مروري كاربردي بر طرحهاي پايش مديريت فرآيندهاي چندمتغيره

Monitoring Schemes for Multivariate Process Management: An Applied Review

زماني كه بواسطه عوامل ناخواسته و غير ذاتي، تغييري در پارامترهاي توزيع يك فرآيند ظاهر مي شود و فرآيند از شرايط تحت كنترل به شرايط خارج از كنترل منتقل مي گردد، تجزيه و تحليل ريشه ي و شناسايي عامل و يا عوامل انحراف فرآيند فوق براي مديران فرآيند اهميت زيادي دارد. در صورت تحقق شرايط خارج از كنترل در يك فرآيند چند متغيره ، تجزيه و تحليل براي شناسايي عوامل انحراف در مقايسه با يك فرآيند تك متغيره بسيار سخت تر و پيچيده تر مي گردد. در يك فرآيند چند متغيره كه در شرايط خارج از كنترل قرار دارد، زماني مي توان به يك تجزيه و تحليل ريشه ي و اثربخش اميد داشت كه مدل بكارگرفته شده براي پايش فرآيند، علاوه بر قابليت شناسايي شرايط خارج از كنترل، بتواند به طور همزمان نقطه تغيير فرآيند، عامل و يا عواملي را كه باعث انحراف فرآيند شده است را بهمراه جهت تغيير تحميل شده به آن فرآيند را شناسايي نمايد. بررسي ها در ادبيات موضوع نشان مي دهد، كه هرچند رويكرد آماري در فرآيند هاي تك متغيره نسبتا اثربخش ظاهر شده است، ولي رويكرد آماري در فرآيند هاي چند متغيره تاكنون نتوانسته است نياز فوق را بر اي مديران فرآيند تامين نمايد. بررسي ادبيات پايش فرآيندها مويد اين مهم است كه روشهاي محاسبات نرم مانند شبكه هاي عصبي توانسته است به نياز اساسي مديران فرآيند در پايش و شناسايي عوامل انحراف به صورت اثربخش تري پاسخ دهد. بطوريكه، در ميان طرح هاي موجود در ادبيات موضوع ، فقط يك مدل جامع پيشنهادي وجود دارد كه توانسته با استفاده از رويكرد شبكه عصبي در تيوري نشان دهد كه مي تواند با شناسايي چهار عامل كليدي فوق مهندسين كيفيت و مديران فرآيند را در ريشه يابي اثربخش عوامل انحراف در فرآيندهايي با بيش از يك متغير ياري نمايد. در اين تحقيق با رويكرد كاربردي، مروري نسبتا جامع كه بتواند براي محققان و مديران فرآيند قابل استفاده باشد، مدل هاي پايش فرآيندهاي چند متغيره بررسي مي شود. به علاوه، از آنجايي كه هنگامي محققان زماني مي توانند به توسعه مدل هاي پيشنهادي تيوريك همت گمارند كه قابليت بكارگيري طرح ها، در مقايسه با روش هاي سنتي و معمول، در عرصه هاي واقعي فرآيندها نيز به اثبات رسيده باشد، در اين تحقيق پس از مرور ادبيات، كامل ترين و جامع ترين مدل هاي موجود انتخاب و در يكي از فرآيندهاي واقعي توليد خودرو بكارگرفته شده است. تجزيه و تحليل داده ها و نتايج حاصل از عملكرد مدل فوق، براي ريشه يابي و تشخيص علت واقعي شرايط خارج از كنترل فرآيند و مقايسه آن با يكي از مدل هاي مرسوم بر اساس شاخص مهم طول دنباله خارج از كنترل، در اين مقاله مورد توجه قرار گرفته است.

When there is a serious cause manifested in a process and it makes the process departs to an out-of-control condition, an effective root cause analysis could lead the process management to identify and eliminate the serious cause. When a change takes place in a multivariate process, while several correlated variables exist, the root-cause analysis of the process relatively is more challenging compared to the case of a univariate process. Considering an out-of-control multivariate process, one can experience an effective root-cause analysis if only a comprehensive scheme allows detecting the out-of-control condition, identifying the change point, diagnosing the variable(s) contributing to the unnatural condition and distinguishing the shift direction all simultaneously. Although statistical approach has provided effective solution for the univariate process, the approach has not provided a comprehensive solution in which a p-variate process is considered. The multivariate literature indicates that the solution based on the soft computing is illustrated more effectively in comparison with the statistical approach. This research approached practically shows only one of the scheme among the several schemes proposed in the multivariate literature is able to trigger simultaneously all the required signals leading to an effective root-cause analysis. The extensive literature review on the multivariate environment led the authors to represent the comprehensive scheme. The out-of-control ARL criterion is used to evaluate the performance of the scheme compared to the performance of a traditional scheme when the monitoring of the correlated quality specifications in a real car body manufacturing process has been investigated.