ارائه یک مدل ترکیبی برای شناسایی و تحلیل الگوهای معنی‌دار در نمودارهای کنترل فرآیند

Abstract

شناسایی صحیح و طبقه‌بندی دقیق الگوهای معنی‌دار در نمودارهای کنترل فرآیند آماری از نظر آنکه رفتارهای غیرطبیعی را تداعی می‌کنند بسیار بااهمیت است. تشخیص و استخراج الگوهای غیرطبیعی، حساسیت نمودارهای کنترلی را در شناسایی وضعیت‌های خارج از کنترل افزایش می‌دهد. در سال‌های اخیر به دلیل توانمندی‌های‌ شبکه‌های عصبی مصنوعی، از آن‌ها برای شناسایی الگوهای غیرطبیعی در نمودارهای کنترلی شوهارت استفاده شده است. اغلب این پژوهش‌ها، بویژه هنگامی‌که حساسیت فرآیند نسبت به رخداد الگوهای غیرطبیعی بالا باشد، دچار خطای طبقه‌بندی نادرست الگوها می‌شوند. در این پژوهش، مدل ترکیبی مبتنی بر شبکه‌های LVQ و MLP و همچنین خط برازش نمونه‌ها برای شناسایی و تجزیه‌وتحلیل الگوهای غیرطبیعی پایه در نمودارهای کنترل فرآیند ارائه شده است. این مدل پیشنهادی، علاوه بر اینکه در سطوح مختلف حساسیت، خطای طبقه‌بندی نادرست الگوها را به مقدار زیادی کاهش می‌دهد، رخداد همزمان الگوهای پایه را شناسایی و پارامترهای متناظر را برآورد می‌کند. در نهایت با بکارگیری نمونه‌های شبیه‌سازی‌شده، کارآمدی و اثربخشی مدل نشان داده شده است.