مروارید درخشان اندیشهمهندسی و مدیریت کیفیت3134-08496120160420Combining Taguchi loss function and economic design of X ̅ control diagrams in the presence of normal and abnormal dataتلفیق تابع زیان تاگوچی و طراحی اقتصادی نمودارهای کنترلی X ̅ در حضور دادههای نرمال و نانرمال1855874FAمحمدبامنی مقدمدانشگاه علامه طباطبایی0000-0003-1324-8024مجتبیآقاجانپور پاشاآمار، ریاضی و آمار،دانشگاه علامه طباطبائی، تهران، ایرانشبنمفانیآمار، ریاضی و آمار،دانشگاه علامه طباطبائی، تهران، ایرانJournal Article20180120Control chart is one of the basic tools of statistical quality control and monitoring during production of production and service processes. The cost of quality in the classical approach to control chart design depends on whether the quality characteristic is inside or outside the control range. Since the integration of the loss function approach into in-production monitoring activities such as control charts, which is derived from Taguchi's concept of social quality loss, in which the cost of quality depends on the amount of deviation of the quality characteristic from the target value, is a more comprehensive evaluation process. It is better guided in the management strategy. This paper combines the Taguchi loss function and the economic design of the X نمودار control chart. In addition, since the output data of the process may not follow the normal distribution or the assumptions of the central limit theorem may not be true of it, it is necessary to study the integrated model in these situations, in addition to the normal distribution mode. In this regard, the economic design parameters of the integrated model will be compared in the presence of normal and abnormal data, in which, due to the extent of incremental failure rate in production systems, from non-uniform sampling design for sample inspection and Weibull shock model for failure mechanism. The process is used. <br /><br />نمودار کنترلی، یکی از ابزار اساسی کنترل آماری کیفیت و پایش حین تولید فرایندهای تولیدی و خدماتی است. هزینهی کیفیت در رویکرد کلاسیک طراحی نمودار کنترلی به اینکه مشخصهی کیفیت درون یا بیرون حدود کنترلی قرار دارد بستگی دارد. از آنجا که ادغام رهیافت تابع زیان در فعالیتهای پایش حین تولید مانند نمودارهای کنترلی، که برگرفته از مفهوم زیان اجتماعی کیفیت تاگوچی است و در آن هزینهی کیفیت به مقدار انحراف مشخصهی کیفیت از مقدار هدف وابسته است، به ارزیابی جامعتر فرایند و در نتیجه به تصمیمهای بهتر در راهبرد مدیریت رهنمون میشود. این مقاله به تلفیق تابع زیان تاگوچی و طراحی اقتصادی نمودار کنترلی X ̅ میپردازد. بهعلاوه، با توجه به آنکه دادههای خروجی فرایند ممکن است از توزیع نرمال پیروی نکنند و یا اینکه پذیرههای قضیهی حد مرکزی در مورد آن صادق نباشند، لزوم مطالعهی مدل تلفیقی در این موقعیتها نیز، علاوه بر حالت توزیع نرمال، ضرورت پیدا میکند. در این راستا، پارامترهای طراحی اقتصادی حاصل از مدل تلفیقی در حضور دادههای نرمال و نانرمال مقایسه خواهند شد که در آن، با توجه به گستردگی نرخ شکست افزایشی در سامانههای تولیدی، از طرح نمونهگیری نایکنواخت برای بازرسی نمونهها و از مدل شوک وایبول برای سازوکار شکست فرایند استفاده شده است. https://www.pqprc.ir/article_55874_1dcee2628d726541e45f1ba8c31afe98.pdfمروارید درخشان اندیشهمهندسی و مدیریت کیفیت3134-08496120160420Presenting new control approaches for monitoring quality characteristics with Weibull distribution under type 2 censorship in a two-step processارائه رویکردهای کنترل نوین برای پایش مشخصه های کیفی با توزیع ویبول تحت سانسورشدگی نوع دو در یک فرآیندهای دومرحله ای92055875FAشرویناسدزادهعضو هیات علمی دانشگاه آزاد شمالفاطمهکیادلیریمهندسی صنایع، فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال،تهران،ایرانJournal Article20180120In this paper, control diagrams are proposed to monitor the scale parameter of reliability data with Weibull distribution in the presence of type 2 censorship in cascading processes. A cumulative sum control diagram and a probability range control diagram are intended to detect decreasing shifts in the mean of the qualitative characteristic with the reliability fluid. The proposed control approaches are based on the distribution of the smallest limit value converted from the Weibull distribution to take into account the cascading property that is the main feature of multistage processes. Then, to evaluate the proposed control charts, a simulation is performed in which the comparison index of control charts is the average length of the sequence. An additional quadratic loss index has also been used to compare the ability to detect proposed control charts. In addition, sensitivity analysis has been studied to investigate the effect of the number of failures on the performance of the proposed control diagrams and the robustness of the monitoring approaches versus shifts in the previous stage of the process. Finally, to illustrate the performance of control charts, a case study from a glass bottle factory is reviewed. The results show the superiority of the cumulative control chart over the control chart with probability limits.در این مقاله نمودارهای کنترل به منظور پایش پارامتر مقیاس داده های قابلیت اطمینان با توزیع ویبول در حضور سانسورشدگی نوع دو در فرآیندهایی با خاصیت آبشاری پیشنهاد می گردد. یک نمودار کنترل جمع تجمعی و یک نمودار کنترل با حدود احتمال با هدف کشف شیفت های کاهشی در میانگین مشخصه کیفی با ماعیت قابلیت اطمینان در نظر گرفته شده اند. رویکردهای کنترل پیشنهادی بر اساس توزیع کوچکترین مقدار حدی تبدیل شده از توزیع ویبول می باشند تا خاصیت آبشاری که ویژگی اصلی فرآیندهای چندمرحله ای است لحاظ شود. سپس برای ارزیابی نمودارهای کنترل پیشنهادی، شبیه سازی انجام شده است که در آن شاخص مقایسه نمودارهای کنترل، متوسط طول دنباله می باشد. همچنین از شاخص زیان درجه دوم اضافی نیز برای مقایسه توانایی کشف نمودارهای کنترل پیشنهادی استفاده شده است. به علاوه آنالیز حساسیت به منظور بررسی اثر تعداد شکست در عملکرد نمودارهای کنترل پیشنهادی و استواری رویکردهای پایش در مقابل شیفت در مرحله قبل فرآیند، مورد مطالعه قرار گرفته است. درآخر برای نشان دادن عملکرد نمودارهای کنترل، مطالعه موردی از کارخانه تولید بطری های شیشه ای مورد بررسی قرار گرفته است. نتایج نمایانگر برتری نمودار کنترل جمع تجمعی نسبت به نمودار کنترل با حدود احتمال می باشد.https://www.pqprc.ir/article_55875_afb388d6405dcf9258c5d53ccae88610.pdfمروارید درخشان اندیشهمهندسی و مدیریت کیفیت3134-08496120160420Estimation of the point of change in the multivariate normal process covariance matrix using neural networksتخمین نقطه تغییر در ماتریس کواریانس فرآیند نرمال چند متغیره با استفاده از شبکه عصبی213455876FAامیرحسینامیریمهندسی صنایع، فنی و مهندسی، دانشگاه شاهد، تهران، ایران0000-0002-2385-8910محمدرضاملکیمهندسی صنایع، فنی و مهندسی، دانشگاه شاهد، تهران، ایرانمحمدحسینکلانیمهندسی صنایع، فنی و مهندسی، دانشگاه شاهد، تهران، ایرانJournal Article20180120In most cases, the alert received from a control chart does not indicate the actual time of the process change due to the delay between the actual change time and the time of receiving the alert from the control chart. As a result, it is necessary to examine the real time of change, which is referred to as the "point of change". By reviewing the literature on identifying real-time process changes, it can be concluded that most research in this field focuses on univariate processes and little research is devoted to multivariate processes. In addition, most research in the field of estimating change time in multivariate processes has focused on changes in the mean process vector, and only one research has been done on the covariance matrix. In this paper, a model based on artificial neural network is proposed to estimate the point of change in the covariance matrix of multivariate normal processes. The method presented in phase 2 is control diagrams and the type of change that occurred in the variance of qualitative characteristics is assumed to be the type of step changes. The performance of the proposed method in estimating the change point is evaluated based on two criteria of experimental distribution of estimates as well as the mean and standard deviation of the change point estimator for different step shifts in the variance of process variables in a simulation study. Finally, in order to further explain the proposed method, a numerical example is provided. The results show the proper performance of the proposed method in estimating the change point in the covariance matrix of multivariate normal processes.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.https://www.pqprc.ir/article_55876_3e6c1d5ebd08633cea4ba168e51bcfe2.pdfمروارید درخشان اندیشهمهندسی و مدیریت کیفیت3134-08496120160420Replacing the sequence probability ratio test with the V mask in the cumulative summative control chartجایگزینی آزمون نسبت احتمال دنباله ای با ماسک V در نمودارکنترل جمع تجمعی354455877FAعباسپرچمیدانشگاه باهنر کرمانبهرامصادقپور گیلدهدانشیار، دانشگاه فردوسی مشهد، دانشکده علوم ریاضی، بخش آمارJournal Article20180120Cumulative cumulative control charts are presented in most quality control books regardless of the statistical formulas behind the V-mask. In this paper, after introducing and reviewing the cumulative sum control chart, the decision rule is examined and its relationship with sequence probability ratio tests. Many references and quality control books consider the V mask method to be equivalent to a cumulative test with inverted data. Although the two methods have many similarities, their decision-making rules are not the same. In order to further clarify, in this article, the similarities and differences between the two approaches are examined and compared.نمودار کنترل جمع تجمعی در اغلب کتب کنترل کیفیت بدون توجه به فرمولهای آماری نهفته در پشت ماسک Vمطرح شده است. در این مقاله پس از معرفی و مرور نمودار کنترل جمع تجمعی، به بررسی قاعدهی تصمیمگیری و ارتباط آن با آزمونهای نسبت احتمال دنبالهای پرداخته شده است. بسیاری از مراجع و کتب کنترل کیفیت روش ماسک Vرا معادل آزمون جمع تجمعی با دادههای وارونیافته میدانند. گر چه این دو روش مشابهتهای زیادی با یکدیگر دارند، اما قواعد تصمیمگیری آنها با یکدیگر یکسان و معادل نیست. به منظور شفافسازی بیشتر، در این مقاله تشابهات و تفاوتهای دو رویکرد مذکور مورد بررسی و مقایسه قرار گرفته شده است.https://www.pqprc.ir/article_55877_6e650442ac3985085563c7d6e7eae501.pdfمروارید درخشان اندیشهمهندسی و مدیریت کیفیت3134-08496120160420Investigation of the effect of inertia on the performance of nonparametric signals of cumulative sum and rhythmic moving averageبررسی اثر اینرسی بر عملکرد نمودارهای ناپارامتری علامت از نوع جمع تجمعی و میانگین متحرک موزون نمایی455655878FAمیثممددیمهندسی صنایع، فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران جنوب، تهران، ایرانمجیدنوجواندانشکده مهندسی صنایع، واحد تهران جنوب، دانشگاه آزاد اسلامی0000-0001-7163-5271Journal Article20180120In CUSUM and EWMA, a change in process may cause the statistic to move away from the center. In this case, if another change occurs in the opposite direction, the chart needs more time to be warned. This is called the inertia effect. In this paper, the effect of inertia on the performance of non-parametric CUSUM and EWMA sign diagrams is investigated and the two diagrams are compared. To do this, a simulation program is developed that calculates the average length of the sequence in the controlled state (ARL0) and out of control (ARL1) in these diagrams for different parameter values using three different distributions. The results of the simulation show that the values of ARL0 in the CUSUM symbol are not affected by inertia, but the values of ARL1 in the graph increase in large changes and the power of the graph in detecting these changes decreases. Also in the EWMA symbol chart, the ARL0 values decrease and the ARL1 values increase for medium and large changes. In other words, due to inertia in this chart, the number of false warnings increases and the power to detect changes decreases. Due to the less negative effect of inertia on the performance of the CUSUM signal diagram than EWMA, the use of this diagram in the control of abnormal processes is recommended.در نمودارهای جمع تجمعی (CUSUM) و میانگین متحرک موزون نمایی (EWMA) ممکن است تغییری در فرآیند باعث فاصله گرفتن آماره از مرکزیت شود، در این حالت چنانچه تغییر دیگری در جهت مخالف رخ دهد نمودار به زمان بیشتری برای اخطاردهی نیاز دارد که به این مسئله اثر اینرسی گفته میشود. در این مقاله اثر اینرسی بر روی عملکرد نمودارهای ناپارامتری علامت از نوع CUSUM و EWMA بررسی و این دو نمودار با هم مقایسه شده است. برای این کار یک برنامه شبیه سازی تهیه شده که متوسط طول دنباله در حالت تحت کنترل (ARL0) و خارج از کنترل (ARL1) را در این نمودارها به ازای مقادیر مختلف پارامتر و با استفاده از سه توزیع متفاوت محاسبه میکند. نتایج حاصل از شبیه سازی نشان میدهد که مقادیر ARL0 در نمودار علامت از نوع CUSUM از اینرسی تاثیر نمیپذیرد اما مقادیر ARL1 نمودار در تغییرات بزرگ افزایش یافته و توان نمودار در تشخیص این تغییرات کاهش مییابد. همچنین در نمودار علامت از نوع EWMA نیز مقادیر ARL0 کاهش و مقادیر مقادیر ARL1 برای تغیرات متوسط و بزرگ افزایش مییابند. به عبارتی بر اثر اینرسی در این نمودار تعداد اخطارهای اشتباه بیشتر و قدرت تشخیص تغییرات کمتر میشود. با توجه به تاثیر منفی کمتر اینرسی بر عملکرد نمودار علامت از نوع CUSUM نسبت به EWMA استفاده از این نمودار در کنترل فرآیندهای غیرنرمال توصیه میشود.https://www.pqprc.ir/article_55878_ee5bc46a2cac52138903481e84b14dda.pdfمروارید درخشان اندیشهمهندسی و مدیریت کیفیت3134-08496120160420Simulation of transportation costs Supply chain network design taking into account price and quality dependent demandشبیه سازی هزینه حمل و نقل طراحی شبکه زنجیره تأمین با در نظر گرفتن تقاضای وابسته به قیمت و کیفیت576555879FAسید محمد مهدیکاظمیمهندسی صنایع، فنی و مهندسی، دانشگاه آزاد اسلامی واحد دماوند، تهران، ایرانپیمانتاکیمهندسی صنایع، فنی و مهندسی، دانشگاه آزاد اسلامی واحد دماوند، تهران، ایرانJournal Article20180120Proper network design has many effects on the performance, efficiency and effectiveness of supply chains in achieving the expected goals and meeting the needs of customers. In this research, a multi-level multi-objective model for supply chain network design considering pricing, product quality level and disruption is presented. The cost of transporting each vehicle is assumed to be a dynamic random function rather than a parameter. Therefore, discrete-event simulation has been used to estimate transportation costs. Due to the important role of risk and disruption concepts in supply chain network design, risk minimization along with profit maximization according to pricing and quality concepts have been defined as objective functions. Supply chain demand is considered a linear function of price and quality level of products. Finally, the supply chain network design problem is solved by simulation, risk and price-dependent demand with NSGA-II algorithm and the results are validated by MOSA algorithm.طراحی مناسب شبکه، اثرات بسیاری بر عملکرد، بهره وری و اثربخشی زنجیره های تأمین در رسیدن به اهداف انتظاری و برآورده نمودن نیازهای مشتریان دارد. در این پژوهش، یک مدل چندهدفه ی چندسطحی برای طراحی شبکه ی زنجیره تأمین با در نظر گرفتن قیمت- گذاری، سطح کیفی محصولات و اختلال ارائه شده است. هزینه ی حملونقل هر وسیلهی نقلیه یک تابع تصادفی پویا و نه پارامتر فرض شده است. بنابراین از شبیه سازی گسسته-پیشامد برای ارزیابی هزینه های حمل ونقل استفاده شده است. با توجه به نقش مهم مفاهیم ریسک و اختلال در طراحی شبکه ی زنجیره تأمین، کمینه سازی ریسک به همراه بیشینه سازی سود با توجه به مفاهیم قیمت گذاری و کیفیت، به عنوان توابع هدف تعریف شده اند. تقاضای زنجیره تأمین تابعی خطی از قیمت و سطح کیفی محصولات در نظر گرفته شده است. در نهایت، مسئله ی طراحی شبکه زنجیره تأمین با شبیه سازی، ریسک و تقاضای وابسته به قیمت و کیفیت با الگوریتم NSGA-IIحل و نتایج با الگوریتم MOSA اعتبارسنجی شده اند.https://www.pqprc.ir/article_55879_a98940cb04d0359f9e42426587225057.pdf