@article { author = {Tavakoli, Mehran and Bamenimoghadam, Mohammad}, title = {A semi-parametric method for optimizing multi-response problems: A case study on improving the quality of plastic injection machines}, journal = {Journal of Quality Engineering and Management}, volume = {7}, number = {1}, pages = {16-28}, year = {2017}, publisher = {Parsian Quality and Productivity Research}, issn = {2322-1305}, eissn = {}, doi = {}, abstract = {Multi-response optimization performed by the response procedure method is very common. Before optimization, we need to select and fit the appropriate model for each response. A major problem that may occur due to incorrect fitting of models and failure to reach optimal solutions is model misidentification. The solid regression model method, which is a semi-parametric method for estimating d, can have a better performance than both parametric and non-parametric estimation methods against model misclassification. In this research, the use of a robust regression model method is proposed to improve the model estimation and the appropriate fit of each of the answers will be investigated by one of the multivariate optimization methods, namely the utility function. In the following, an applied study is presented to compare parametric, nonparametric and semi-parametric methods. The results of this study show that the performance of the stable regression model is more appropriate in many situations as well as in the modeling stage than the other two methods. Therefore, the optimization results with a stable regression model are much more reliable.}, keywords = {Response Procedure Methodology,multi-response optimization,Utility function,Semi-parametric method,Stable regression model}, title_fa = {یک روش نیم‌پارامتری برای بهینه‌سازی مسائل چند پاسخی: مطالعه موردی در بهبود کیفیت دستگاه تزریق پلاستیک}, abstract_fa = {بهینه‌سازی چندپاسخی که با روش رویه‌ی پاسخ انجام می‌شود، بسیار پرکاربرد است. قبل از بهینه‌سازی، نیازمند انتخاب و برازش مدل مناسب برای هر پاسخ هستیم. یک مسئله اصلی که ممکن است به دلیل برازش نادرست مدل‌ها و نرسیدن به راه‌حل‌های بهینه اتفاق بیفتد، بدمشخص‌سازی مدل است. روش مدل رگرسیونی استوار که یک روش نیم‌پارامتری برای براور‏د است می‌تواند از هر دو روش براورد پارامتری و ناپارامتری در مقابل بدمشخص‌سازی مدل عملکرد مناسب‌تری داشته باشد. در این پژوهش، استفاده از یک روش مدل رگرسیونی استوار برای بهبود براورد مدل پیشنهاد شده است و برازش‌های مناسب هر یک از پاسخ‌ها با یکی از روش‌های بهینه‌سازی چندپاسخی یعنی تابع مطلوبیت بررسی خواهد شد. در ادامه، یک مطالعه کاربردیبرای مقایسه‌ی روش‌های پارامتری‏‏، ناپارامتری و نیم‌پارامتری ارائه می‌شود. نتیجه‌های این مطالعه نشان می‌دهند که عملکرد مدل رگرسیونی استوار، در بسیاری از موقعیت‌ها و همچنین در مرحله‌ی مدل‌سازی، از دو روش دیگر مناسب‌تر است. ‏بنا بر این‏، نتیجه‌های بهینه‌سازی با مدل رگرسیونی استوار بسیار قابل اعتمادتر هستند.}, keywords_fa = {روش‌شناسی رویه‌ی پاسخ,بهینه‌سازی چندپاسخی,تابع مطلوبیت,روش نیم‌پارامتری,مدل رگرسیونی استوار}, url = {https://www.pqprc.ir/article_70771.html}, eprint = {https://www.pqprc.ir/article_70771_ab25b41665854b64ee83a62260d1efd6.pdf} }