معرفی نمودار کنترل EWMAبرای پایش همزمان میانگین و واریانس فرآیندهای تولیدی

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,237

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IIEC12_372

تاریخ نمایه سازی: 8 آبان 1395

چکیده مقاله:

نمودارهای کنترل را می توان یکی از مهم ترین ابزارهای کنترل آماری فرایند دانست که از آنها در کنترل و پایش مشخصههای کیفی استفاده می شود. نمودارهای کنترلی به سه دستهای اصلی نمودارهای کنترل شوهارت، EWMA و CUSUM تقسیم می شوند. نمودارهای کنترل EWMA و CUSUMرا می توان نمودارهایی مبتنی بر مشاهدات پیشین دانست. در اغلب روش های کنترل آماری فرایند میانگین و واریانس به طور جداگانه و به کمک نمودارهای کنترل متفاوت، انترل می شوند. در این تحقیق نمودار کنترل EWMA به گونهای طراحی و معرفی گردیده است که قابلیت پایش همزمان میانگین و واریانس فرایندهای تولیدی را به کمک یک نمودار کنترل داشته باشد. نمودار طراحی شده به توزیع آماری دادهها وابسته نبوده و با توجه به نتایج ارزیابی و شبیه سازی انجام شده در شرایط یکسان از سایر روش های موجود عملکرد بهتری دارد، خطای نوع II را کاهش داده و موجب کشف سریع تر انحراف در میانگین و واریانس می گردد.

کلیدواژه ها:

ناپارامتری ، پایش همزمان ، نمودار کنترل EWMA. روش رتبه نشانه

نویسندگان

امیرحسین بابا

کارشناس ارشد، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

حمید شهریاری

دانشیار، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

عماد روغنیان

استادیار، دانشکده مهندسی صنایع، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Harry V.R. (1959). Stock-market patterns and financial analysis: Methodological suggestions. ...
  • "Garvin's Eight Dimensions of Product Quality". Tenner & DeToro, Total ...
  • Murphy, K. (2012). Machine Learning: A Probabilistic Perspective. MIT, pp. ...
  • Corder, G. W. and Foreman, D. I. (2014). Nonparametric Statistics: ...
  • Ryan, T. P. (2011). Statistical methods for quality improvement. John ...
  • Chakraborti, S. and Graham, M.A. (2007). Nonparametric control chart, Encyclopedia ...
  • Montgomery, D.C. (2011). Introduction to Statistical Quality Control. Sixth ed. ...
  • Borror, C.M., Montgomery, D.C. and Runger, G.C. (1999). Robustness of ...
  • Graham, M.A., Mukherjee, A. and Chakraborti, S. (2012). Distribution -free ...
  • Huwang, L, Huang, C.J. and Wang, Y.H.T. (2010). New EWMA ...
  • Ostadsharif Memar, A. and Niaki, S.T.A. (2011). The Max EWMAMS ...
  • Khoo, M.B.C., Teh, S.Y. and Wu, Z. (2010). Monitoring Process ...
  • Liu, C.-S. and Tien, F.C. (2011). A single-featured EWMA-X control ...
  • Yang, S.-F., Lin, J.S. and Cheng, S.W. (2011). A new ...
  • Graham, M.A., Mukherjee, A. and Chakraborti, S. (2012). Distribution -free ...
  • Haq, A., et al. (2015a). Improved Exponentially Weighted Moving Average ...
  • Haq, A., Brown, J. and Moltchanova, E. (2015b). New Exponentially ...
  • Zaman, B., Riaz, M., Abbas, N. and Does, R. (2014). ...
  • Box, G. Hunter, W. and Hunter, J. (1978). Statistics for ...
  • نمایش کامل مراجع