مهندسی و مدیریت کیفیت

چکیده 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. 

چکیده 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.

چکیده 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.

چکیده 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.

چکیده 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.

چکیده 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.