مهندسی و مدیریت کیفیت

چکیده تخمین نقطه‌ی تغییر با کاهش مدت زمان لازم و هزینه‌ی تشخیص عامل اثرگذار، به مهندسین کیفیت در جستجوی مؤثر برای کشف انحرافات با دلیل و بهبود کیفیت یک محصول یا یک فرآیند کمک می‌کند. در این مقاله، از رویکرد شبکه‌ی عصبی مصنوعی احتمالی برای تخمین نقطه‌ی تغییر پله‌ای در فاز 2 پایش پروفایل‌های چندگانه استفاده می‌شود. عملکرد شبکه‌ی عصبی احتمالی پیشنهادی برای تخمین نقطه‌ی تغییر با استفاده از شبیه‌سازی مونت‌کارلو مورد سنجش قرار می‌گیرد. نتایج شبیه‌سازی‌ها بیانگر این است که شبکه‌ی پیشنهادی در تخمین نقطه‌ی تغییر، در تغییرات کوچک از رویکرد حداکثر درستنمایی بهتر عمل می‌کند. اما در تغییرات متوسط تا بزرگ رویکرد حداکثر درستنمایی بهتر عمل می‌کند. به علاوه، مزیت دیگر رویکرد پیشنهادی این است که بر خلاف رویکرد حداکثر درستنمایی نیازی به هیچ گونه پیش آگاهی از نوع تغییر ندارد و به خوبی قادر به تخمین انواع نقاط تغییر نیز هست.

چکیده بحث پایش پروفایل‏ها یکی از زمین‌های نوین تحقیقاتی در حوزه کنترل فرآیند آماری است. پروفایل رابطه بین یک متغیر پاسخ و یک یا چند متغیر مستقل را توصیف می‏کند. این رابطه که معمولاٌ با استفاده از یک رابطه رگرسیونی مدل می‏شود می‏تواند خطی ساده، خطی چندگانه، چند جمله‏ای و در مواردی غیرخطی باشد. به منظور پایش کیفیت یک فرآیند یا محصول با مشخصه کیفی به صورت پروفایل، به دلیل وجود همبستگی بین پارامترهای مدل رگرسیون می بایست از نمودارهای کنترل چندمتغیره استفاده شود. انواع نمودارهای کنترل چندمتغیره می توانند برای شناسایی تغییرهای کوچک و بزرگ در فرآیند مورد استفاده واقع شوند. مشکل عمده نمودارهای کنترل چندمتغیره، عدم تشخیص پارامتر خارج از کنترل زمانی که نمودار وجود تغییر در فرآیند را نشان می دهد، می باشد. در این مقاله، جهت تشخیص پارامتر خارج از کنترل پس از این که نمودار کنترل چندمتغیره mcusum در روش mcusum-کای دو وجود تغییر را در یک پروفایل چندجمله ای اعلام کرد، از شبکه عصبی چند لایه پرسپترون استفاده می شود. شبکه طراحی شده، پس از آموزش مورد آزمون قرار گرفته و نتایج نشان دهنده عملکرد بسیار خوب شبکه در تشخیص پارامتر خارج از کنترل است.