ارایه الگوی پیشنهادی جهت شناسایی و کاهش ابعاد متغیرهای موثر بر کیفیت اسلب با رویکرد چندمتغیره-چندمرحله‌‌ای (مورد مطالعه: شرکت فولاد مبارکه اصفهان)

هدف: فرآیندهای چندمتغیره و چندحالته، به نوعی از فرآیندها اطلاق می‌شود که دارای تعداد زیادی متغیر در هر مرحله از تولید بوده و این متغیرها ممکن است با هم در ارتباط باشند. هدف از این تحقیق، ارایه روشی نوین به منظور انتخاب، کاهش و تعریف متغیرهای کنترلی جدید در فرآیندهای پیچیده تولیدی است، به‌گونه‌ای که کنترل کیفیت موثرتر و کارآمدتر انجام شود.روش‌شناسی پژوهش: روش تحقیق این مطالعه از نوع کاربردی و توصیفی است. در این تحقیق، از روش‌های یادگیری ماشین و تکنیک‌های کاهش ابعاد همچون تحلیل مولفه‌های اصلی (pca)، رگرسیون و بررسی همبستگی بین متغیرها استفاده شده است. همچنین برای ارزیابی عملکرد روش پیشنهادی، یک مطالعه موردی بر پایه داده‌های واقعی از فرآیند تولید اسلب‌های فولادی در شرکت فولاد مبارکه اصفهان انجام گرفته است.یافته‌ها: فرآیند تولید اسلب شامل سه مرحله اصلی کوره، متالورژی ثانویه و ریخته‌گری بود. در هر مرحله، با استفاده از روش پیشنهادی تعداد متغیرهای کنترلی کاهش یافت. برای مثال، در واحد کوره، تعداد 9 متغیر اولیه به 3 گروه تقسیم شد و تحلیل همبستگی و pca بر هر گروه اجرا گردید. در نتیجه، متغیرهای کلیدی استخراج شدند و نتایج پس از ارایه به خبرگان، مورد تایید قرار گرفت. یافته‌ها نشان داد که این رویکرد قادر است تعداد متغیرهای موثر بر کیفیت را به شکل موثری کاهش دهد.اصالت/ارزش افزوده علمی: نوآوری این تحقیق در ترکیب تکنیک‌های یادگیری ماشین و کاهش ابعاد برای بهینه‌سازی کنترل کیفیت در فرآیندهای چندمرحله‌ای و چندمتغیره است. این روش در شرایطی که روش‌های سنتی ناکارآمد هستند، می‌تواند ابزار موثری برای مهندسان کیفیت و تحلیل‌گران فرآیند باشد.

presenting a proposed model to identify and reduce the dimensions of variables affecting the quality of slabs with a multi-variable-multi-stage approach (case study: isfahan mobarakeh steel company)

purpose: multivariate and multi-state processes refer to types of processes that involve a large number of variables at each production stage, which may be interrelated. the objective of this study is to propose a novel approach for selecting, reducing, and defining new control variables in complex manufacturing processes to enable more effective and efficient quality control.methodology: this study adopts an applied and descriptive research methodology. machine learning techniques and dimensionality reduction methods, such as principal component analysis (pca), regression, and correlation analysis, are utilized. to evaluate the proposed method, a case study was conducted using real production data from the slab manufacturing process in mobarakeh steel company, isfahan.findings: the slab production process consisted of three main stages: furnace, secondary metallurgy, and casting. in each stage, the proposed method was applied to reduce the number of control variables. for instance, in the furnace unit, 9 initial variables were grouped into 3 clusters, and correlation and pca were applied within each group. key variables were extracted, and the results were validated by experts. the findings indicated that this approach effectively reduces the number of quality-related variables.originality/value: the novelty of this research lies in integrating machine learning and dimensionality reduction techniques to optimize quality control in multistage, multivariate processes. this method offers an effective tool for quality engineers and process analysts, especially in situations where traditional methods prove inefficient.