طراحي يك شبكه عصبي مصنوعي براي كشف تغيير، تشخيص عامل انحراف و تعيين اندازه شيفت به طور همزمان در بردار ميانگين فرآيندهاي چندمشخصه وصفي- متغير

Designing an Artificial Neural Network for Simultaneous Detecting, Diagnosing and Quantifying the Magnitude of Mean Shift(s) in Multivariate-attribute Processes

در برخي از فرآيندهاي توليدي، كيفيت محصول بر حسب تركيبي از مشخصه‌هاي كيفي متغير و وصفي همبسته بيان مي‌گردد. براساس آخرين اطلاعات مولفين، تاكنون هيچ تحقيقي در خصوص شناسايي اندازه شيفت در ميانگين مشخصه‌هاي كيفي خارج از كنترل در فرآيندهاي چند مشخصه وصفي- متغير صورت نگرفته است. در اين مقاله، روشي مبتني بر شبكه عصبي براي شناسايي اندازه شيفت در ميانگين مشخصه‌هاي كيفي متغير و وصفي همبسته و طبقه‌بندي بردار ميانگين به كلاس‌هاي مختلف ارايه مي‌گردد. شبكه عصبي پيشنهادي همچنين قادر است وضعيت بردار ميانگين فرآيند اعم از تحت كنترل يا خارج از كنترل بودن آن را كشف نمايد و مشخصه (‌هاي) كيفي عامل انحراف را نيز تشخيص دهد. عملكرد شبكه پيشنهادي در تعيين اندازه شيفت، تشخيص وضعيت فرآيند و همچنين تشخيص عوامل انحراف در قالب يك مثال عددي براساس شبيه‌سازي ارزيابي شده است. هم‌چنين عملكرد شبكه پيشنهادي در كشف شيفت و تشخيص عوامل انحراف در ميانگين فرآيند با روش‌هاي موجود در ادبيات مقايسه شده است. نتايج حاصل از شبيه‌سازي نشان مي‌دهد كه شبكه عصبي ارايه شده عملكرد رضايت‌بخشي در تعيين وضعيت بردار ميانگين فرآيند، تشخيص عوامل انحراف و شناسايي اندازه شيفت در ميانگين مشخصه‌هاي كيفي در فرآيندهاي چند مشخصه وصفي- متغير دارد.

In some statistical process control applications, the quality of a product is characterized by the combination of both correlated variable and attributes quality characteristics. To the best of our knowledge, there is no method in the literature available for identifying the shift magnitude in the out-of-control quality characteristics in multivariate-attribute processes. In this paper, a neural network (NN)-based method is proposed to identify the magnitude of shifts in the out-of-control quality characteristics. The proposed methodology can also determine the process state and diagnose the quality characteristic(s) responsible for out-of-control signals. The performance of the proposed NN-based method in determining the mean shifts magnitude, detecting the process change as well as diagnosing the out-of-control quality characteristic(s) is evaluated based on a numerical example through simulation studies. In addition, the performance of the proposed NN in detection and diagnosis is compared with existing methods in the literature. The results of simulation study show the satisfactory performance of the proposed NN.