شماره راهنما :
1415 دكتري
پديد آورنده :
احمدي يزدي، احمد
عنوان :
طراحي نمودارهاي كنترل براي پايش پروفايل هاي خطي چندمتغيره با پارامترهاي تخمين زده شده
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
چهارده، 169ص. : مصور، جدول، نمودار
استاد راهنما :
علي زينل همداني
استاد مشاور :
امير حسين اميري، ماركو گرزگورسزيك
توصيفگر ها :
كنترل فرآيند آماري , پايش پروفايلها , اثر تخمين پارامترها , فاز 2 , خوشه بندي , مدل هاي بيزين
استاد داور :
غلامعلي رئيسي اردلي، داود شيشه بري، محمد صابر فلاح نژاد
تاريخ ورود اطلاعات :
1398/05/01
رشته تحصيلي :
مهندسي صنايع
دانشكده :
مهندسي صنايع و سيستم ها
تاريخ ويرايش اطلاعات :
1398/05/05
چكيده فارسي :
چکیده کنترل فرآیند آماری معمولا در دو فاز اصلي 8 و 9 انجام ميگردد که از نظر اهداف و شاخصهای ارزیابي با یكدیگر تفاوتهایي دارند زماني که مشخصه کیفیتي یک محصول یا فرآیند را بتوان به وسیله یک رابطه رگرسیوني بین متغیر های پاسخ و متغیر های مستقل نشان داد آنگاه با یک پروفایل سروکار داریم که بر اساس نوع این رابطه رگرسیوني دستهبندی ميشود معمولا برای پایش انواع پروفایلها از روشهای کنترلي آماری چندمتغیره استفاده ميشود در بیشتر مطالعات صورت گرفته در حوزه پایش آماری فرآیندها در فاز 9 فرض اساسي این است که پارامترهای فرآیند معلوم هستند این در حالي است که در عمل چنین فرضي تقریبا غیرممكن است و پارامترهای فرآیند در واقع از دادههای تحت کنترل جمعآوری شده در فاز 8 تخمین زده ميشوند این پژوهش به بررسي اثر تخمین پارامترهای فرآیند به وسیله نمونههای تحت کنترل فاز 8 بر روی عملكرد نمودارهای کنترلي فاز 9 برای پایش پروفایلهای خطي ساده چندمتغیره و همچنین پروفایلهای خطي چندگانه چندمتغیره بر اساس شاخصهای میانگین انحراف استاندارد و همچنین ضریب تغییرات طول دنباله ميپردازد به این منظور سه روش پایش پروفایلهای خطي ساده چندمتغیره و همچنین چهار روش پایش پروفایلهای خطي چندگانه چندمتغیره در فاز 9 مورد مطالعه قرار ميگیرند بر اساس مطالعات پیشین انجام شده انتظار ميرود که تخمین پارامترها به شدت بر روی عملكرد تحت کنترل و خارج از کنترل نمودارهای کنترلي در فاز 9 تأثیرگذار باشد یكي از اهداف ما در این پژوهش تعیین روشهای کنترلي است که کمترین تأثیرپذیری را از تخمین پارامترها دارند دور از انتظار نیست که روشهای برگزیده بر اساس پارامترهای تخمین زده شده با روشهای برگزیده بر اساس پارامترهای معلوم که در ادبیات موضوع موجود هستند متفاوت باشند همچنین یكي دیگر از اهداف این پژوهش تعیین تعداد بهینه نمونههای تحت کنترل فاز 8 ميباشد به گونهای که منجر به تخمیني با دقت مناسب بر اساس شاخصهای عملكردی فاز 9 شود به این منظور دو مدل بهینهسازی بر اساس شاخصهای ارزیابي عملكرد فاز 9 توسعه داده ميشود سپس این مدلها از طریق رویكرد بهینهسازی بر اساس شبیهسازی حل شده است علاوه بر این روش جدیدی بر اساس خوشهبندی برای بهبود تخمینها فاز 8 توسعه داده شده و عملكرد آن با عملكرد روش رقیب موجود در ادبیات موضوع بر اساس شاخصهای AARL و SDARL مقایسه ميشود اخیرا از نظریه بیزین نیز در پایش پروفایلهای خطي ساده به صورت محدود استفاده شده است بر اساس این نظریه ميتوان از دانش پیشین برای تخمین پارامترهای مدلهای مختلف بهره جست نتایج به دست آمده در ادبیات موضوع برای پروفایلهای خطي ساده حاکي از ظرفیت بسیار خوب تخمینزنندههای بیزین برای بهبود عملكرد فاز 9 نمودارهای کنترلي ميباشد در بخش انتهایي این پژوهش از تخمینزنندههای بیزین برای توسعه یک نمودار میانگین موزون متحرک نمایي چندمتغیره و دو نمودار جمع تجمعي چندمتغیره برای پایش پروفایلهای خطي چندگانه چندمتغیره در فاز 9 استفاده ميشود نتایج شبیهسازی به دست آمده نشاندهنده عملكرد قابل توجه نمودارهای کنترلي بیزین نسبت به نسخههای سنتيشان در کشف تغییرات ایجاد شده در ضرایب رگرسیون ميباشد علاوه بر این روش جدیدی برای تعیین هایپر پارامترهای توزیعهای پیشین مدلهای رگرسیوني چندمتغیره نیز توسعه داده شده است روش پیشنهادی را ميتوان برای تمام مدلهای رگرسیوني بیزین چندمتغیره به کار گرفت کلمات کلیدی کنترل فرآیند آماری پایش پروفایلها اثر تخمین پارامترها فاز9 خوشهبندی مدلهای بیزین
چكيده انگليسي :
Design of Control Charts for Monitoring Multivariate Linear Regression Profiles with Estimated Parameters Ahmad Ahmadi Yazdi ahmad ahmadi@in iut ac ir Date of submission July 20 2019 Department of Industrial Systems Engineering Isfahan University of Technology Isfahan 84156 83111 Iran Degree Ph D Language PersianSupervisor A Z Hamadani Prof hamadani@cc iut ac irAbstractThe statistical process monitoring is usually carried out through two phases Phase I and Phase II These phasesare different in term of aims and performance metrics When the quality characteristic of a particular processor product can be described by a linear regression model between response and independent explanatoryvariables we are dealing with a profile which is categorized in terms of the structure of regression model The multivariate methods are usually applied for profile monitoring In most of the proposed Phase IImonitoring methods the fundamental assumption is that the process profile parameters are known While thisassumption is not usually valid in practical situations and the process profile parameters are estimated basedon in control samples collected in Phase I This study aims on evaluating the effect of parameter estimation in Phase I on the performance of Phase IIcontrol charts for monitoring multivariate simple linear MSL and multivariate multiple linear MML profilesin terms of Average of average run length AARL standard deviation of ARL SDARL and coefficient ofvariation of ARL CVARL We worked on three well known Phase II control charts for monitoring MSLprofiles and also four Phase II control charts for monitoring MML profiles According to the previous studieson parameters estimation effect we expect that the parameters estimation strongly affects the Phase IIperformance One of the goals of this research is determining the monitoring methods which is less affectedby Phase I estimation It is not surprising that superior methods based on estimated parameters would not bethe same as that of based on known parameters Moreover a new approach for determining the optimal numberof Phase I samples is proposed so that yields an estimation with proper estimation in terms of Phase IIperformance metrics For this aim we proposed two optimization models based on Phase II metrics and solvedthem by simulation based optimization approach In addition a new cluster based approach is developed inorder to improve Phase I estimation The performance of the newly proposed approach on Phase II performanceis compared to the competing approach in terms of AARL and SDARL The Bayesian theory has been recently applied for profile monitoring in a few studies According to this theory the prior information can be incorporated for estimating the model parameters The results of previous studiesdenote very good potential of Bayesian estimator for improving the Phase II performance of control charts Therefore in the final chapter of this research we developed one Bayesian multivariate exponentially weightedmoving average BMEWMA control chart and two Bayesian multivariate cumulative sum BMCUSUM control charts for monitoring multivariate linear profiles The simulation results illustrated the superiority ofBayesian control charts in detecting shifts in regression coefficients rather than the classical counterparts Moreover a new approach is proposed for selecting the hyper parameters of prior distributions using Phase Idataset The proposed approach can be easily used for all types of profiles Keywords Statistical process monitoring Profile monitoring Estimation effect Phase II Clustering Bayesian control charts
استاد راهنما :
علي زينل همداني
استاد مشاور :
امير حسين اميري، ماركو گرزگورسزيك
استاد داور :
غلامعلي رئيسي اردلي، داود شيشه بري، محمد صابر فلاح نژاد
