مهندسی و مدیریت کیفیت

چکیده در کنترل کیفیت آماری، معمولاً تمرکز و پراکندگی مشخصه­‌های کیفیت پیوسته در یک فرایند، توأماً و با کمک دو نمودار بررسی می­‌شوند. بدین ترتیب تغییر­ها در هر یک به‌­صورت هم­زمان قابل شناسایی خواهند بود. به علت کارایی بالای نمودار­های کنترل توأم میانگین و انحراف معیار با نمونه‌­گیری دوگانه در شناسایی سریع تغییر­های میانگین و انحراف استاندارد فرایند، بحث و بررسی در مورد این دسته از نمودار­ها لازم و ضروری به­‌نظر می­‌رسد. در این مقاله، بر پایه­‌ی نتایج حاصل از طراحی نمودار­های کنترل توأم میانگین و انحراف معیار با نمونه­‌گیری دو­گانه، نمودار­های کنترل توأم میانگین و انحراف معیار با نمونه­‌گیری سه­‌گانه معرفی می­‌شوند. طراحی آماری توأم نمودار­های کنترل میانگین و انحراف معیار با نمونه­گیری سه‌­گانه به­‌عنوان مسئله­‌ی بهینه‌­سازی فرمول­‌بندی می­‌شوند و برای حل این مسئله، الگوریتم ژنتیک پیش­نهاد می‌­شود.

چکیده شناسایی تغییرات معنادار در شاخص های کلیدی فرآیندهای مالی یکی از نکات مورد توجه در سال های اخیر و پس از بحران های مالی می باشد. نمودارهای کنترل یکی از ابزارهای قدرتمندمورد استفاده در این زمینه می باشد. نکته قابل توجه در استفاده عملی از نمودارهای کنترل، تخمین پارامترهای فرآیند بر اساس داده های در دسترس می باشد. علیرغم تحقیقات گسترده در زمینه بررسی تاثیر تخمین پارامترها بر روی عملکرد نمودارهای کنترل، تحقیقات کمی بر روی فرآیندهایی با مشاهدات وابسته زمانی صورت گرفته است. با توجه به اهمیت و کاربرد گسترده مدل سری زمانی Auto Regressive Conditional Heteroskedasticity (ARCH) در پایش فرآیندهای مالی، در این مقاله، به بررسی تاثیر اندازه نمونه اولیه برای تخمین پارامترهای مدل بر روی عملکرد نمودارهای کنترل فاز 2 پرداخته می شود. عملکرد هر یک از نمودارهای کنترل با استفاده از مطالعات شبیه سازی و بر اساس معیارهای AARL و SDARL بررسی و نتایج حاصل تشریح می گردد.

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 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.