توسعه رویکردی مبتنی بر رگرسیون تکه ای برای پایش پروفایل های خطی چندگانه با اثرات متقابل در فاز

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری، گروه مهندسی صنایع، پژوهشگاه مواد و انرژی، تهران، ایران

2 دانشیار، دانشکده فنی و مهندسی، گروه مهندسی صنایع، دانشگاه شاهد، تهران، ایران

3 دانشیار، دانشکده مهندسی صنایع، دانشگاه مالک اشتر، تهران، ایران

4 دانشیار، دانشکده مهندسی صنایع، دانشگاه صنعتی امیرکبیر، تهران، ایران

چکیده

در بسیاری از کاربردهای کنترل فرایند آماری، رابطه بین متغیر پاسخ و یک یا چند متغیر کنترلی توسط یک تابع مورد ارزیابی قرار می­­گیرد که به آن پروفایل گفته می­شود. پروفایل­ها به لحاظ ماهیت متغیر پاسخ به انواع مختلفی مانند پروفایل­های خطی و غیرخطی تقسیم می­شود. در این تحقیق، نمودار کنترل جدیدی مبتنی بر رویکرد آزمون خطی تعمیم یافته و رگرسیون تکه ای، به منظور پایش پروفایل های خطی چندگانه با اثرات متقابل در فاز 2 ارائه شده است. نتایج شبیه سازی نمودار کنترل پیشنهادی بیانگر عملکرد بسیار بهتر آن نسبت به نمودار کنترل مبتنی بر روش حداقل مربعات خطا است.

کلیدواژه‌ها


[1] Sharafi A, M Aminnayeri, Amiri A. (2013) “An MLE approach for estimating the time of step changes in Poisson regression profiles”. Scientia Iranica, 20(3), pp. 855-860.

[2] Niaki STA, Khedmati M, Soleymanian ME. (2014) “Statistical monitoring of auto correlated simple linear profiles based on principal components analysis”. Communications in Statistics-Theory and Methods.

[3] Amiri A, Jensen WA, and Kazemzadeh RB. (2010) “A case study on monitoring polynomial profiles in the automotive industry”. Quality and Reliability Engineering International, 26(5), pp. 509-520.

[4] Woodall WH, Spitzner DJ, Montgomery DC, Gupta S. (2004) “Using control charts to monitor process and product quality profiles”. Journal of Quality Technology, 36 (3), pp. 309-320.

[5] Mahmoud MA, Woodall WH. (2004) “Phase I analysis of linear profiles with calibration applications”. Technometrics, 46 (4), pp.380-391.

[6] Montgomery DC. (2005) “Introduction to Statistical Quality Control”, Ed., 5th. Wiley: New York. 

[7] Kang L, Albin SL. (2000) “On-line monitoring when the process yields a linear profile”. Journal of Quality Technology, 32 (4), pp. 418-426.

[8] Zou C, Tsung F, Wang Z. (2007) “Monitoring general linear profiles using multivariate exponentially weighted moving average schemes”. Technometrics, 49 (4), pp. 395-408.

[9] Wang K, Tsung F. (2005) “Using profile monitoring techniques for a data-rich environment with huge sample size”. Quality and Reliability Engineering International. 21 (7), pp. 677-688.

[10] Williams JD, Birch JB, Woodal WH, Ferry NH. (2007) “Statistical monitoring of heteroscedastic dose response profiles from high-throughput screening”. Journal of Agricultural, Biological, and Environmental Statistics, 12 (2), pp. 216-235.

[11] C. J. Stone, M. H. Hanson, C. Kooperberg and Y. K. Truong, (1997) “Polynomial splines and their tensor products in extended linear modeling”, Annals of Statistics 25 (4), pp 1371-1425.

[12] L. C. Marsh and D. R. Cormier, (2002) “Spline regression models”, A Sage publication, London.

[13] C.L. Mallows, (1973) “Some comments on Cp”. Technometrics 15, 661–675.

[14] H. Akaike, (1973) “Information theory and an extension of the maximum likelihood principle”.  2nd International Symposium on Information Theory. Academiai Kiado, Budapest.

[15] P.Craven, G. Wahba, (1979) “Smoothing noisy data with spline functions: estimating the correct degree of smoothing by the method of generalized cross validation”. Numerische Mathematik 31, 377–403.

[16] Niaki, S.T.A., Abbasi, B. and Arkat, J., (2007). A generalized linear statistical model approach to monitor profiles. International Journal of Engineering Transactions A Basics, 20(3), 233-242.