طراحی واقع‌بینانه اقتصادی نمودار کنترلی علامت برای پایش میانگین فرایند تحت طرح نمونه گیری مجموعه‌ی رتبه‌ای در حضور چندین علت اِسنادپذیر مستقل

در بسیاری از نمودارهای کنترلی، فرض نرمال بودن داده‌ها مبنا قرار می‌گیرد، اما در عمل، این فرض همواره برقرار نیست. در چنین شرایطی، کارایی نمودارهای پارامتری کاهش می‌یابد و ممکن است نتایج غیرقابل ‌اعتمادی ارائه دهند. به‌منظور پایش فرآیندهایی با داده‌های نامعلوم یا غیرنرمال، استفاده از نمودارهای کنترلی ناپارامتری گزینه‌ای مناسب‌تر خواهد بود. در این پژوهش، به بررسی طراحی اقتصادی نمودار کنترلی علامت پرداخته شده است که یکی از روش‌های ناپارامتری برای کنترل وضعیت مکانی فرآیند محسوب می‌شود. این تحلیل در حضور چندین علت اِسنادپذیر مستقل و بر اساس یک مدل هزینه‌ای اصلاح‌شده، برگرفته از مدل دانکن، انجام شده است. نتایج نشان می‌دهد که مدل پیشنهادی می‌تواند کارایی اقتصادی و عملکردی بهتری در شرایط عدم نرمال بودن داده‌ها ارائه دهد.

a new realistic economic designs of sign control chart for monitoring of process mean under ranked set sampling in the presence of multiple independent assignable causes

in many control charts, the assumption of normality is a fundamental premise. however, in real-world applications, this assumption is often violated, leading to reduced efficiency in parametric control charts. when process data follow an unknown or non-normal distribution, parametric methods may yield unreliable results, making nonparametric control charts a more effective alternative. among these, the sign control chart is a widely used technique for monitoring the location parameter of a process without requiring distributional assumptions. this study focuses on the economic design of the sign control chart in the presence of multiple independent assignable causes. a modified cost model, adapted from duncan’s economic model, is developed to optimize the chart’s parameters. the analysis balances inspection costs and process performance to determine the most cost-effective monitoring strategy. results indicate that the proposed model significantly enhances economic efficiency and detection performance under non-normal data conditions, making it a valuable tool for practical applications.