
تعداد نشریات | 22 |
تعداد شمارهها | 485 |
تعداد مقالات | 5,052 |
تعداد مشاهده مقاله | 9,296,988 |
تعداد دریافت فایل اصل مقاله | 6,139,830 |
ارائه ی نمودار کنترل مبتنی بر مدل رگرسیون ریج در حضور همخطی چندگانه | ||
نشریه پژوهش های مهندسی صنایع در سیستم های تولید | ||
مقاله 3، دوره 7، شماره 15، اسفند 1398، صفحه 241-253 اصل مقاله (821.67 K) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22084/ier.2020.17875.1811 | ||
نویسندگان | ||
شروین اسدزاده* ؛ ولی اله مهدوی | ||
گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد تهران شمال، تهران، ایران | ||
چکیده | ||
نمودارهای کنترل انتخاب عامل انحراف مهمترین ابزار کنترل کیفیت آماری در فرایندهای چندمرحلهای هستند. استقرار این نمودارهای کنترل که از مدلهای رگرسیون و باقیماندهی آنها برای حذف تأثیر مراحل قبل بر روی مرحلهی جاری استفاده میکنند، دارای شرطهای مهمی ازجمله استقلال خطی بین متغیرهای ورودی تأثیرگذار هستند. در صورت فقدان این شرط که در دنیای واقعی نیز بسیار رایج بوده و به آن همخطی چندگانه میگویند، مدل رگرسیونی حاصل دچار پدیدهی تورم واریانس در ضرایب مدل میشود. در نتیجه، این عدم اطمینان در برآورد ضرایب رگرسیونی منجر به اشکالات اساسی در عملکرد نمودارهای کنترل انتخاب عامل انحراف سنتی میشود. برای حل این مشکل روشهای آماری و اجرایی مختلفی وجود دارد که استفاده از رگرسیون ریج یکی از مؤثرترین رویکردهاست. در این مقاله بعد از مدلسازی و ارائهی نمودار کنترل جدید مبتنی بر رگرسیون ریج، شبیهسازی گسترده بهمنظور ارزیابی عملکرد رویکرد پایش پیشنهادی صورت پذیرفته است و نتایج حاصل از آن با نمودار کنترل مبتنی بر رگرسیون خطی معمولی موجود در ادبیات مقایسه شده است. شواهد نمایانگر برتری کامل رویکرد پایش پیشنهادی نسبت به رویکرد موجود در حضور همخطی چندگانه است. | ||
کلیدواژهها | ||
فرآیندهای چندمرحله ای؛ نمودار کنترل انتخاب عامل انحراف؛ هم خطی چندگانه؛ تورم واریانس؛ رگرسیون ریج | ||
مراجع | ||
[1] Zhang, G.X. (1984). “A new type of control charts and theory of diagnosis with control charts. World Quality Congress, Transactions. Milwaukee”, WI: American Society for Quality Control, 3: 175-185. [2] Wade, MR., Woodall, WH. (1993). “A review and analysis of cause-selecting control charts”. Journal of Quality Technology, 25(3): 161-169. [3] Skinner, K.R., Montgomery, D.C., Runger, G.C. (2003). “Process monitoring for multiple count data using generalized linear model-based control charts”, International Journal of Production Research, 41(6): 1167-1180. [4] Jearkpaporn, D., Borror, C.M., Montgomery, D.C., Runger, G.C. (2003). “Process monitoring for correlated gamma distributed data using generalized linear model control charts”, Quality and Reliability Engineering International, 19(6): 477-491. [5] Asadzadeh, Sh., Aghaie, A., Shahriari, H. (2009). “Monitoring dependent process steps using robust cause selecting control charts”, Quality and Reliability Engineering International, 25(7): 851-874. [6] Noorossana, R, Shekary, M, (2012). “Monitoring two dependent process steps using special variable sample sizes and sampling intervals cause-selecting control charts”, Quality and Reliability Engineering International, 28(4): 437- 453. [7] Asgari, A., Amiri, A., Niaki, S. T. A. (2014). “A new link function in glm-based control charts to improve monitoring of two-stage processes with poisson response”. The International Journal of Advanced Manufacturing Technology, 72 (9): 1243-1256. [8] Amiri, A., Yeh, A. B., Asgari, A. (2016). “Monitoring two-stage processes with binomial data using generalized linear model-based control charts”. Quality Technology and Quantitative Management, 13(3): 241-262. [9] Asadzadeh, Sh., Aghaie, A., Shahriari, H. (2014). “Using frailty models to account for heterogeneity in multistage manufacturing and service processes”, Quality and Quantity, 48(2): 593-604. [10] Pan, J. N., Li, C., Wu, J. J. (2016). “A new approach to detecting the process changes for multistage systems”, Expert Systems with Applications, 62: 293-301. [11] Khedmati, M., Niaki, S. T. A. (2016). “A new control scheme for phase –II monitoring of simple linear profiles in multistage processes”, Quality and Reliability Engineering International, 32(7): 2559-2571. [12]Bahrami, H., Niaki, S.T.A., Khedmati, M., (2019). “Monitoring multivariate profiles in multistage processes”. Communications in Statistics - Simulation and Computation, 48(1): 1-29 [13] Kim, J., Jeong, M. K., Elsayed, A. E. (2017). “Monitoring multistage processes with autocorrelated observations”. International Journal of Production Research, 55(8), 2385-2396. [14] Asadzadeh, Sh., Kiadaliry, F. (2017). “Monitoring type-2 censored reliability data in multistage processes”. Quality and Reliability Engineering International, 33(8): 2551-2561. [15] Sangahn, K. (2019). “Variable-selection based SPC procedures for high-dimentional multistage processes”. Journal of Systems Engineering and Electronics, 30(1): 144-153. [16] Keshavarz, M., Asadzadeh, Sh., Niaki, S.T.A. (2019). “Controlling autocorrelated data in multistage manufacturing processes with an application to textile industry”. Quality and Reliability Engineering International, 35(7): 2314-2326.[17] Montgomery, D. C., Peck, E. A., Vining, G. G. (2012). Introduction to linear regressionanalysis, 5th Edition, Hoboken, NJ: Wiley. [18] Montgomery, D. C. (2009). Introduction to statistical quality control. 7th Edition, Hoboken, NJ: Wiley. | ||
آمار تعداد مشاهده مقاله: 682 تعداد دریافت فایل اصل مقاله: 643 |