طراحي يك سيستم فازي بعنوان جايگزيني براي نمودار كنترل مشاهدات انفرادي

A Fuzzy Expert System for Controlling Individual Measurements

نمودارهاي كنترل شوهارت، از مهمترين ابزار كنترل فرايند آماري است كه از طريق ترسيم مقادير آماره نمونهاي مربوط به ويژگي كيفيتي مورد نظر در طول زمان بمنظور تشخيص انحرافات با دليلي كه كيفيت خروجي فرايند را تحت تاثير قرار ميدهد بكار گرفته ميشوند. نمودارهاي X و MR يكي از انواع نمودارهاي كنترل تك متغيره براي پايش ميانگين و پراكندگي مشخصههاي كيفيتي متغير محسوب ميشوند كه هرگاه نمونه تنها شامل يك محصول باشد مورد استفاده واقع ميشوند. عملكرد ضعيف نمودار X هنگام مواجهه با مشاهدات غير نرمال و وجود خود همبستگي در نمودار MR ، به عقيده بسياري از محققين اثر بخشي اين نمودارها را مورد ترديد قرار داده است. از سوي ديگر با رواج بكارگيري متدولوژي بهبود كيفيت شش سيگما بويژه در صنايع توليدي، ضرورت تشخيص كاهش در پراكندگي متغير تحت بررسي بيش از پيش احساس ميشود كه متاسفانه نمودار MR از اين قابليت برخوردار نيست. اين مقاله بر پايه استفاده از منظق فازي، يك روش ساده براي ارزيابي وضعيت ميانگين و پراكندگي متغير مورد بررسي ارايه ميكند كه ضمن مرتفع نمودن معايب فوقالذكر، ميتواند الگوهاي غير عادي موجود در يك فرايند را نيز تشخيص دهد. رويكرد كنترل فرايند بر مبناي بكارگيري يك سيستم خبره فازي در مقايسه با روشهاي سنتي، در ارزيابي وضعيت مقادير انفرادي، برتريهاي قابل توجهي حاصل نموده است. عملكرد نمودار كنترل فازي براي شناسايي رفتارهاي غير عادي فرايند در قياس با نمودار X و MR با استفاده از دادههاي حاصل از شبيه سازي مورد بررسي و مطالعه قرار گرفته و مزاياي روش جديد تشريح گرديده است.

Shewhart charts are the main tools for statistical process control. They are used for detecting assignable causes which affect quality of process output. From them, X and MR charts are two univariate control charts for monitoring mean and variation of measurable quality characteristics. The main drawbacks of these charts are: weakness of X chart against non-normal distribution of process data, autocorrelation of consecutive MR values, and inability of MR chart in detecting decrease in process variation. These drawbacks have declined their effectiveness. This paper presents a simple method for monitoring two parameters of normal distribution, based on fuzzy logic, resolving above drawbacks. The proposed method can detect non-random patterns of the process data. Here a fuzzy expert system is developed to assess individual measurements. This results in considerable improvement in decreasing out-of-control average run length versus the traditional control charts. Moreover, performance of fuzzy control chart for recognizing unnatural process behaviors has investigated using Mont-Carlo simulation and advantages of this novel method have been investigated.