|
|
|
|
شناسایی و تجزیه‌وتحلیل الگوهای سیکلی و سیستماتیک در نمودارهای کنترل فرایند
|
|
|
|
|
|
|
|
نویسنده
|
لسانی علی ,فاطمی قمی محمد تقی
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1398 - دوره : 35-1 - شماره : 2/1 - صفحه:167 -180
|
|
|
|
|
چکیده
|
افزایش سطح حساسیت کیفی فرایندها برای بررسی الگوهای معنی‌دار در نمودارهای کنترل فرایند الزامی است. مدل‌های متعددی به منظور تجزیه و تحلیل رفتارهای غیرطبیعی در نمودارها ارائه شده‌اند. اغلب این مدل‌ها نمی‌توانند وقوع فازهای مختلف شکل‌گیری الگوهای سیکلی و سیستماتیک را هشدار دهند. معدود مدل‌های توسعه‌دهنده‌ی مولدهای الگوهای تناوبی، شبکه‌های عصبی را به عنوان ابزار شناسایی به کار گرفته‌اند. معماری‌های دشوار، آموزش‌های وقت‌گیر و از همه مهم‌تر کاهش قابلیت اطمینان در شناسایی و برآورد هنگام بالا بودن حساسیت فرایندها نسبت به رخداد الگوهای غیرتصادفی، از مشکلات مدل‌های مبتنی بر شبکه‌ها بوده است. پژوهش جاری مدل جدیدی را برای تشخیص صحیح‌تر الگوهای تناوبی و تخمین دقیق‌تر پارامترهای متناظر آنها از طریق محاسبه‌ی منحنی کسینوسی برازش نمونه‌ها معرفی می‌کند. این مدل با مقایسه‌ی کلیه‌ی آلترناتیوهای تناوبی، بهترین منحنی کسینوسی برازش نمونه‌ها را تعیین و تصمیم‌گیری می‌کند. الگوریتم پیشنهادی خطای طبقه‌بندی نادرست الگوهای تناوبی و نیز متوسط خطای تخمین پارامترهای متناظرشان را در فازهای مختلف شکل‌گیری کاهش داده است.
|
|
کلیدواژه
|
نمودارهای کنترل فرایند، الگوهای معنی‌دار، الگوی سیکلی، الگوی سیستماتیک
|
|
آدرس
|
دانشگاه آزاد اسلامی واحد نجف‌آباد, دانشکده‌ی مهندسی صنایع, ایران, دانشگاه صنعتی امیرکبیر, دانشکده‌ی مهندسی صنایع, ایران
|
|
پست الکترونیکی
|
fatemi@aut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
RECOGNITION AND ANALYSIS OF CYCLIC AND SYSTEMATIC PATTERNS IN THE PROCESS CONTROL CHARTS
|
|
|
|
|
Authors
|
|
|
Abstract
|
The process control charts are most important tool of statistical process control (SPC) approach. The general control procedures of these charts only monitor charts' samples individually and do not consider the obtained common information from successive samples as probable potential disorders.The existence of natural variations in the control charts is inevitable, but the appearances of significant patterns in these charts warn the special disturbances in production processes and associate outofcontrol situations. The natural variations often divert significant patterns from their expected forms; therefore, increase of qualitative sensitivities level for study of unnatural patterns in the control charts is mandatory.In resent years, to recognize and analyze nonrandom patterns in the process control charts, numerous models have been presented. These models usually cannot alarm the occurrences of various formations modes of cyclic and systematic patterns, since the periodic patterns have phase difference in their starting point and most of these researches merely have simulated one simple phase of their formation.On the other hand, few developer models of periodic patterns generating functions have applied the artificial neural networks as recognition tool. Although the neural networks are capable in patterns learning, however they have difficult architectures, timeconsuming algorithms and uncertain reliability when the sensitivities of processes to the appearances of significant patterns are high.This paper introduces a new model based on fitted cosine curve of samples for more accurate discrimination of the various formations phases of cyclic and systematic patterns and more precise estimation of their corresponding parameters at different levels of sensitivity. Our proposed model compares all periodic alternatives, then selects the best fitted cosine curve of samples, and finally determines situation of process. The results of simulated tests indicate that the proposed model reduces the misclassification error of cyclic and systematic patterns and decreases the estimation error average of their corresponding parameters, in comparison with developer models of periodic patterns, for the various emergences states.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|