مروری کاربردی بر طرحهای پایش مدیریت فرآیندهای چندمتغیره
محورهای موضوعی : مدیریت صنعتیKarim Atashgar 1 , Kazem Noghondarian 2
1 - Assistant Professor of industrial engineering, Malek Ashtar University, Tehran, Iran
2 - Assistant professor of industrial engineering, university of science and technology, Iran
کلید واژه: Average run length, نقطه تغییر, پایش فرآیند, تجزیه و تحلیل ریشه‌ی, نمودار, متوسط طول دنباله, Change point, Monitoring process, Root-cause analysis,
چکیده مقاله :
زمانی که بواسطه عوامل ناخواسته و غیر ذاتی، تغییری در پارامترهای توزیع یک فرآیند ظاهر می شود و فرآیند از شرایط تحت کنترل به شرایط خارج از کنترل منتقل می گردد، تجزیه و تحلیل ریشه ی و شناسایی عامل و یا عوامل انحراف فرآیند فوق برای مدیران فرآیند اهمیت زیادی دارد. در صورت تحقق شرایط خارج از کنترل در یک فرآیند چند متغیره ، تجزیه و تحلیل برای شناسایی عوامل انحراف در مقایسه با یک فرآیند تک متغیره بسیار سخت تر و پیچیده تر می گردد. در یک فرآیند چند متغیره که در شرایط خارج از کنترل قرار دارد، زمانی می توان به یک تجزیه و تحلیل ریشه ی و اثربخش امید داشت که مدل بکارگرفته شده برای پایش فرآیند، علاوه بر قابلیت شناسایی شرایط خارج از کنترل، بتواند به طور همزمان نقطه تغییر فرآیند، عامل و یا عواملی را که باعث انحراف فرآیند شده است را بهمراه جهت تغییر تحمیل شده به آن فرآیند را شناسایی نماید. بررسی ها در ادبیات موضوع نشان می دهد، که هرچند رویکرد آماری در فرآیند های تک متغیره نسبتا اثربخش ظاهر شده است، ولی رویکرد آماری در فرآیند های چند متغیره تاکنون نتوانسته است نیاز فوق را بر ای مدیران فرآیند تامین نماید. بررسی ادبیات پایش فرآیندها مؤید این مهم است که روشهای محاسبات نرم مانند شبکه های عصبی توانسته است به نیاز اساسی مدیران فرآیند در پایش و شناسایی عوامل انحراف به صورت اثربخش تری پاسخ دهد. بطوریکه، در میان طرح های موجود در ادبیات موضوع ، فقط یک مدل جامع پیشنهادی وجود دارد که توانسته با استفاده از رویکرد شبکه عصبی در تئوری نشان دهد که می تواند با شناسایی چهار عامل کلیدی فوق مهندسین کیفیت و مدیران فرآیند را در ریشه یابی اثربخش عوامل انحراف در فرآیندهایی با بیش از یک متغیر یاری نماید. در این تحقیق با رویکرد کاربردی، مروری نسبتا جامع که بتواند برای محققان و مدیران فرآیند قابل استفاده باشد، مدل های پایش فرآیندهای چند متغیره بررسی می شود. به علاوه، از آنجایی که هنگامی محققان زمانی می توانند به توسعه مدل های پیشنهادی تئوریک همت گمارند که قابلیت بکارگیری طرح ها، در مقایسه با روش های سنتی و معمول، در عرصه های واقعی فرآیندها نیز به اثبات رسیده باشد، در این تحقیق پس از مرور ادبیات، کامل ترین و جامع ترین مدل های موجود انتخاب و در یکی از فرآیندهای واقعی تولید خودرو بکارگرفته شده است. تجزیه و تحلیل داده ها و نتایج حاصل از عملکرد مدل فوق، برای ریشه یابی و تشخیص علت واقعی شرایط خارج از کنترل فرآیند و مقایسه آن با یکی از مدل های مرسوم بر اساس شاخص مهم طول دنباله خارج از کنترل، در این مقاله مورد توجه قرار گرفته است.
When there is a serious cause manifested in a process and it makes the process departs to an out-of-control condition, an effective root cause analysis could lead the process management to identify and eliminate the serious cause. When a change takes place in a multivariate process, while several correlated variables exist, the root-cause analysis of the process relatively is more challenging compared to the case of a univariate process. Considering an out-of-control multivariate process, one can experience an effective root-cause analysis if only a comprehensive scheme allows detecting the out-of-control condition, identifying the change point, diagnosing the variable(s) contributing to the unnatural condition and distinguishing the shift direction all simultaneously. Although the statistical approach has provided an effective solution for the univariate process, the approach has not provided a comprehensive solution in which a p-variate process is considered. The multivariate literature indicates that the solution based on the soft computing is illustrated more effectively in comparison with the statistical approach. This research approached practically shows only one of the scheme among the several schemes proposed in the multivariate literature is able to trigger simultaneously all the required signals leading to an effective root-cause analysis. The extensive literature review on the multivariate environment led the authors to represent the comprehensive scheme. The out-of-control ARL criterion is used to evaluate the performance of the scheme compared to the performance of a traditional scheme when the monitoring of the correlated quality specifications in a real car body manufacturing process has been investigated.
_||_
