کنترل فرآیند آماری

نمودارهای کنترل کلاسیک با استفاده از داده های دقیق و معین، فرآیندهای تولیدی را در دو گروه «تحت کنترل» یا «خارج از کنترل» قرار می¬دهند. در حالیکه مجموعه های فازی با تعریف توابع عضویت پیوسته و استفاده از داده‌های مبهم و نا معین با بهره گیری از اعداد فازی مثلثی و ذوزنقه ای، سطوح مختلف تصمیم را برای تصمیم‌گیرندگان معرفی می‌کند. در این مقاله با استفاده از مد فازی برای ترسیم نمودارهای کنترل فازی علاوه بر استفاده از داده¬های نامعین و مبتنی بر تجربه و ذهنیت افراد، سطوح چندگانه کیفی برای محصول موردنظر در شرکت تولیدی مورد آزمون به صورت «تحت کنترل، نسبتاً تحت کنترل، نسبتاً خارج از کنترل و خارج از کنترل» تعریف شده است که بیان¬کننده حالات واقعی¬تر شرایط تولیدی است.

پایش پروفایل یکی از موضوع های نوین تحقیقاتی در حوزه کنترل فرآیند آماری است که در سالهای اخیر بسیار مورد توجه قرار گرفته است. پروفایل رابطه بین یک متغیر پاسخ و یک یا چند متغیر مستقل را توصیف میکند. این رابطه که معمولا با استفاده از یک رابطه رگرسیونی مدل میشود میتواند خطی ساده، خطی چندگانه، چند جمله ای و در مواردی غیر خطی باشد. تاکنون روشهایی برای پایش پروفایلهای چند جمله ای توسعه داده شده است که بهترین آنها روش چند جمله ای متعامد است. از جمله نقاط ضعف روش مذکور تعداد زیاد نمودارهای کنترل میباشد که به صورت همزمان استفاده میشوند. در این مقاله روشی جدید بر اساس روش چندجمله ای متعامد پیشنهاد شده که در آن تنها از دو نمودار کنترل برای پایش یک پروفایل چند جمله ای از درجه k استفاده میشود. یافته­های شبیه سازی و تحلیل منحنی متوسط طول دنباله نشان میدهد که روش پیشنهادی در مقایسه با روش موجود عملکرد بهتری دارد. همچنین استفاده از آن در عمل بسیار آسان تر میباشد.

امروزه در برخی محیط های تولیدی یا خدماتی، کیفیت محصول یا عملکرد فرآیند به وسیله ترکیبی از مشخصه های کیفی متغیر و وصفی همبسته توصیف می گردد. بر اساس آخرین اطلاعات مؤلفان، تا کنون هیچ روشی برای پایش ماتریس واریانس- کوواریانس این گونه فرآیندها ارائه نشده است. در این مقاله، یک شبکه عصبی مصنوعی برای پایش تغییرپذیری یک فرآیند چند مشخصه وصفی و متغیر ارائه شده است. شبکه ارائه شده نه تنها قادر به کشف وضعیت های خارج از کنترل بوده، بلکه می تواند مشخصه /مشخصه های عامل انحراف در فرآیند را نیز شناسایی کند. کارایی روش ارائه شده با استفاده از یک مثال عددی بر اساس معیارهای متوسط طول دنباله و درصد تشخیص درست مشخصه /مشخصه های کیفی عامل انحراف بررسی شده است. همچنین عملکرد شبکه طراحی شده در پایش ماتریس واریانس- کوواریانس فرآیندهای چند مشخصه وصفی و متغیر با دو روش آماری پایش ماتریس واریانس- کوواریانس برای مشخصه های کیفی متغیر که در این مقاله برای پایش فرآیندهای چند متغیره- چند مشخصه توسعه داده شده اند، مقایسه شده است. نتایج مثال عددی نشان می دهد که شبکه عصبی طراحی شده عملکرد بهتری در کشف وضعیت های مختلف خارج از کنترل نسبت به روش های آماری توسعه داده شده دارد و همچنین به خوبی قادر به تشخیص مشخصه(های) کیفی عامل انحراف در فرآیند است.

نمودارهای کنترل میانگین متحرک موزون نمایی، به دلیل ترکیب اطلاعات نمونه در طول زمان، توانایی مناسبی در تشخیص تغییرات کوچک در فرآیند یا میانگین محصول دارند. با این حال، در برخی از انواع تغییرات خاص در پارامترهای فرآیند، نمودارهای کنترل تمایل دارند در محدوده کنترل باقی بمانند که این خاصیت «اینرسی» نامیده می شود و برای اندازه گیری آن از شاخصی با عنوان شاخص پایداری در مقابل هشدار استفاده می شود؛ بنابراین شاخص اینرسی به عنوان اندازه مقاومت یا پایداری یک نمودار برای کشف عدم انطباق یا نشان دادن یک تغییر خاص در فرآیند، تعریف شده است. وجود خصوصیت های مناسب اینرسی برای نمودارها، به این معناست که نمودارها در مقابل تغییرات ناگهانی بتوانند از خود عملکرد مثبت نشان دهند، بررسی و تحلیل این خاصیت می تواند اثر مثبتی در افزایش بهره وری و عملکرد مناسب واحدهای تولیدی داشته باشد. در این مقاله تأثیر اینرسی بر عملکرد نمودار کنترل میانگین متحرک موزون نمایی، مبتنی بر توزیع پواسون و نمودار کنترل میانگین متحرک موزون نمایی اصلاح شده برای مشاهدات ناشی از فرآیندهای همبسته، بر پایه توزیع پواسون بررسی و نتایج در دو حالت فوق مقایسه شده اند. به منظور ارزیابی نمودارهای فوق، از نرم افزار متلب استفاده شده است. نتایج نشان می دهد نمودار کنترل میانگین متحرک موزون نمایی اصلاح شده مبتنی بر توزیع پواسون، نسبتاً عملکرد بهتری نسبت به نمودار کنترل میانگین متحرک موزون نمایی بر پایه توزیع پواسون در بدترین حالت پایداری در مقابل هشدار را دارد.