای شبیه سازی شده، کارایی روش پیشنهادی در نمودار میانگین متحرک موزون نمائیدرجههای مختلفی از همبستگی مورد ارزیابی قرار میگیرد.

چکیده چکیده نمودارهای کنترل در پایش فرایندها به منظور تشخیص هرگونه تغییری که می‌تواند کیفیت فرایند را تحت تاثیر قرار دهد، مورد استفاده قرار می‌گیرند. در اغلب اوقات، فرض می‌شود داده‌های فرایند دارای توزیع نرمال هستند که این فرض ممکن است در عمل برقرار نباشد. در این مقاله، طراحی آماری اقتصادی نمودار کنترل X ̅ زمانی که توزیع مشخصه‌ی کیفی نرمال نباشد را با رویکرد زنجیرهای مارکوف مورد بررسی قرار می‌دهیم. در این ارتباط، از توزیع بر به عنوان مدلی برای توزیع متغیر کیفیت فرایند استفاده می‌کنیم. این توزیع بدلیل انعطاف‌پذیری مولفه‌هایش می‌تواند بسیاری از توزیع‌ها ازجمله توزیع نرمال را مدل سازی کند. عملکرد طراحی را نیز به وسیله‌ی تحلیل حساسیت پارامترهای فرایند و بر اساس مقادیر چولگی و کشیدگی جامعه، با بکارگیری الگوریتم ژنتیک، برای کاربردی صنعتی نشان می‌دهیم. 

چکیده همان طور که می‌دانیم داده‌های مستخرج از فرآیندهای واقعی به‌طور معمول همبسته‌اند و برای پایش این فرآیندها لازم است خودهمبستگی داده‌ها در نظر گرفته شود. نمودارهای کنترلی که تا به امروز برای پایش نسبت معیوبی‌(p) توسعه یافته‌اند، بر این فرض استوارند که مشاهدات دودویی از هم مستقل هستند که در این صورت واقعیت همبسته بودن داده‌ها در نظر گرفته‌ نشده است. آن چه که در این مقاله مطرح می‌شود، نمودار کنترل جمع تجمعی است، به‌گونه‌ای که خودهمبستگی بین مشاهدات دودویی را به وسیله مدل زنجیره مارکوف دو وضعیتی مرتبه اول در نظر می‌گیرد. همچنین با استفاده از شاخص متوسط تعداد مشاهدات تا اولین هشدار ، نشان داده می‌شود که در شرایط صددرصد بازرسی، این نمودار نسبت به نمودار جمع تجمعی برنولی که مشاهدات را مستقل فرض می‌کند، عملکرد مناسب‌تری دارد و یا به عبارت دیگر افزایش در p را سریع تر کشف می‌کند.