مهندسی و مدیریت کیفیت

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 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    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.