مهندسی و مدیریت کیفیت

چکیده امروزه به دلیل تنوع تقاضای مشتری و حضور کوتاه محصول در بازار، استراتژی ساخت و تولید به سمت فرایندهای تولید کوتاه مدت سوق یافته است. در این شرایط فاز 1 نمودار کنترل نمی‌‌تواند انجام شود و برآوردهای صحیحی برای پارامترهای فرآیند در دسترس نمی‌باشد، لذا طراحی نمودارهای کنترل جدید برای پایش چنین فرایندهایی ضروری است. همچنین گاهی کیفیت به وسیله رابطه‌ای بین یک متغیر پاسخ و یک متغیر مستقل توصیف می‌شود که به آن پروفایل خطی ساده گفته می‌شود. در این مقاله به منظور پایش پارامترهای پروفایلهای خطی ساده در فرایندهای تولید کوتاه مدت، سه نمودار در فاز 2 طراحی شده است که توانایی پایش پارامترهای پروفایل مذکور را داشته و بروزرسانی آنها را از همان ابتدای فرآیند مدنظر قرار می‌دهد. عملکرد نمودارهای پیشنهادی با نمودار کنترل رقیب بر اساس معیار متوسط طول دنباله مقایسه شده است. نتایج بیانگر عملکرد مناسب نمودارهای کنترل پیشنهادی درکشف تغییرات متوسط و بزرگ می‌باشد.

چکیده تخمین نقطه‌ی تغییر با کاهش مدت زمان لازم و هزینه‌ی تشخیص عامل اثرگذار، به مهندسین کیفیت در جستجوی مؤثر برای کشف انحرافات با دلیل و بهبود کیفیت یک محصول یا یک فرآیند کمک می‌کند. در این مقاله، از رویکرد شبکه‌ی عصبی مصنوعی احتمالی برای تخمین نقطه‌ی تغییر پله‌ای در فاز 2 پایش پروفایل‌های چندگانه استفاده می‌شود. عملکرد شبکه‌ی عصبی احتمالی پیشنهادی برای تخمین نقطه‌ی تغییر با استفاده از شبیه‌سازی مونت‌کارلو مورد سنجش قرار می‌گیرد. نتایج شبیه‌سازی‌ها بیانگر این است که شبکه‌ی پیشنهادی در تخمین نقطه‌ی تغییر، در تغییرات کوچک از رویکرد حداکثر درستنمایی بهتر عمل می‌کند. اما در تغییرات متوسط تا بزرگ رویکرد حداکثر درستنمایی بهتر عمل می‌کند. به علاوه، مزیت دیگر رویکرد پیشنهادی این است که بر خلاف رویکرد حداکثر درستنمایی نیازی به هیچ گونه پیش آگاهی از نوع تغییر ندارد و به خوبی قادر به تخمین انواع نقاط تغییر نیز هست.

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 در اکثر مواقع، هشداری که از یک نمودار کنترل دریافت می‌شود نشان‌دهنده زمان واقعی تغییر در فرآیند نیست که علت آن وجود تأخیر بین زمان واقعی تغییر و زمان دریافت هشدار از نمودار کنترل است. در نتیجه نیاز است که زمان واقعی تغییر که از آن به عنوان "نقطه تغییر" یاد می‌شود، بررسی شود. با بررسی ادبیات موضوع شناسایی زمان واقعی تغییر در فرآیند می‌توان نتیجه گرفت که اکثر تحقیقات انجام شده در این حوزه بر فرآیندهای تک متغیره متمرکز بوده و تحقیقات اندکی به فرآیندهای چند متغیره اختصاص یافته است. علاوه بر این، بیش‌تر تحقیقات انجام شده در حوزه تخمین زمان تغییر در فرآیندهای چند متغیره معطوف به تغییرات در بردار میانگین فرآیند بوده و تنها یک تحقیق در خصوص ماتریس کواریانس انجام شده است. در این مقاله مدلی مبتنی بر شبکه عصبی مصنوعی برای تخمین نقطه تغییر در ماتریس کواریانس فرآیندهای نرمال چند متغیره پیشنهاد شده است. روش ارائه شده در فاز 2 نمودارهای کنترل می‌باشد و نوع تغییر رخ داده در واریانس مشخصه‌های کیفی از نوع تغییرات پله‌ای فرض شده است. عملکرد روش پیشنهادی در تخمین نقطه تغییر براساس دو معیار توزیع تجربی برآوردها و هم‌چنین میانگین و انحراف استاندارد تخمین‌زننده نقطه تغییر به ازای شیفت‌های پله‌ای مختلف در واریانس متغیرهای فرآیند در قالب مطالعه شبیه‌سازی ارزیابی شده است. در نهایت به منظور توضیح بیشتر روش ارائه شده یک مثال عددی ارائه شده است. نتایج حاصل نشان‌دهنده عملکرد مناسب روش پیشنهادی در تخمین نقطه تغییر در ماتریس کواریانس فرآیندهای نرمال چند متغیره می‌باشد.

چکیده نمودارهای کنترل سنتی مبتنی بر این فرض اساسی هستند که دادههای فرآیند بطور متوالی مستقل از یکدیگر بوده و دارای توزیع نرمال میباشند. این در حالی است که در بسیاری از موارد در دنیای واقعی از جمله در فرآیندهای شیمیایی و پیوسته این فرض اساسی وجود ندارد و بین دادههای جمعآوری شده از فرآیند نوعی خودهمبستگی وجود دارد. استفاده از نمودارهای کنترل سنتی در فرآیندهای خود همبسته غیرقابل اطمینان بوده و باعث افزایش اخطارهای اشتباه میشود. یکی از روشهای توسعه داده شده به منظور کنترل فرآیندهای خودهمبسته، شناسایی ساختار سریهای زمانی فرآیند و استفاده از مقادیر باقیمانده‌ها به منظور کنترل فرآیند است. در این مقاله از یک مدل مبتنی بر سیستمهای تطبیقی عصبی-فازی به منظور شناسایی ساختار سریهای زمانی و پیشبینی استفاده شده طراحی میشود. در نهایت AR(2) است. همچنین نمودارهای کنترل باقیمانده مبتنی بر این سیستم برای دادههای خود برگشتی درجه 2 با استفاده از دادههای شبیهسازی شده، کارایی روش پیشنهادی در نمودار میانگین متحرک موزون نمائی و برای درجه‌های مختلفی از همبستگی مورد ارزیابی قرار گرفته و نشان داده میشود که روش پیشنهادی برای دادههای با همبستگی زیاد دارای کارایی بسیار مناسب است.

چکیده بحث پایش پروفایل‏ها یکی از زمین‌های نوین تحقیقاتی در حوزه کنترل فرآیند آماری است. پروفایل رابطه بین یک متغیر پاسخ و یک یا چند متغیر مستقل را توصیف می‏کند. این رابطه که معمولاٌ با استفاده از یک رابطه رگرسیونی مدل می‏شود می‏تواند خطی ساده، خطی چندگانه، چند جمله‏ای و در مواردی غیرخطی باشد. به منظور پایش کیفیت یک فرآیند یا محصول با مشخصه کیفی به صورت پروفایل، به دلیل وجود همبستگی بین پارامترهای مدل رگرسیون می بایست از نمودارهای کنترل چندمتغیره استفاده شود. انواع نمودارهای کنترل چندمتغیره می توانند برای شناسایی تغییرهای کوچک و بزرگ در فرآیند مورد استفاده واقع شوند. مشکل عمده نمودارهای کنترل چندمتغیره، عدم تشخیص پارامتر خارج از کنترل زمانی که نمودار وجود تغییر در فرآیند را نشان می دهد، می باشد. در این مقاله، جهت تشخیص پارامتر خارج از کنترل پس از این که نمودار کنترل چندمتغیره mcusum در روش mcusum-کای دو وجود تغییر را در یک پروفایل چندجمله ای اعلام کرد، از شبکه عصبی چند لایه پرسپترون استفاده می شود. شبکه طراحی شده، پس از آموزش مورد آزمون قرار گرفته و نتایج نشان دهنده عملکرد بسیار خوب شبکه در تشخیص پارامتر خارج از کنترل است.

چکیده اهمیت نرم افزار روز به روز در حال افزایش است و با افزایش اهمیت آن به طور مداوم سعی در توسعه تکنولوژی هایی است که باعث ایجاد نرم افزارهای با کیفیت بالا می شود. شاخص های نرم افزار یک ابزار ضروری برای مدیریت پروژه و کیفیت آن هستند. علاوه بر انتخاب شاخص هایی برای پایش، تشخیص رفتارهای معنی دار و تغییرات یا انحرافات فرآیند، تحلیل آن ها و این که آیا شیفت های فرآیند از نظر آماری معنی دارهستند، نیز دارای اهمیت است. از آن جایی که برای پرداختن به موضوعات اشاره شده رویکرد کنترل کیفیت آماری یکی از رویکردهای شناخته شده می باشد در این مقاله سعی شده است برای اولین بار تمامی تکنیک های استفاده شده در مقالات موجود در زمینه کنترل فرآیند آماری را شناسایی و دسته بندی کنیم که به کمک آن محققان می توانند موضوعات کاربردی و تحقیق را تشخیص دهند و تلاش کنند که تحقیقات آماری و مفیدی را با استفاده از مطالب جمع آوری شده ارایه دهند.

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.