عنوان مقاله :
شناسايي و تجزيه‌وتحليل الگوهاي سيكلي و سيستماتيك در نمودارهاي كنترل فرايند
پديد آورندگان :
لساني، علي دانشگاه آزاد اسلامي واحد نجف‌آباد - دانشكده‌ي مهندسي صنايع، نجف آباد , فاطمي قمي، محمد تقي دانشگاه صنعتي اميركبير - دانشكده‌ي مهندسي صنايع، تهران
كليدواژه :
نمودارهاي كنترل فرايند , الگوهاي معني‌دار , الگوي سيكلي , الگوي سيستماتيك
چكيده فارسي :
افزايش سطح حساسيت كيفي فرايندها براي بررسي الگوهاي معني‌دار در نمودارهاي كنترل فرايند الزامي است. مدل‌هاي متعددي به منظور تجزيه و تحليل رفتارهاي غيرطبيعي در نمودارها ارائه شده‌اند. اغلب اين مدل‌ها نمي‌توانند وقوع فازهاي مختلف شكل‌گيري الگوهاي سيكلي و سيستماتيك را هشدار دهند. معدود مدل‌هاي توسعه‌دهنده‌ي مولدهاي الگوهاي تناوبي، شبكه‌هاي عصبي را به عنوان ابزار شناسايي به كار گرفته‌اند. معماري‌هاي دشوار، آموزش‌هاي وقت‌گير و از همه مهم‌تر كاهش قابليت اطمينان در شناسايي و برآورد هنگام بالا بودن حساسيت فرايندها نسبت به رخداد الگوهاي غيرتصادفي، از مشكلات مدل‌هاي مبتني بر شبكه‌ها بوده است. پژوهش جاري مدل جديدي را براي تشخيص صحيح‌تر الگوهاي تناوبي و تخمين دقيق‌تر پارامترهاي متناظر آنها از طريق محاسبه‌ي منحني كسينوسي برازش نمونه‌ها معرفي مي‌كند. اين مدل با مقايسه‌ي كليه‌ي آلترناتيوهاي تناوبي، بهترين منحني كسينوسي برازش نمونه‌ها را تعيين و تصميم‌گيري مي‌كند. الگوريتم پيشنهادي خطاي طبقه‌بندي نادرست الگوهاي تناوبي و نيز متوسط خطاي تخمين پارامترهاي متناظرشان را در فازهاي مختلف شكل‌گيري كاهش داده است.
چكيده لاتين :
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 out-of-control 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 non-random 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, time-consuming 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.
عنوان نشريه :
مهندسي صنايع و مديريت شريف
