مروری کاربردی بر طرحهای پایش مدیریت فرآیندهای چندمتغیره

Abstract

زمانی که بواسطه عوامل ناخواسته و غیر ذاتی، تغییری در پارامترهای توزیع یک فرآیند ظاهر می شود و فرآیند از شرایط تحت کنترل به شرایط خارج از کنترل منتقل می گردد، تجزیه و تحلیل ریشه ی و شناسایی عامل و یا عوامل انحراف فرآیند فوق برای مدیران فرآیند اهمیت زیادی دارد. در صورت تحقق شرایط خارج از کنترل در یک فرآیند چند متغیره ، تجزیه و تحلیل برای شناسایی عوامل انحراف در مقایسه با یک فرآیند تک متغیره بسیار سخت تر و پیچیده تر می گردد. در یک فرآیند چند متغیره که در شرایط خارج از کنترل قرار دارد، زمانی می توان به یک تجزیه و تحلیل ریشه ی و اثربخش امید داشت که مدل بکارگرفته شده برای پایش فرآیند، علاوه بر قابلیت شناسایی شرایط خارج از کنترل، بتواند به طور همزمان نقطه تغییر فرآیند، عامل و یا عواملی را که باعث انحراف فرآیند شده است را بهمراه جهت تغییر تحمیل شده به آن فرآیند را شناسایی نماید. بررسی ها در ادبیات موضوع نشان می دهد، که هرچند رویکرد آماری در فرآیند های تک متغیره نسبتا اثربخش ظاهر شده است، ولی رویکرد آماری در فرآیند های چند متغیره تاکنون نتوانسته است نیاز فوق را بر ای مدیران فرآیند تامین نماید. بررسی ادبیات پایش فرآیندها مؤید این مهم است که روشهای محاسبات نرم مانند شبکه های عصبی توانسته است به نیاز اساسی مدیران فرآیند در پایش و شناسایی عوامل انحراف به صورت اثربخش تری پاسخ دهد. بطوریکه، در میان طرح های موجود در ادبیات موضوع ، فقط یک مدل جامع پیشنهادی وجود دارد که توانسته با استفاده از رویکرد شبکه عصبی در تئوری نشان دهد که می تواند با شناسایی چهار عامل کلیدی فوق مهندسین کیفیت و مدیران فرآیند را در ریشه یابی اثربخش عوامل انحراف در فرآیندهایی با بیش از یک متغیر یاری نماید. در این تحقیق با رویکرد کاربردی، مروری نسبتا جامع که بتواند برای محققان و مدیران فرآیند قابل استفاده باشد، مدل های پایش فرآیندهای چند متغیره بررسی می شود. به علاوه، از آنجایی که هنگامی محققان زمانی می توانند به توسعه مدل های پیشنهادی تئوریک همت گمارند که قابلیت بکارگیری طرح ها، در مقایسه با روش های سنتی و معمول، در عرصه های واقعی فرآیندها نیز به اثبات رسیده باشد، در این تحقیق پس از مرور ادبیات، کامل ترین و جامع ترین مدل های موجود انتخاب و در یکی از فرآیندهای واقعی تولید خودرو بکارگرفته شده است. تجزیه و تحلیل داده ها و نتایج حاصل از عملکرد مدل فوق، برای ریشه یابی و تشخیص علت واقعی شرایط خارج از کنترل فرآیند و مقایسه آن با یکی از مدل های مرسوم بر اساس شاخص مهم طول دنباله خارج از کنترل، در این مقاله مورد توجه قرار گرفته است.