توسعه تكنيك بخش بندي مبتني بر زمان براي پايش پروفايلها در فاز I

Phase I Partitioning of Profile Data with Time Ordered Clusters

گاهي اوقات يك مشخصه كيفي به صورت يك رابطه تابعي مشخص مي شود كه در كنترل كيفيت آماري به اين رابطه پروفايل گويند. در اين مقاله تحليل پروفايل هاي خطي در فاز I نمودارهاي كنترل از منظري جديد مورد بررسي قرار مي گيرد. هميشه در كنترل كيفيت آماري فرض مي شود كه فرآيند داراي ميانگين ثابتي است، ممكن است با فرآيندي روبه رو باشيم كه مقدار ميانگين پارامترهاي آن در طول زمان ثابت نيست و اين تغييرپذيري يك خصوصيت ذاتي فرآيند است. جهت كنترل اين گونه فرآيند ها اكثر روش هاي موجود نمودارهاي كنترل موثر نيستند. براي كنترل آماري يك چنين فرآيندهايي در فاز I، قبل از انجام كنترل فرآيند آماري، لازم است فرآيند به بخش هايي تقسيم شود كه در آن ها ثابت و پايدار است. جهت بخش بندي فرآيند، مقالات محدودي استفاده از تكنيك خوشه بندي مبتني بر زمان را پيشنهاد داده اند، همچنين مطالعات موجود، داده هاي تك متغيره را بررسي نموده اند. در اين مقاله ما روش بخش بندي فرآيند را براي پايش پروفايل ها توسعه مي دهيم. الگوريتم هاي مختلف بخش بندي براي داده هاي تابعي مورد مقايسه قرار مي گيرند و نتايج آن گزارش مي شود. مطالعات نشان مي دهد الگوريتم خوشه‏بندي داده هاي تابعي براساس روش "وارد"، عملكرد خوبي براي بخش بندي پروفايل ها دارد.

Sometimes quality characteristic of a process or product can be defined as a functional form. This functional form in statistical quality control is known as a profile. In this paper, analysis of linear profiles in Phase I, which deals with understanding the process variation and assessing its stability, is studied from a new perspective. A regular assumption in statistical process control is that process mean is constant. However, there are situation where process average is not constant over time. To control such processes, most available control chart methods are not applicable. A few papers proposed process partition to control these processes. The available researches are done on univariate and multivariate cases but no research has been done on partitioning profiles. In this paper, we study profile partitioning in phase I. Different algorithms for partitioning of functional data are compared and results are reported. Studies show that hierarchical functional data clustering algorithm based on Ward’s method has the best performance for partitioning profile data.