|
|
|
|
طراحی نمودارهای کنترل میانگین پیش‌رونده برای پایش پروفایل‌های خطی ساده چندمتغیره در فاز 2
|
|
|
|
|
|
|
|
نویسنده
|
ستوده امین ,امیری امیرحسین ,ملکی محمد رضا ,جمشیدی سینا
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1402 - دوره : 39 - شماره : 2 - صفحه:99 -108
|
|
چکیده
|
در برخی از کاربردهای صنعتی، کیفیت محصول بر اساس یک رابطه رگرسیونی خطی میان چند متغیر پاسخ با یک متغیر مستقل توصیف می‌شود که به آن پروفایل خطی ساده چند متغیره گفته می‌شود. بر اساس آخرین اطلاعات مولفین، رویکرد میانگین پیش‌رونده، علی‌رغم قابلیت بالا در کشف سریع تغییرات کوچک و متوسط، برای پایش پروفایل‌های خطی چند متغیره استفاده نشده است. در پژوهش حاضر، به علت عملکرد بهتر این رویکرد نسبت به نمودارهای باحافظه، سه نمودار مبتنی بر رویکرد میانگین پیش‌رونده شامل نمودارهای mpma،mpme و mpmae به منظور پایش پروفایل‌های خطی ساده چند متغیره در فاز دو طراحی می‌شوند. عملکرد نمودارهای پیشنهادی با نمودارهای رایج شامل نمودارهای mewma ،mewma/x2 و mewma-3 بر اساس شاخص متوسط طول دنباله مقایسه شده و نتایج نشان می‌دهد که روش‌های پیشنهادی نسبت به نمودارهای رقیب از عملکرد بهتری در تشخیص شیفت‌های مختلف برخوردارند. در پایان، کاربرد بهترین روش پیشنهادی با استفاده از داده‌های واقعی صنعت خودروسازی تشریح می‌شود.
|
|
کلیدواژه
|
پروفایل خطی ساده چند متغیره، فاز دو، متوسط طول دنباله، میانگین پیش‌رونده
|
|
آدرس
|
دانشگاه شاهد, دانشکده‌ی فنی و مهندسی, گروه مهندسی صنایع, ایران, دانشگاه شاهد, دانشکده‌ی فنی و مهندسی, گروه مهندسی صنایع, ایران, دانشگاه صنعتی اصفهان, دانشکده‌ی فنی مهندسی گلپایگان, گروه مهندسی صنایع, ایران, دانشگاه شاهد, دانشکده‌ی فنی و مهندسی, گروه مهندسی صنایع, ایران
|
|
پست الکترونیکی
|
sepehr_stranger@yahoo.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
progressive mean control charts for phase ii monitoring of multivariate simple linear profiles
|
|
|
|
|
Authors
|
sotoudeh a.
|
|
Abstract
|
in some statistical quality control applications, the process outcome is better expressed by a functional relationship among several correlated response variables and one independent variable called multivariate simple linear profile. monitoring such profiles without taking the correlation structure among the response variables into account leads to misleading interpretations. specifically, monitoring each profile by a separate chart increases the probability of type i error. with increasing customer expectations, detecting small and moderate changes has become important in today’s competitive markets. in this regard, some monitoring schemes including memory-type charts, adaptive charts, and progressive mean (pm) charts have been proposed to enhance the chart sensitivity in reacting to small and moderate disturbances. in this paper, three pm based monitoring schemes including mpma, mpme and mpmae charts are developed for phase ii monitoring of multivariate simple linear profiles. extensive simulations in terms of average run length (arl) metric are carried out to probe the capability of the proposed charts in detecting separate and simultaneous changes in regression model parameters (intercept, slope and standard deviation). moreover, the sensitivity of the proposed pm based charts is compared with competing ones in the literature including mewma, mewma/x2 and mewma-3 schemes. the results confirm that under different correlation coefficient values, when the intercept parameter of one profile changes from its nominal value, the proposed charts work better than the competing ones. under the mentioned shift structure, the sensitivity of all charts improves by increasing the value of correlation coefficient. concerning the sustained shifts in slope parameter, it is observed that by increasing the correlation coefficient and shift magnitude, the mpma and mpmae charts perform better than the other ones. besides, under standard deviation disturbances, the proposed charts have almost the same sensitivity to react to small and moderate changes. the results indicate that under simultaneous shifts in model parameters of both profiles, the proposed pm based schemes have better detectability than their competing ones. finally, the applicability of the best proposed chart is illustrated using a real life example from automotive industry.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|