این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مدیریت تولید و عملیات، جلد ۵، شماره ۲، صفحات ۳۶-۲۱
عنوان فارسی پایش تغییرپذیری فرآیندهای چند مشخصه وصفی و متغیر با استفاده از شبکه عصبی مصنوعی
چکیده فارسی مقاله  امروزه در برخی محیط‏های تولیدی یا خدماتی، کیفیت محصول یا عملکرد فرآیند به وسیله ترکیبی از مشخصه‏های کیفی متغیر و وصفی همبسته توصیف می‏گردد. بر اساس آخرین اطلاعات مؤلفان، تا کنون هیچ روشی برای پایش ماتریس واریانس- کوواریانس این گونه فرآیندها ارائه نشده است. در این مقاله، یک شبکه عصبی مصنوعی برای پایش تغییرپذیری یک فرآیند چند مشخصه وصفی و متغیر ارائه شده است. شبکه ارائه شده نه تنها قادر به کشف وضعیت‏های خارج از کنترل بوده، بلکه می تواند مشخصه /مشخصه‏های عامل انحراف در فرآیند را نیز شناسایی کند. کارایی روش ارائه شده با استفاده از یک مثال عددی بر اساس معیارهای متوسط طول دنباله و درصد تشخیص­ درست مشخصه /مشخصه‏های کیفی عامل انحراف بررسی شده است. همچنین عملکرد شبکه طراحی شده در پایش ماتریس واریانس- کوواریانس فرآیندهای چند مشخصه وصفی و متغیر با دو روش آماری پایش ماتریس واریانس- کوواریانس برای مشخصه‏های کیفی متغیر که در این مقاله برای پایش فرآیندهای چند متغیره- چند مشخصه توسعه داده شده اند، مقایسه شده است. نتایج مثال عددی نشان می‏دهد که شبکه عصبی طراحی شده عملکرد بهتری در کشف وضعیت‏های مختلف خارج از کنترل نسبت به روش های آماری توسعه داده شده دارد و همچنین به خوبی قادر به تشخیص مشخصه(های) کیفی عامل انحراف در فرآیند است. 
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Monitoring Variability of Multivariate-Attribute Processes Using Artificial Neural Network
چکیده انگلیسی مقاله Nowadays in some manufacturing processes, the quality of a product or process is well expressed by both correlated attribute and variable quality characteristics. To best of our knowledge, there is no method for monitoring the covariance matrix of multivariate-attribute quality characteristics. In this paper, we propose a multi-layer perception artificial neural network to monitor multivariate-attribute processes as well as to diagnose the quality characteristic(s) responsible for out-of-control signals. The performance of the proposed method is evaluated through a numerical example from both detection and diagnosis perspectives. In addition, the performance of the proposed neural network in detecting shifts in the variance of quality characteristics is compared with two statistical methods first proposed for monitoring the variability of multivariate quality characteristics and developed in this paper for our problem. The results of numerical example show that the proposed artificial neural network outperforms the extended statistical methods in detecting different out-of-control shifts. The results also confirm that the performance of the proposed neural network in identifying the quality characteristic(s) responsible for out-of-control signal is satisfactory
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله محمد هادی دورودیان | mohammad hadi
دانشگاه یزد
سازمان اصلی تایید شده: دانشگاه یزد (Yazd university)

محمد رضا ملکی | mohammad reza
دانشگاه شاهد
سازمان اصلی تایید شده: دانشگاه شاهد (Shahed university)

امیرحسین امیری |
دانشگاه شاهد
سازمان اصلی تایید شده: دانشگاه شاهد (Shahed university)

نشانی اینترنتی http://jpom.ui.ac.ir/article_19829_7a091826d926eed5a62ea0f29ed9990b.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1074/article-1074-341779.pdf
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