26635

ساختن حدود كنترل آماريبا استفاده از ماكزيمم آنتروپي(درصنعت)

فوق ليسانس

آمار

98

1400/12/15

غلامحسين ياري

رضا احمدي

رياضي

نظارت بر يك فرآيند در طول زمان ،با هدف كاهش اتلاف پول و زمان ،بسيار مهم است. امروزه نمودارهاي كنترل كيفيت آماري در صنعت و توليدات جايگاه تأثيرگذاري دارند. نمودارهاي كلاسيكي چون شوهارت، جمع تجمعي، و ميانگين متحرك با وزن متوسط معمول ترين روش هاي آماري هستند كه براي بررسي فرآيندهاي مختلف مورداستفاده قرار مي گيرند. هركدام از آن ها كاربرد خاص خود را داشته و در شرايط خاصي استفاده مي شوند. اگرچه اين‌ها به صورت گسترده به كار گرفته مي‌شود ولي داراي كاستي‌هايي در تشخيص تغييرات فرآيندهاي مختلف هستند. در بحث كنترل كيفيت آماري بايد به اين نكات توجه شاياني نمود، در غير اين صورت موجب هدر رفت سرمايه و انرژي خواهد شد. در نتيجه‌ي آن كيفيت محصولات مطابقتي با استاندارهاي لازم را نخواهند داشت. در پژوهش ها نمودارهاي كنترلي تعريف شدند تا كاستي هاي موجود را تا حد امكان كاهش دهند. در اين راستا با استفاده از مفاهيم موجود در مبحث كنترل كيفيت آماري ، اصل ماكسيمم آنتروپي را با آن ادغام نموده و نمودار كنترلي مناسب با دقت بالا معرفي شده است. تمركز بر فرايندهايي است كه بر چندين ويژگي مختلف فرآيند نظارت مستمر دارند.

1401/03/15

Setting of Statistical Quality Control Using Entropy Maximum

3/6/2023 12:00:00 AM

Monitoring a process over time is so important in manufacturing processes to reduce wastage in money and time. Some charts as Shewhart, CUSUM, and EWMA are common to monitor a process with a single intended attribute which is used in different kinds of processes with various range of shifts. In some cases, the process quality is characterized by a different type of profiles. The purpose of this thesis is to monitor profile coefficients instead of a process mean. In this paper, two methods are proposed for monitoring the intercept and slope of the simple linear profile, simultaneously. In this regard, two methods are compared here. The first one is the linear regression, and another one is the maximum entropy principle. The $T^2$-Hotelling statistic is used to transfer two coefficients to a scalar. A simulation study is applied to compare the two methods in terms of the second type of error and average run length. Finally, two real examples are presented to demonstrate the applicability of the proposed chart. The first one is about semiconductors, and the second one is about pharmaceutical production processes. The performance of methods are relatively similar. The maximum entropy plays an important role in correctly identifying differences in the pharmaceutical example, while linear regression did not correctly detect these changes.

sanaz yarahmadi

gholamhossein yari