Dergiler / Gazi Üniversitesi Fen Bilimleri Dergisi / 2004 / Cilt: 17 - Sayı: 4

Approaches for problem diagnosis via statistical process control charts

İstatistiksel proses kontrol çizelgelerinde hata teşhisine yönelik yaklaşımlar

Sayfa
59–69
Yayın Tarihi
2022-10-18
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Çalışma, bu teknikleri üç ana başlık altında incelemektedir: geleneksel tek değişkenli kontrol çizelgeleri, yapay sinir ağı uygulamaları ve çok değişkenli kontrol çizelgeleri.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İstatistiksel proses kontrol çizelgeleri, süreci etkileyen özel nedenlerin varlığına işaret eden kontrol-dışı sinyalleri saptamayı amaçlar.
📊
Temel Bulgular & Veri:Böyle bir sinyal saptandığında bunun yorumlanması, diğer bir deyişle sinyale yol açan gerçek nedenlerin ortaya çıkarılması operatör ya da mühendislerin görevidir.
💡
Sonuç & Katkı:Çalışma, bu teknikleri üç ana başlık altında incelemektedir: geleneksel tek değişkenli kontrol çizelgeleri, yapay sinir ağı uygulamaları ve çok değişkenli kontrol çizelgeleri.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Alan Parametreleri

Özet

İstatistiksel proses kontrol çizelgeleri, süreci etkileyen özel nedenlerin varlığına işaret eden kontrol-dışı sinyalleri saptamayı amaçlar. Böyle bir sinyal saptandığında bunun yorumlanması, diğer bir deyişle sinyale yol açan gerçek nedenlerin ortaya çıkarılması operatör ya da mühendislerin görevidir. Son zamanlarda bu yorumlama işlemini kolaylaştıracak bazı teknikler geliştirilmiştir. Çalışma, bu teknikleri üç ana başlık altında incelemektedir: geleneksel tek değişkenli kontrol çizelgeleri, yapay sinir ağı uygulamaları ve çok değişkenli kontrol çizelgeleri.

Abstract

Statistical process control charts aim to detect out-of-control signals which indicate existence of special causes effecting the process. Once such a signal is detected, the interpretation of the signal, that is, discovering the actual causes behind the signal, rests upon the shoulders of operators or engineers. Recently, some techniques have been developed for making this interpretation process easier. This study presents an overview of such techniques in three categories: traditional one-variable control charts, artificial neural network applications and multivariate control charts.

🔖

Bu Makaleye Atıf Yap

BİRGÖREN, B., KOÇER, B. (2022). Approaches for problem diagnosis via statistical process control charts. Gazi Üniversitesi Fen Bilimleri Dergisi, Cilt: 17 - Sayı: 4, 59–69. https://ajindex.com/articles/521731

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (9)

  1. Montgomery, D. C., Introduction to Statistical Quality Control 4th ed., Wiley & Sons, New York (2001)
  2. Pearson, R. K., "Exploring process data", Journal of Process Control, 11: 179-194 (2001)
  3. Western Electric, "Statistical Quality Control Handbook", Western Electric Corporation, Indianapolis, IN (1956)
  4. Hoyer, R. W., Ellis, W. C., "A graphical exploration of SPC", Quality Progress, 5: 65-73 (1996)
  5. Seder, L. A., "Golden oldies from industrial engineering- diagnosis with diagrams", Quality Engineering, 2: 503-530 (1990)
  6. Barton, R. R., Gonzalez-Barreto, D. R., "Process oriented basis representations for multivariate process diagnostics",Quality Engineering, 9: 107-118 (1996)
  7. Zaciewski, R. D., Nemeth, L., "The multi-vari chart: an underutilized quality tool", Quality Progress, 81-83(October 1995)
  8. Zorriassatine, F., Tannock, J. D. T., "A review of neural networks for statistical process control", Journal of Intelligent Manufacturing, 9: 209-224 (1998)
  9. Pugh, G. A. "A comparison of neural networks to SPC charts", Computers & Industrial Engineering, 21: 253-255 (1991). 10.Smith, A. E., "X-bar and R control chart interpretation using neural computing", International Journal of Production Research, 32: 309-320 (1994). 11.Pham, D. T., Öztemel, E., "Control chart pattern recognition using neural networks", Journal of Systems Engineering, 2: 256-262 (1992). 12.Pham, D. T., Öztemel, E., "Control chart pattern recognition using learning vector quantization network",International Journal of Production Research, 32: 721-729 (1994). 13.Guh, R. S., Hsieh, Y. C., "A neural network based model for abnormal pattern recognition of control charts",Computers & Industrial Engineering, 36: 97-108 (1999). 14.Cheng, C. S., "A neural network approach for the analysis of control chart patterns", International Journal of Production Research, 35: 667-697 (1997). 15.Zorriassatine, F., Tannock, J.D.T., O'Brien, C., "Using novelty detection to identify abnormalities caused by mean shifts in bivariate processes" Computers & Industrial Engineering, 44: 385-408 (2003). 16.Hotelling, H., Multivariate quality control, illustrated by the air testing of sample bombsights, in:Techniques of Statistical Analysis, ed. C. Eisenhart, M. W. Hastay and W. A. Wallis, Mc-Graw Hill, New York (1947). 17.Birgören, B., "Multivariate statistical process control for quality diagnostics and applications to process oriented basis representations", Ph.D. Thesis, The Pennsylvania State