مهندسی و مدیریت کیفیت

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 ابزار قدرتمندی هستند که به منظور پایش تغییرات فرآیند مورد استفاده قرار می گیرند. در کنترل فرآیند آماری، موارد بسیار زیادی وجود دارد که مشخصه های کیفی وصفی در محصول یا فرآیند، به صورت همزمان پایش می شوند. اگرچه دریافت اخطار در نمودارهای کنترل بیانگر وجود تغییر در فرآیند است ولی اغلب زمان شروع تغییر مشخص نیست. تشخیص زمان دقیق شروع تغییر به مهندسین فرآیند در شناسایی علل تغییر و همچنین بهبود فرآیند کمک می کند. در این مقاله تکنیک های کنترل فرآیند آماری برای فرآیندی مورد مطالعه و بررسی قرار می گیرد که مشخصه های کیفی وصفی از نوع منطبق/ نامنطبق به صورت دو متغیره اندازه گیری می شوند، همچنین با استفاده از روش بیشترین درستنمایی تخمین زننده ای برای برآورد زمان شروع تغییر در این فرآیندها پیشنهاد می کنیم. در این مقاله فرض بر این است که دو مشخصه ی کیفی وصفی مختلف در یک محصول دارای همبستگی هستند. نتایج شبیه سازی نشان داده است که روش پیشنهادی برای شناسایی زمان تغییر در بردار میانگین فرآیند از عملکرد خوبی برخوردار است.




 




 

چکیده    گاهی اوقات یک مشخصه کیفی به صورت یک رابطه تابعی مشخص می شود که در کنترل کیفیت آماری به این رابطه پروفایل گویند. در این مقاله تحلیل پروفایل های خطی در فاز i نمودارهای کنترل از منظری جدید مورد بررسی قرار می گیرد. همیشه در کنترل کیفیت آماری فرض می شود که فرآیند دارای میانگین ثابتی است، ممکن است با فرآیندی روبه رو باشیم که مقدار میانگین پارامترهای آن در طول زمان ثابت نیست و این تغییرپذیری یک خصوصیت ذاتی فرآیند است. جهت کنترل این گونه فرآیند ها اکثر روش های موجود نمودارهای کنترل موثر نیستند. برای کنترل آماری یک چنین فرآیندهایی در فاز i، قبل از انجام کنترل فرآیند آماری، لازم است فرآیند به بخش هایی تقسیم شود که در آن ها ثابت و پایدار است. جهت بخش بندی فرآیند، مقالات محدودی استفاده از تکنیک خوشه بندی مبتنی بر زمان را پیشنهاد داده اند، همچنین مطالعات موجود، داده های تک متغیره را بررسی نموده اند. در این مقاله ما روش بخش بندی فرآیند را برای پایش پروفایل ها توسعه می دهیم. الگوریتم های مختلف بخش بندی برای داده های تابعی مورد مقایسه قرار می گیرند و نتایج آن گزارش می شود. مطالعات نشان می دهد الگوریتم خوشه‏بندی داده های تابعی براساس روش وارد، عملکرد خوبی برای بخش بندی پروفایل ها دارد.

چکیده نمودارهای کنترل یکی از مهم‏ترین ابزارهای کنترل فرآیند آماری می‌باشند که جهت کنترل میزان تغییرات مورد استفاده واقع می‌شود. در نمودار کنترل زمانی که یک انحراف با دلیل مشاهده می‌شود، پی بردن به علل اصلی تغییر در فرآیند و شناسایی زمانی که این انحراف آغاز شده، امری مهم و تاثیرگذار است که به آن نقطه تغییر گویند. در برخی از مسایل کنترل فرآیند آماری، کیفیت یک محصول یا عملکرد یک فرآیند به وسیله رابطه بین یک متغیر پاسخ و یک یا چند متغیر مستقل توصیف می‌شود، که به آن پروفایل گویند. در بسیاری از کاربردها هم چون کالیبراسیون رابطه مذکور به وسیله یک پروفایل خطی توصیف می‌شود در حالی که در موقعیت‌های دیگر مدل‌های پیچیده‌تری هم چون پروفایل‌های رگرسیون پواسون مورد نیاز است. در این مقاله از روش برآورد درستنمایی ماکزیمم به منظور کشف نقطه تغییر در فاز 2 پایش پروفایل‌های رگرسیون پواسون استفاده و عملکرد آن با استفاده از شبیه سازی بررسی شده است.