متوسط طول دنباله

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.