فایل ورد کامل دستورالعمل ها برای استفاده از روش کنترل کیفیت آماری به منظور نظارت بر فرایندهای خود همبستگی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل دستورالعمل ها برای استفاده از روش کنترل کیفیت آماری به منظور نظارت بر فرایندهای خود همبستگی،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۲۶ صفحه

اجرای نمودارهای کنترل آماری در شرایط خود همبستگی یک مسئله حیاتی است چرا که تاثیر قابل توجهی در قابلیت نظارت پروسه های تولیدی دارد. هدف از این مطالعه ارزیابی عملکرد نمودارهای کنترل زیر سناریو های مختلف و بهینه سازی طراحی نمودارهای کنترل به بهترین معامله همراه با فرآیندهای خود همبسته , میباشد . به منظور رسیدن به هدف ارائه شده , از دو اتورگرسیو (خود برگشتگی ) یکپارچه که در حال حرکت به سوی مدل های میانگین هستند , یعنی ( ARIMA (1, 0, 1 و( ARIMA (0, 1, 1 , برای توصیف فرآیندهای ثابت و غیر ثابت استفاده شد . این مدل های فرایند برای رسیدن به پاسخ , به طور متوسط طول اجرا (ARL) , که جز اقدامات عملکردی این مطالعه است, شبیه سازی شدند. فاکتورهای آزمایش برای تعیین کمیت اثر عوامل بحرانی, به عنوان مثال, ضریب ARIMA , انواع نمودارها ( میانگین نمایی متحرک EWMA و دامنه حرکت: MR) و تغییر اندازه در ARL , استفاده شدند . نتایج تجربی نشان می دهد که نمودار EWMA , مناسبترین نمودار کنترل برای نظارت بر مشاهدات خود همبستگی میباشند . علاوه بر این , هر دو پارامتر AR و MA همراه با اندازه تغییر , دارای اثر قابل توجهی بر روی عملکرد نمودارهای کنترل هستند. بنابراین ,این مطالعه اشاره به یک ابزار مناسب برای استفاده از سناریوهای (طرح راهنمای ) مختلف همبستگی کرده است . اعتبار نتایج تجربی فوق در مدلی دیگر از ARIMA و ARIMA (1, 0, 0) اعمال شد . اگر عملکرد نمودارهای کنترل که تحت اختلالات خود همبستگی هستند به درستی مشخص شوند , محققین و دست اندرکاران , راهنماهایی برای دستیابی به بالاترین پتانسیل عملکرد ممکن , هنگام استقرار SPC خواهند داشت .

واژه های کلیدی: همبستگی | میانگین متحرک اتورگرسیو یکپارچه (ARIMA) | میانگین طول اجرا (ARL) | معدل متحرک موزون نمایی (EWMA) نمودار | محدوده حرکت (MR) نمودار.

عنوان انگلیسی:

Guidelines for Applying Statistical Quality Control Method to Monitor Autocorrelated Prcoesses

~~en~~ writers :

Karin Kandananond

The implementation of statistical control charts under autocorrelated situations is a critical issue since it has a significant impact
on the monitoring capability of manufacturing processes. The objective of this study is to assess the performance of control
charts under different scenarios and to optimize the design of control charts to best deal with autocorrelated processes. To
achieve the proposed objective, two autoregressive integrated moving average models, ARIMA (1, 0, 1) and ARIMA (0, 1, 1),
are utilized to characterize stationary and non-stationary processes. These process models were simulated to achieve the
response, average run length (ARL), which is the performance measure of this study. The factorial design of experiment was
conducted to quantify the effect of critical factors, i.e., ARIMA coefficients, types of charts (exponentially weighted moving
average: EWMA and moving range: MR) and shift sizes on the ARL. The experimental results show that EWMA chart is the
most appropriate control chart to monitor autocorrelated observations. Additionally, both AR and MA parameters along with
shift sizes have a significant effect on the performance of control charts. Therefore, this study has pointed out a suitable tool for
use under the different scenarios of autocorrelation. The validation of the above experimental results was conducted on another
ARIMA model, ARIMA (1, 0, 0). If the performance of control charts under autocorrelated disturbances is correctly
characterized, practitioners will have guidelines for achieving the highest possible performance potential when deploying SPC.

Keywords: Autocorrelation | Autoregressive integrated moving average (ARIMA) | Average run length (ARL) | Exponentially weighted moving average (EWMA) chart | Moving range (MR) chart

$$en!!