نمودار نسبت درستنمایی تاوانیده مبتنی بر نمونه گیری دوگانه برای کشف تغییرات ماتریس کوواریانس (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
با توجه به الزام تولیدکننده بر جلب رضایت مشتری و محدودیت های مالی، پایش تعداد زیاد مشخصه های کیفی با حداقل اندازه نمونه چالش مهمی است که محققین کنترل کیفیت آماری با آن مواجه هستند. بر اساس آخرین اطلاع مؤلف، نمودارهای چندمتغیره مبتنی بر نمونه گیری دوگانه با این فرض طراحی شده اند که تعداد مشخصه های کیفی از اندازه نمونه کوچک تر است. بنابراین، این مقاله برپایش ماتریس پراکندگی فرآیندهای ابعاد بالا بر مبنای یکپارچه سازی آماره نسبت درستنمایی تاوانیده لبه ای و تکنیک نمونه گیری دوگانه متمرکز می شود. به منظور بررسی عملکرد نمودار پیشنهادی ابتدا هفت سناریوی خارج از کنترل شامل سه الگوی توأم قطری/غیرقطری، دو الگوی قطری و دو الگوی غیرقطری معرفی شده و ویژگی های طول دنباله و همچنین امید ریاضی اندازه نمونه نمودار پیشنهادی بر اساس شبیه سازی استخراج می شوند. نتایج شبیه سازی حاکی از آن است که تحت هر سه دسته الگوی ذکرشده، حساسیت نمودار پیشنهادی در کشف اختلالات ماتریس کوواریانس با افزایش بزرگی شیفت در مؤلفه های آن بهبود می یابد. نتایج شبیه سازی همچنین مؤید آن است که هر چه تعداد مؤلفه های متأثر از عامل انحراف در ماتریس کوواریانس کاهش می یابد، نمودار کنترل پیشنهادی در زمان طولانی تری قادر به شناسایی خروج فرآیند از حالت تحت کنترل است.Double Sampling-based Ridge Penalized Likelihood Ratio Control Charting Scheme for Detecting the Covariance Matrix Disturbances
Given the manufacturer's obligation to meet expectations and financial constraints, monitoring a large number of quality characteristics with a limited sample size poses a significant challenge for researchers in statistical quality control. According to recent research, multivariate charts based on double sampling are developed under the assumption that the number of quality characteristics is less than the sample size. The objective of this paper is to monitor the dispersion matrix of high-dimensional processes using a combination of the ridge penalized likelihood ratio statistic and double sampling method. To evaluate the performance of the proposed chart, we first introduce seven out-of-control scenarios, which include three combined diagonal/non-diagonal patterns, two diagonal patterns, and two non-diagonal patterns. We then extract the run length properties and the expected value of the sample size associated with the proposed chart through simulation experiments. The simulation results indicate that, across all three pattern categories mentioned, the proposed chart's sensitivity in detecting disturbances in the covariance matrix improves as the magnitude of shifts in its components increases. The simulation results further indicate that as the number of components influenced by the assignable cause in the covariance matrix decreases, the proposed control chart can detect process disturbances over a longer period.
تبلیغات
