توسعه‌ي الگوريتم خوشه‌بندي براي برآورد نقاط تغيير چندگانه در پايش پروفايل خطي ساده

A Clustering Algorithm for Detection of Multiple Change-points in Monitoring Simple Linear Profiles

شناسايي تغيير در پارامترهاي فرايند از مسايل حايز اهميت در كنترل فرايند آماري به شمار مي‌رود؛ چرا كه ارايه‌ي اطلاعات دقيق درخصوص زمان و الگوي تغيير در پارامترهاي فرايند، اقدامات اصلاحي موثرتر را به‌دنبال خواهد داشت. به‌طور كلي، در مطالعات انجام‌شده در زمينه‌ي برآورد نقطه‌ي تغيير، عمدتاً موضوع تغييرات انفرادي پارامترها مورد بررسي قرار گرفته است. اين در حالي است كه يك هشدار در نمودار كنترل ممكن است متاثر از چندين تغيير باشد؛ تغييراتي كه عدم كشف آنها ممكن است باعث تاخير يا حتي جهت‌گيري اشتباه در روند انجام اقدامات اصلاحي باشد. از سوي ديگر، در كاربردهاي كنترل فرايند آماري عملكرد يك فرايند يا محصول معمولاً به‌صورت يك مشخصه‌ي كيفي انفرادي يا برداري از مشخصه هاي كيفي كه در طول زمان جمع‌آوري شده مورد ارزيابي قرار مي‌گيرد. با اين وجود، به‌ويژه طي سال هاي اخير تحقيقات متعدد به بررسي شرايطي مي پردازند كه عملكرد يك فرايند از طريق تحليل رابطه تابعي بين يك متغير وابسته و يك يا چند متغير مستقل به‌شكل مناسب‌تري قابل توصيف است. چنين تابعي تحت عنوان پروفايل شناخته مي‌شود. مروري بر تحقيقات انجام شده در زمينه‌ي شناسايي نقطه‌ي تغيير در پايش پروفايل ها نشان مي دهد تا اين زمان موضوع تغييرات چندگانه در اين زمينه مورد بررسي قرار نگرفته است. در اين مقاله، روشي براي كشف تعداد و برآورد زمان وقوع تغييرات چندگانه در زمينه‌ي پايش پروفايل خطي ساده با استفاده از يك الگوريتم خوشه‌بندي ارايه مي‌شود. نتايج مطالعه‌ي شبيه‌سازي درخصوص دو و سه تغيير پله‌يي در پارامترهاي مدل نشان مي‌دهد روش ارايه شده علاوه بر امكان پايش فرايند در سطح معناداري معين، با دقت مناسبي قادر به شناسايي نقاط تغيير چندگانه است.

Detection of change time of the process parameters is a crucial problem in statistical process control (SPC), because more detailed information on the time and the pattern of a change can provide process managers with more effective clues for root-cause analysis and corresponding corrective actions. Parameter changes may take different forms including monotonic, trend, step shift, and so on. The issue frequently considered in the relevant studies involves only a single shift, whereas an out-of-control condition may be caused by multiple changes occurring in different points. On the other hand, recently, the issue of profile monitoring in which the quality of a process or product is represented by a functional relationship between a dependent and a number of explanatory variables has attracted a great deal of attention as witnessed by the growing number of publications in this area. Our investigation showed that the studies dealing with change point estimation in profile monitoring had neglected the case of multiple change points. This gap is noticed as the primary subject of this research and a clustering-based algorithm is proposed for estimating the number, as well as the location of the change points, while monitoring a simple linear profile. This clustering-based method, which is implemented in an iterative manner, is an extension of a similar method in monitoring univariate individual quality measures using Shewhart control charts. A decision rule determined via simulation using a pre-specified significance level enables the algorithm to detect multiple change points of the parameters in addition to identifying out-of-control conditions. The proposed method is applied in the phase I of process monitoring, where a historical dataset is available and the ultimate goal is to find reliable estimates of the process parameters, including the intercept and the slope of a linear profile model. Extensive simulation scenarios were devised to declare the performance of the aforementioned method.