این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی و مدیریت کیفیت، جلد ۱۰، شماره ۱، صفحات ۳۴-۴۸
عنوان فارسی تخمین نقطه‌ی تغییر پله‌ای در پروفایل‌های خطی چندگانه با استفاده از شبکه‌ی عصبی احتمالی
چکیده فارسی مقاله تخمین نقطه‌ی تغییر با کاهش مدت زمان لازم و هزینه‌ی تشخیص عامل اثرگذار، به مهندسین کیفیت در جستجوی مؤثر برای کشف انحرافات با دلیل و بهبود کیفیت یک محصول یا یک فرآیند کمک می‌کند. در این مقاله، از رویکرد شبکه‌ی عصبی مصنوعی احتمالی برای تخمین نقطه‌ی تغییر پله‌ای در فاز 2 پایش پروفایل‌های چندگانه استفاده می‌شود. عملکرد شبکه‌ی عصبی احتمالی پیشنهادی برای تخمین نقطه‌ی تغییر با استفاده از شبیه‌سازی مونت‌کارلو مورد سنجش قرار می‌گیرد. نتایج شبیه‌سازی‌ها بیانگر این است که شبکه‌ی پیشنهادی در تخمین نقطه‌ی تغییر، در تغییرات کوچک از رویکرد حداکثر درستنمایی بهتر عمل می‌کند. اما در تغییرات متوسط تا بزرگ رویکرد حداکثر درستنمایی بهتر عمل می‌کند. به علاوه، مزیت دیگر رویکرد پیشنهادی این است که بر خلاف رویکرد حداکثر درستنمایی نیازی به هیچ گونه پیش آگاهی از نوع تغییر ندارد و به خوبی قادر به تخمین انواع نقاط تغییر نیز هست.
کلیدواژه‌های فارسی مقاله کنترل فرآیند آماری، تخمین نقطه‌ی تغییر، پایش پروفایل‌ها، پروفایل خطی چند‌گانه، شبکه‌ی عصبی مصنوعی احتمالی،
عنوان انگلیسی Step Change Point Estimation in the Mean of Multiple Linear Profiles by Probabilistic Neural Network 
چکیده انگلیسی مقاله The change point is a useful concept in the control of statistical process that assists quality engineers in finding assignable causes and improving the quality of a product or process. It also reduces the time and cost of detecting assignable causes. In this paper, an artificial neural network approach is used to estimate the step change point in phase II monitoring of the mean of multiple linear profiles. the performance of the probabilistic neural network is evaluated in order to estimate the change point utilizing Monte Carlo Simulation. The results of simulations show the fact that the network recommended in estimating the change point has entirely better performance than maximum likelihood estimator in small shifts, considering mean square error criteria, but maximum likelihood estimator method owns better performance in medium to large shifts. In general, in all shift types, maximum likelihood estimator has a better performance in terms of precision, and the proposed probabilistic neural network performs better in terms of accuracy. In addition, another advantage of the proposed approach is the fact that contrary to the maximum likelihood estimator approach, it does not require any knowledge about the change type and can appropriately estimate any kind of change point as well.
کلیدواژه‌های انگلیسی مقاله کنترل فرآیند آماری, تخمین نقطه‌ی تغییر, پایش پروفایل‌ها, پروفایل خطی چند‌گانه, شبکه‌ی عصبی مصنوعی احتمالی
نویسندگان مقاله نگین فروزنده |
دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

مونا ایوبی |
استادیار گروه مهندسی صنایع، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

معصومه زینال نژاد |
استادیار گروه مهندسی صنایع، دانشکده فنی و مهندسی، واحد تهران غرب، دانشگاه آزاد اسلامی، تهران، ایران

نشانی اینترنتی https://www.pqprc.ir/article_115126_4df4fd9f2f5ce9f52d99c70ee6a6e9b5.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات