• صفحه اصلی
  • طراحی مدل کنترل فرآیند آماری از طریق سیستم استنتاج فازی برای کنترل مشخصه های وصفی در صنایع غذایی

اشتراک گذاری

آدرس مقاله


کد مقاله : JFST-2301-1847 (R1) بازدید : 100 صفحه: 97 - 113

نوع مقاله: پژوهشی

طراحی مدل کنترل فرآیند آماری از طریق سیستم استنتاج فازی برای کنترل مشخصه های وصفی در صنایع غذایی

محورهای موضوعی : اصول مهندسی صنایع غذایی-مدل سازی

بهاور آذرمی زاد 1 , کمال الدین رحمانی یوشانلوئی 2 * , علیرضا بافنده زنده 3 , سیروس فخیمی آذر 4

1 - دانشجوی دکتری، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
2 - استادیار، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
3 - دانشیار، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.
4 - استادیار، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.

تاریخ دریافت : 1401/10/15 تاریخ پذیرش : 1401/12/06 تاریخ انتشار : 1403/12/19

کلید واژه: کنترل آماری فرآیند فازی, مد فازی, میانه فازی, سیستم استنتاج فازی.,

چکیده مقاله :

اهمیت کیفیت در صنعت برای بدست آوردن و تولید محصولات با کیفیت بالا دیرزمانی است که شناخته شده است. کیفیت در محیط تولید، قابلیت اتکاء را بهبود بخشیده، تولید را بالا برده و رضایت مشتری را جلب می‌کند. نمودارهای کنترل کلاسیک با استفاده از داده‌های دقیق و معین، فرآیندهای تولیدی را در دو گروه «رد» و یا «قبول» قرار می‌دهند. مشخصه‌های وصفی به دلیل ابهام در میزان عیب در کالا و تصمیم‌گیری توسط بازرس در شرایط فازی قرار دارند و مجموعه‌های فازی با تعریف توابع عضویت پیوسته و استفاده از داده‌های مبهم و نامعین با بهره‌گیری از اعداد فازی مثلثی و ذوزنقه‌ای به‌ صورت دسته‌های کنترلی طبقه‌بندی می‌شوند و سطح کیفی محصول را به‌صورت‏ واقعی‏تر بیان می‌کنند. این تحقیق از نوع تحقیقات کاربردی و توصیفی می‌باشد که با هدف طراحی مدل کنترل فرآیند آماری از طریق سیستم استنتاج فازی برای کنترل مشخصه‌های وصفی در صنایع غذایی اجرا شده است. برای جمع‌آوری اطلاعات از سیستم نمونه‌گیری در ایستگاه بازرسی استفاده شده است و با توجه به ویژگی‌های حسی و فیزیکی، سطح کیفی شکلات‌های تولیدی تعیین گردید. در روش کلاسیک 28 مورد «تحت کنترل» و فقط 2 مورد «خارج از کنترل» شناسایی شد اما در بررسی با مدل طراحی شده فازی 28 نمونه «تحت کنترل»، 1 نمونه «نسبتاً تحت کنترل» و 1 نمونه «خارج از کنترل» بودند، بر اساس نتایج تحقیق، پیشنهادات کاربردی به صنعت مربوطه توصیه گردید.

چکیده انگلیسی:

The importance of quality in the industry to obtain and produce high quality products has been known for a long time. Quality in the production environment improves reliability, increase production and attracts customer satisfaction. Classical control diagrams, using precise and definite data, place production processes in two groups, «rejection» or «acceptance». Descriptive characteristics are in fuzzy conditions due to ambiguity in the number of defects in the product and decision making by the inspector, and fuzzy sets by defining continuous membership functions and using ambiguous and indefinite data by using triangular and trapezoidal fuzzy numbers in the form of control categories are classified and express the quality level of the product more realistically. This research is an applied and descriptive research, which was carried out with the aim of designing model of Statistical Process Control through a fuzzy inference system to control descriptive characteristics in the food industry. Sampling system has been used in the inspection station to collect information and according to sensory and physical characteristics, the quality level of the produced chocolates was determined. In the Classical Method, 28 cases were identified «under control» and only 2 cases were «out of control». But in the investigation with the fuzzy designed model, 28 samples were «under control», 1 sample was «relatively under control» and 1 sample was «out of control»; Based on the research result, practical suggestions were recommended to the relevant industry.

منابع و مأخذ:

1. اسماعیل‌پور ر، رمضانیان م، کاظم اف ف. ارائه مدل کنترل فرآیند آماري فازي با روش مد فازي براي کنترل تعداد نقص هاي محصول. نشریه مدیریت صنعتی. 1388؛1(2): 18-3.
2. جعفرنژاد، ا.، قاسمیان صاحبی، ا.، معصومی، ب.، و رفعتی، آ. 1398. تحلیل روابط میان عوامل حیاتی موفقیت کنترل فرآیند آماری. چهارمین کنفرانس بین المللی مدیریت صنعتی، یزد.
3. علینژاد خ، دباغ ر، شیرزاد ا. کنترل کیفیت آماری بر‌اساس شاخص کارایی فرآیندها و نمودارهای کنترل با رویکرد فازی (مطالعه موردی: شرکت‌ آب و فاضلاب شهری استان آذربایجان غربی). نشریه مهندسی عمران امیرکبیر. 1398؛ 51(4): 712-699.
4. فراز، ع. 1390. بناسازی نمودار کنترل آماری– فازی فرآیند. تحقیق در عملیات در کاربردهای آن (ریاضیات کاربردی)، 54-45.
5. مرادی طادی، ا. و آوخ دارستانی، س. 1393. توسعه‎ی نمودار کنترل IX-MR با استفاده از روش مد فازی. کنفرانس بین المللی مهندسی، هنر و محیط زیست.
6. Dombi J, Hussain A. A new approach to fuzzy control using the distending function. Journal of Process Control. 2020; 86: 16-29.
7. Ertugrul İ, Aytac E. Construction of quality control charts by using probability and fuzzy approaches and an application in a textile company. Journal of intelligent manufacturing. 2009; 20(2): 139-149.
8. Gulbay M, Kahraman C. Development of fuzzy process control charts and fuzzy unnatural pattern analyses. Computational statistics & data analysis. 2006; 51(1): 434-451.
9. Gulbay M, Kahraman C, Ruan D. α‐Cut fuzzy control charts for linguistic data. International journal of intelligent systems. 2004; 19(12): 1173-1195.
10. Kaya I. Construction of u Control Chart by Type-2 Fuzzy Sets, Proceedings Of the 4th International E-Conference on Advances in Engineering, Technology and Management –ICETM. 2021: 138-143.
11. Kaya, I., Devrim, E., Baracli, H. 2022. Design of Attributes Control Charts for Defects Based on Type-2 Fuzzy Sets with Real Case Studies from Automotive Industry.1173-1195.
12. Kaya I, Erdogan M, Yıldız C. Analysis and control of variability by using fuzzy individual control charts. Applied Soft Computing. 2017; 51: 370-381.
13. Kaya I, Turgut A. Design of variable control charts based on type-2 fuzzy sets with a real case study. Soft Computing. 2021; 25(1): 613-633.

14. Kim E, Park M, Ji S, Park M. A new approach to fuzzy modeling. IEEE Transactions on fuzzy systems. 1997; 5(3): 328-337.
15. Sugeno M, Yasukawa T. A fuzzy-logic-based approach to qualitative modeling. in IEEE Transactions on Fuzzy Systems. 1993;1(1): 7.


16. Wang X, Park J. H, She K, Zhong S, Shi L. Stabilization of chaotic systems with T–S fuzzy model and nonuniform sampling: A switched fuzzy control approach. IEEE Transactions on Fuzzy Systems. 2018; 27(6): 1263-1271.



متن کامل:


Journal of Innovation in Food Science and Technology , Vol 17, No 1, Spring 2025

 

Homepagr: https://sanad.iau.ir/journal/jfst                                                                                                             E-ISSN: 2676-7155

 

 

(Original Research Paper)

Designing a Statistical Process Control Model Through a Fuzzy Inference System to Control Descriptive Characteristic in the Food Industry

 

Bahavar Azarmizad1, Kamaleddin Rahmani Yoshanlui2*, Alireza Bafandeh Zendeh3, Sirous Fakhimi Azar2

 

1. Ph.D Student, Department of Management, Faculty of Management, Economic and Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran.

2. Assistant professor, Department of Management, Faculty of Management, Economic and Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran.

3. Associate professor, Department of Management, Faculty of Management, Economic and Accounting, Tabriz Branch, Islamic Azad University, Tabriz, Iran.

 

Received:05/01/2023                      Accepted:25/02/2023

 

 

Abstract

The importance of quality in the industry to obtain and produce high quality products has been known for a long time. Quality in the production environment improves reliability, increase production and attracts customer satisfaction. Classical control diagrams, using precise and definite data, place production processes in two groups, «rejection» or «acceptance». Descriptive characteristics are in fuzzy conditions due to ambiguity in the number of defects in the product and decision making by the inspector, and fuzzy sets by defining continuous membership functions and using ambiguous and indefinite data by using triangular and trapezoidal fuzzy numbers in the form of control categories are classified and express the quality level of the product more realistically. This research is an applied and descriptive research, which was carried out with the aim of designing model of Statistical Process Control through a fuzzy inference system to control descriptive characteristics in the food industry. Sampling system has been used in the inspection station to collect information and according to sensory and physical characteristics, the quality level of the produced chocolates was determined. In the Classical Method, 28 cases were identified «under control» and only 2 cases were «out of control». But in the investigation with the fuzzy designed model, 28 samples were «under control», 1 sample was «relatively under control» and 1 sample was «out of control»; Based on the research result, practical suggestions were recommended to the relevant industry. 

 

Keywords: Fuzzy SPC, Fuzzy Mode, Middle Fuzzy, Fuzzy Inference System.

 

 

 

 

*Corresponding Author: kr13452000@yahoo.com

     E-ISSN: 2676-7155                                                                                                          سایت مجله: https://sanad.iau.ir/journal/jfst  

 

(ﻣﻘﺎﻟﻪ ﭘﮋوﻫﺸﯽ)

طراحی مدل کنترل فرآیند آماری از طریق سیستم استنتاج فازی برای کنترل مشخصه های وصفی در صنایع غذایی

 

بهاور آذرمی‌زاد1، کمال‌الدین رحمانی یوشانلوئی2*، علیرضا بافنده زنده3، سیروس فخیمی‌آذر2

 

1- دانشجوی دکتری، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.

2- استادیار، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.

3- دانشیار، گروه مدیریت، دانشکده مدیریت، اقتصاد و حسابداری، واحد تبریز، دانشگاه آزاد اسلامی، تبریز، ایران.

 

تاریخ دریافت:15/10/1401   تاریخ پذیرش:06/12/1401

 

چکیده 

اهمیت کیفیت در صنعت برای بدست آوردن و تولید محصولات با کیفیت بالا دیرزمانی است که شناخته شده است. کیفیت در محیط تولید، قابلیت اتکاء را بهبود بخشیده، تولید را بالا برده و رضایت مشتری را جلب می‌کند. نمودارهای کنترل کلاسیک با استفاده از داده‌های دقیق و معین، فرآیندهای تولیدی را در دو گروه «رد» و یا «قبول» قرار می‌دهند. مشخصه‌های وصفی به دلیل ابهام در میزان عیب در کالا و تصمیم‌گیری توسط بازرس در شرایط فازی قرار دارند و مجموعه‌های فازی با تعریف توابع عضویت پیوسته و استفاده از داده‌های مبهم و نامعین با بهره‌گیری از اعداد فازی مثلثی و ذوزنقه‌ای به‌ صورت دسته‌های کنترلی طبقه‌بندی می‌شوند و سطح کیفی محصول را به‌صورت‏ واقعی‏تر بیان می‌کنند. این تحقیق از نوع تحقیقات کاربردی و توصیفی می‌باشد که با هدف طراحی مدل کنترل فرآیند آماری از طریق سیستم استنتاج فازی برای کنترل مشخصه‌های وصفی در صنایع غذایی اجرا شده است. برای جمع‌آوری اطلاعات از سیستم نمونه‌گیری در ایستگاه بازرسی استفاده شده است و با توجه به ویژگی‌های حسی و فیزیکی، سطح کیفی شکلات‌های تولیدی تعیین گردید. در روش کلاسیک 28 مورد «تحت کنترل» و فقط 2 مورد «خارج از کنترل» شناسایی شد اما در بررسی با مدل طراحی شده فازی 28 نمونه «تحت کنترل»، 1 نمونه «نسبتاً تحت کنترل» و 1 نمونه «خارج از کنترل» بودند، بر اساس نتایج تحقیق، پیشنهادات کاربردی به صنعت مربوطه توصیه گردید.

 

واژه های كليدي: کنترل آماری فرآیند فازی، مد فازی، میانه فازی، سیستم استنتاج فازی.

 

*مسئول مکاتبات: kr13452000@yahoo.com

 

1- مقدمه

کیفیت یک معیار تصمیم‏گیری از جانب مشتری و نه ابزار تصمیم برای مهندسان، بازار یا مدیریت سازمان است. این مبتنی بر تجربه واقعی مشتری از محصول و خدمت است که در مقابل الزامات مورد نظر تعیین می‏شود و هدف اصلی اندازه‏گیری کیفیت، تعیین و ارزیابی‏ درجه و سطح محصول و خدمت مورد استفاده است. کنترل فرآیند آماری 1(SPC) مجموعه­ای توانا از ابزارهای حل مشکل است که باعث ثبات در فرآیندهای تولید شده و توانایی تولید محصول با کیفیت را بالامی برد (2). کنترل فرآیند آماری حین تولید، ابزار اصلی موردنیاز، جهت دست یافتن به‏ چنین هدفی است؛ و همچنین یک تکنیک نمونه‏گیری است که کیفیت اقلام تولید شده را اندازه‏گیری می‏کند. نمودارهای کنترل و کارایی فرآیند دو ابزار کاربردی مهم برای  کنترل  کیفیت  آماری  محسوب  می شوند(3).  در نمودارهای کنترل سنتی، داده­ها از مقادیر واضح تشکیل شده‌اند. اما سیستم اندازه‌گیری که عمدتاً شامل اپراتور، ماشین­آلات و شرایط محیطی است، می‌تواند شامل «عدم قطعیت» یا «ابهام» در داده‌های واضح باشد. این عدم قطعیت‌ها بر اساس فرآیند و سیستم اندازه‌گیری است که می‌تواند منجر به برخی مشکلات در به دست آوردن مقادیر واضح و قطعی از فرآیند شود(11). در این شرایط، نمودارهای کنترلی مبتنی بر نظریه مجموعه فازی، برای ارزیابی فرآیند مفیدتر هستند. برای این هدف، نظریه مجموعه فازی را می‌توان برای نمودارهای کنترل اتخاذ کرد. در این شرایط، نظریه مجموعه فازی از توسعه مفاهیم و تکنیک‌ها برای مقابله با منابع عدم قطعیت یا عدم دقت پشتیبانی می‌کند. سهم قابل توجه نظریه مجموعه فازی توانایی آن در ارائه و مدل­سازی داده­های زبانی و تقریبی برای فرآیند کنترل کیفیت است(10). در بسیاری از سیستم‌های واقعی که همواره اطلاعات دقیق و قطعی در دسترس نبوده و اطلاعات به صورت مبهم و فازی وجود دارد، روش‌های فازی با استفاده از عبارات زبانی مناسب و اعداد فازی می‌توانند بررسی دقیق‌تری از وضعیت فرآیند تولید داشته باشند. در این تحقیق نمودارهای کنترل فازی با استفاده از قوانین فازی بسط داده شده و سپس شاخص کارآیی واقعی فرآیند جهت ارزیابی دقت، صحت و عملکرد فرآیند تولید در حالت فازی مورد بررسی قرار گرفته است تئوري مجموعه‎هاي فازي و متغيرهاي تصادفي همواره کوشيده‎اند که مبحث عدم قطعيت را به طور جداگانه مورد بررسي قرار دهند. اما در سيستم‎هاي واقعي همواره با مواردي مواجه هستيم که فرآيندها تحت تاثير دو نوع عدم قطعيت قرار دارند. عدم قطعيت به دليل عدم وجود اطلاعات کامل و دقيق و عدم قطعيت به دليل ماهيت تصادفي ذاتي فرآيندها می‎باشد (4). اگرچه نظریه مجموعه فازی مزایای بسیار خوبی برای مدل‌سازی عدم قطعیت دارد، گاهی اوقات صرف توجه به مجموعه­های فازی بودن در نظر گرفتن یک سیستم یکپارچه نمی‌توانند عدم قطعیت را در نتیجه تعاریف واضح برای توابع عضویت مدل کنند (13). بنابراین، سیستم استنتاج فازی که شامل توابع عضویت فازی است برای بهبود کیفیت مدل‌سازی عدم قطعیت پیشنهاد شده است. این سیستم قادر خواهد بود که بر اساس دانش موجود و پایگاه قوانین استنتاج به شکل مستقیم عدم قطعیت ها را مدل می‌کند (13). مطالعات مختلف بیشترین تمرکز خود را به فازی­سازی حدود کنترل  قرار  داده  و  از  ارائه یک  سیستم  ارزیابی  و محاسباتی براساس پایگاه دانش خودداری نموده­اند. در بسیاری از این مطالعات مانند مطالعه اسماعیل­پور و همکاران(1388)، منطق طراحی نمودارهای کنترل همان منطق نمودارهای کنترل قطعی بوده است که در آن ها فقط فازی­سازی اعداد انجام گرفته و تغییر قابل توجهی در ساده ­سازی و افزایش کارایی نمودارهای کنترل برای شرکت­ها صورت نگرفته است. بر همین اساس ضرورت دارد تا در تحقیقی اقدام به ارائه یک مدل کاربردی بر اساس سیستم استنتاج فازی به کمک مد و میانه فازی گردد. در رابطه با اهمیت موضوع از حیث کاربردی بودن، مطالعات و بررسی­های محقق نشان می­دهد که تا به حال در رابطه با ارائه مدل­های کاربردی در زمینه نمودارهای کنترل 

 

 

بر اساس مد و میانه فازی در شرکت­های استان آذربایجان­شرقی کار زیادی از لحاظ ارائه الگوهای بومی انجام نگرفته است. لذا با توجه به مباحث مطرح شده، مسئله‌ای که محقق را به انجام این تحقیق سوق داده، در درجه اول توجه به این موضوع بوده است که در صنعت شیرینی و شکلات ارزیابی ویژگی‌های وصفی محصولات از قبیل رنگ، عطر و طعم، بافت، ماسیدگی، شکوفه  شکر  و  مواد‌  خارجی  از  طریق آزمون‌های ارزیابی حسی  انجام می‌شود تا داده‌های وصفی را با روش‌هایی از قبیل آزمون 5 نقطه‌ای، 7 نقطه‌ای و 9 نقطه‌ای به داده‌های کمی تبدیل نموده و آنالیز نمایند. اما استفاده از این روش دارای محدودیت و خطا می‌باشد، زیرا حساسیت حواسی انسان تابع عوامل مختلف فردی، نژادی، فیزیولوژیک و ... می‌باشد و نتایج آن در صورت تکرار می‌تواند با تغییر شرایط متفاوت باشد. بر همین اساس، در این تحقیق  براي  توانمند کردن نمودارهاي کنترل آماري از نظریه فازي استفاده شده و نمودارهاي کنترل فازي براي مشخصه کیفی موردنظر ارائه گردیده است. برای این منظور نیز ابتدا یک سیستم استنتاج فازی طراحی و مدل‌سازی خواهد شد تا بر اساس آن چه کایا (2021) بیان نموده، بتوان عدم قطعیت را بر اساس توابع عضویت مدل نموده و یک سیستم پشتیبان تصمیم در اختیار داشت تا بتوان از طریق این سیستم پشتیبان تصمیم در زمان‌ها و مکان‌های مختلف نسبت ارزیابی محصولات با دقت و سرعت بالا اقدام نمود. این سیستم قادر خواهد بود که بر اساس دانش موجود و پایگاه قوانین استنتاج به شکل مستقیم عدم قطعیت‌ها را مدل می‌کند. این تحقیق با هدف طراحی مدل کاربردی کنترل آماری فرآیند به روش مد و میانه فازی و مقایسه نتایج آن با روش کلاسیک انجام می‌شود. در راستای این هدف تحقیق، سوال اصلی پژوهش به این صورت تدوین می‌شود که مدل کاربردی کنترل آماری فرآیند به روش مد و میانه فازی چگونه مدلی بوده و نتایج آن با روش کلاسیک چه تفاوتی خواهد داشت.  

 

 

 

2- مواد و روش ها

این تحقیق از نظر هدف کاربردی و از نظر روش توصیفی می‌باشد همچنین از بابت عملکری توصیفی- پیمایشی می‌باشد که به صورت میدانی اجرا می‌شود. روش آن نیز بدین ترتیب است که با انجام مطالعات کتابخانه‏ای، ابتدا یک سیستم استنتاج فازی برای نمودارهای کنترل فازی طراحی شده است. در طراحی این سیستم استنتاج فازی، از متغیر‌های کلامی و اعداد فازی ذوزنقه‌ای بهره گرفته شده است. سپس بر اساس سیستم استنتاج طراحی شده، بر اساس مد و میانه فازی حدود کنترل نمودارها کنترلی مشخص گردیده است. از این سیستم در جهت کنترل تعداد نقص‌ها استفاده شده است. مدل مورد نظر در محیط نرم‏افزاریMATLAB R2018A  و بر اساس تولباکس سیستم استنتاج فازی طراحی شده است. سیستم طراحی شده دارای هفت متغیر ورودی و یک متغیر خروجی بوده است. تحقیق حاضر در شرکت صنعتی داداش برادر که تولید کننده انواع شكلات، بيسكويت، ويفر، اسنك، كيك، آدامس، تافي وكارامل است، برای مشخصه‌های وصفی (كيفي) شکلات شیری انجام شده است. دليل انتخاب مشخصه‌هاي كيفي اين است كه مشخصه‌هاي كمي را نمي‌توان به صورت فازي بيان كرد ولي مشخصه‌هاي كيفي و وصفي را مي‌توان به صورت فازي بيان كرد. براي جمع آوري  داده‌ها  از  روش مطالعه اسنادی استفاده شده است که در این تحقیق اسناد،    فرم‌هایی هستند که بازرسان شرکت از آن براي کنترل نقص‌ها به صورت قطعی استفاده می‌کنند. از کنترل نقص‌های قطعی به منظور اعتبارسنجی و مقایسه آن با روش مد و میانه فازي استفاده می‌شود؛ همچنین فرم‌هایی براي کنترل نقص‌ها به صورت مشاهدات فازی طراحی شده و براي وارد کردن مشاهدات فازي تعداد نقص‌ها (C) از طیف فازي ذوزنقه‌اي استفاده شده است این طیف بخشی از ابزار جمع آوري داده‌ها است. طیف فازي ذوزنقه‌اي با استفاده از داده‌هاي تحقیق طراحی شده‌اند. براي اجراي مدل پس از جمع آوری اطلاعات، از سيستم نمونه­گيري در ايستگاه بازرسي نهايي استفاده شده است. داده­ها به صورت 30 نمونه 50 تايي    جمع­آوري شده كه مربوط به 30 روزكاري توليد محصولات

[1] - Statistical Process Control

 شكلات بوده است. با توجه به ماهيت نقص­هاي هفت‌گانه براي هريك از آن ها تابع عضويت جداگانه‌اي تعريف شد. توابع عضويت از اعداد به دست آمده از فرآیند توليد شركت صنعتي داداش برادر، اعداد فازي ذوزنقه‌اي ايجاد كرده اند و در نهايت در مرحله تحليل داده­ها، از نرم افزارهاي Minitab 21.1.0 و  MATLAB R2018A استفاده شده است.

 

3- نتایج و بحث

با توجه به قلمرو زمانی این تحقیق داده‎هاي هشت ماه از اول 

 مهر سال 1398 تا آخر ارديبهشت‌ ماه سال1399 می‌باشد که در جدول شماره 1 نشان داده شده است.

 

 

جدول 1- آمار تولید هشت ماه محصول شکلات

ماه

کیلوگرم

مهر 98

156066

آبان 98

136540

آذر 98

149186

دی98

165908

بهمن 98

173763

اسفند98

113995

فروردین99

35407

اردیبهشت99

104531

جمع کل

1035396

 

 

جدول شماره 2 نمایانگر داده‌های مربوط به تعداد نقص در شكلات از30 گروه 50 تایی است كه طی30 روزكاري تولید شكلات جمع‌آوري شده است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول 2- اطلاعات بر مبنای اعدد غیر فازی( اعداد قطعي)

تعداد نقص(رنگ، عطر و طعم، بافت، ماسيدگي، شكوفه شكر، حس دهاني و مواد خارجي)

اندازه نمونه

شماره گروه

2

50

1

6

50

2

1

50

3

1

50

4

4

50

5

1

50

6

1

50

7

4

50

8

1

50

9

4

50

10

1

50

11

1

50

12

1

50

13

1

50

14

6

50

15

1

50

16

13

50

17

9

50

18

15

50

19

1

50

20

4

50

21

2

50

22

2

50

23

1

50

24

7

50

25

1

50

26

1

50

27

1

50

28

2

50

29

1

50

30

 

 

 

   شکل‌های1 و2 نمودارکنترل تعداد نقص در30 گروه 50 تایی با اطلاعات قطعي (کنترل فرآیند کلاسیک) می‌باشند که نشان می‌دهد فرآیند از نظر نمودار C و U درکنترل نمی‌باشد و نمونه‌های 17 و 19 از کنترل خارج می‌باشند. 

 

 

img0 

شکل 1- نمودار کنترل تعداد نقص C اطلاعات قطعي

 

img0 

شکل 2-  نمودار کنترلU تعداد نقص بدون استفاده از اطلاعات قطعي

 

 

3-1- طراحی سیستم استنتاج فازی برای نمودارهای کنترلی

برای طراحی نمودارهای کنترل بر اساس سیستم استنتاج فازی، در مرحله اول بایستی ورودی­ها و خروجی­های سیستم استنتاج را مشخص نمود. با توجه به هدف تحقیق، خروجی سیستم نمودارهای کنترل فازی خواهد بود که به عنوان تک خروجی سیستم استنتاج فازی تلقی می­گردد. به منظور تعیین ورودی­ها با توجه به محصول شکلات که برای مطالعه در این پژوهش انتخاب شده، از استاندارد موجود در تعیین کیفیت شکلات استفاده شده است. ماهيت نقص هاي هفت گانه شکلات به شرح ذیل می باشد: 1- رنگ (باید دارای رنگ طبیعی کاکائو و عاری از هرگونه رنگ غیرطبیعی باشد)، 2- عطر و طعم (انواع شکلات باید دارای عطر و طعم (مزه و بو) مخصوص به خود باشد، این فرآورده باید بدون مزه و بوی خارجی، مانند: مزه و بوی ناشی از فساد روغن، کپک زدگی، صابونی، کهنگی، سوختگی و ترشیدگی باشد)، 3- بافت (انواع شکلات، باید دارای بافت همگن باشد و در دمای 18 تا 20 درجه سانتیگراد حالت برّاق و یکنواخت داشته باشد)، 4- ماسیدگی (انواع شكلات بايد عاری از حالت ماسیدگی در دهان باشد)، 5- شکوفه شکر (انواع شکلات باید بدون دانه های برآمده خاکستری رنگ مربوط به وجود شکوفه شکر باشد)، 6- حس دهانی (انواع شكلات بايد در هنگام خوردن آن و ذوب شدن آن، حس خنکی خاصی را ایجاد کند) ، 7- مواد خارجی (انواع شکلات باید عاری از هرگونه موادی به جز مواد تشکیل دهنده باشد). بدین منظور ورودی­های سیستم استنتاج فازی برای طراحی نمودار کنترل فازی دارای هفت ورودی رنگ، عطر و طعم، بافت، ماسیدگی، شکوفه شکر، حس دهانی و مواد خارجی خواهد بود. همچنین خروجی سیستم نمودار کنترل فازی می­باشد که به عنوان تنها خروجی سیستم بر اساس هدف پژوهش انتخاب شده است. بر همین اساس سیستم استنتاج فازی با هفت متغیر ورودی و یک متغیر خروجی به صورت شکل (3) در نرم­افزار متلب طراحی شده است.  

 

 

img0 

شکل3- مدل(سیستم استنتاج فازی) طراحی شده در این پژوهش

 

پس از طراحی سیستم استنتاج فازی نمودارهای کنترل، در ادامه فازی ­سازی متغیر­های ورودی و خروجی بر اساس       واژه های زبانی و اعداد فازی ذوزنقه­ای انجام شده است. در جدول (3) واژه­های زبانی و اعداد فازی معادل برای هفت متغیر رنگ، عطر و طعم، بافت، مواد خارجی، ماسیدگی، شکوفه شکر و حس دهانی نشان داده شده است. برای این متغیر­ها از یک طیف سه­گزینه­ای با فاصله­های یکسان استفاده شده است.

 

 

جدول 3- واژه­های زبانی و اعداد فازی معادل برای ورودی­های  سیستم

مواد خارجی

بافت

عطر و طعم

رنگ

عدد فازی معادل

نماد

کم

نسبتاً غیر همگن

مزه و بوی غیر طبیعی کم

ناخالصی کم

(3 2 0 0)

mf1

نرمال

نرمال

نرمال

نرمال

(8 7 3 2)

mf2

زیاد

کاملا غیر همگن

مزه و بوی طبیعی زیاد

ناخالصی زیاد

(10 10 8 7)

mf3

-

حس دهانی

شکوفه شکر

ماسیدگی

عدد فازی معادل

نماد

-

حس خنکی کم

شکوفه شکر کم

ماسیدگی کم

(3 2 0 0)

mf1

-

نرمال

نرمال

نرمال

(8 7 3 2)

mf2

-

بدون حس خنکی

شکوفه شکر زیاد

ماسیدگی زیاد

(10 10 8 7)

mf3

در جدول (4)  واژه­های زبانی و اعداد فازی معادل برای متغیر­ خروجی نشان داده شده است.

 

جدول 4-واژه­های زبانی و اعداد فازی معادل برای خروجی  سیستم

خروجی

کنترل

عدد فازی معادل

نماد

خارج از کنترل

(1 5/0 0 0 )

mf1

نسبتاً خارج از کنترل

( 2 5/1 1 5/0)

mf2

نسبتاً تحت کنترل

(3 5/2 2 5/1)

mf3

تحت کنترل

(5/7 7 3 5/2)

mf4

نسبتاً تحت کنترل

(5/8 8 5/7 7)

mf5

نسبتاً خارج از کنترل

(5/9 9 5/8 8)

mf6

خارج از کنترل

(10 10 5/9 9)

mf7

 

 

تدوین قوانین فازی، پس از فازی­سازی متغیر­هایی ورودی و خروجی انجام می­گیرد. برای این منظور می­توان از ترکیب ورودی­ها استفاده نمود.  با توجه به این‌که در سیستم ارائه شده، هفت متغیر ورودی وجود دارد که هر یک به سه واژه زبانی تقسیم شده­اند، بنابراین حداکثر تعداد قوانین قابل تدوین شده برابر باimg0 خواهد بود. در این رابطهimg0 نشان دهنده تعداد واژه­های زبانی و img0نشان دهنده تعداد متغیر­های ورودی سیستم خواهد بود. بنابراینimg0 قانون برای این سیستم وجود خواهد داشت که تعداد این قوانین بالا بوده و باعث پیچیدگی بیشتر سیستم خواهد شد. از طرفی مشخص کردن طرف نتیجه (آن‌گاه) پس از ترکیب قوانین به دلیل تعداد زیاد قوانین، برای خبرگان امکان­پذیر نخواهد بود. بر همین اساس برای تدوین قوانین استنتاج‌فازی از روش قواعد وابستگی GRI که از روش های تولید قانون بر اساس ورودی و خروجی (استخراج قوانین وابستگی از داخل داده­ها) می­باشد، استفاده شده است. برای این منظور از اپراتور خواسته شده است تا سه نمونه 30 تایی را بر اساس ورودی­ها و هم بر اساس خروجی نمره­گذاری نماید. داده­ها وارد نرم­افزار SPSS Celementine شده و تحلیل بر اساس این نرم­افزار انجام گرفته است. در مرحله اول خروجی روش GRI 185 قانون بوده است که در این مرحله بر اساس درصد اطمینان بالای50 درصد برای هر قانون، 85 قانون وابستگی از مجموع قوانین حذف شده و در نهایت 100 قانون با درصد اطمینان بالای 50 درصد باقیمانده است که این قوانین به عنوان قوانین نهایی وارد بخش قوانین سیستم استنتاج فازی در نرم­افزار متلب شده است. برخی از قوانین تولید شده به همراه درصد اطمینان و مقدار پشتیبانی در جدول (5) نشان داده شده است.

 

 

جدول5- بخشی از قوانین وابستگی استخراج شده از روش GRI

شماره قانون

درصد اطمینان

درصد پشتیبانی

مقدم

نتیجه

1

100

44/44

اگر بافت شکلات نسبتاً غیر همگن باشد

آنگاه فرآیند خارج از کنترل خواهد بود

2

100

33/33

اگر شکوفه شکر شکلات کم باشد

آنگاه فرآیند خارج از کنترل خواهد بود

3

100

33/33

اگر ماسیدگی شکلات نرمال و شکوفه شکر شکلات زیاد باشد

آنگاه فرآیند نسبتاً تحت کنترل خواهد بود

4

100

23/52

اگر بافت شکلات نرمال و شکوفه شکر شکلات زیاد باشد

آنگاه فرآیند نسبتاً تحت کنترل خواهد بود

5

100

23/52

اگر بافت شکلات نرمال و ماسیدگی شکلات نرمال باشد

آنگاه فرآیند تحت کنترل خواهد بود

6

100

23/52

اگر عطر و مزه شکلات نرمال و شکوفه شکر شکلات نرمال باشد

آنگاه فرآیند تحت کنترل خواهد بود

7

100

23/52

اگر عطر و مزه شکلات نرمال، ماسیدگی شکلات نرمال و شکوفه شکر نرمال باشد

آنگاه فرآیند تحت کنترل خواهد بود

8

100

33/33

اگر عطر و مزه شکلات نرمال و بافت شکلات نرمال باشد

آنگاه فرآیند تحت کنترل خواهد بود

9

100

33/33

اگر عطر و مزه شکلات نرمال و شکوفه شکر شکلات نرمال باشد

آنگاه فرآیند تحت کنترل خواهد بود

10

100

33/33

اگر رنگ شکلات نرمال، ماسیدگی شکلات نرمال و شکوفه شکر شکلات نرمال باشد

آنگاه فرآیند تحت کنترل خواهد بود

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

97

50

22/22

اگر ماسیدگی شکلات کم، شکوفه شکر شکلات کم و حس دهانی دارای خنکی کمی باشد

آنگاه فرآیند خارج از کنترل خواهد بود

98

50

22/22

اگر بافت شکلات نسبتاً غیر همگن و مواد خارجی در شکلات کم باشد

آنگاه فرآیند خارج از کنترل خواهد بود

99

50

22/22

اگر بافت شکلات نسبتاً غیر همگن، شکوفه شکلات کم و مواد خارجی در آن کم باشد

آنگاه فرآیند خارج از کنترل خواهد بود

100

50

22/22

اگر بافت شکلات نسبتاً غیر همگن، ماسیدگی شکلات کم و شکوفه شکر در آن کم باشد

آنگاه فرآیند خارج از کنترل خواهد بود

 

 

نتایج جدول(5) نشان می­دهد که با استفاده از روش استخراج قواعد وابستگی GRI 100 قانون استخراج شده، که این قوانین وارد بخش قوانین سیستم استنتاج فازی شده است. از تست‌هایی که به منظور اطمینان از مناسب بودن سیستم طراحی شده انجام می­گیرد، تست عددی و یا به عبارت بهتر اطمینان از میزان خطای خروجی سیستم طراحی شده می­باشد. برای این منظور خروجی مورد انتظار در هر قانون با خروجی سیستم مقایسه شده و میانگین خطای سیستم محاسبه می­­شود. میانگین خطای سیستم که در حقیقت مجذور میانگین مربعات خطا یا MSE می­باشد، به طور معمول هر چقدر به صفر نزدیک باشد مناسب خواهد بود. محاسبات مربوط به تست عددی در جدول (6) نشان داده شده است.

 

 

جدول6- نتایج مربوط به تست عددی سیستم طراحی شده

img0 

خروجی سیستم

خروجی مورد انتظار

شماره قانون

img0 

img0 

0

1

1

1

0

9

9

2

0

8

8

3

1

7

8

4

25/0

5/7

7

5

0

6

6

6

0

6

6

7

1

5

4

8

0

5

5

9

0

5

5

10

1

10

9

11

1

4

5

12

0

8

8

13

.

.

.

.

.

.

.

.

.

.

.

.

25/0

0

5/0

96

0

0

0

97

0

0

0

98

0

0

0

99

0

0

0

100

13/0

مقدار MSE

 

 

نتایج مربوط به تست عددی سیستم نشان می­دهد که مقدار خطای به دست آمده برای سیستم طراحی شده برابر 13/0 است که نشان دهنده خطای پایین در سیستم طراحی شده  می باشد. برای بررسی تحت کنترل بودن هر یک از نمونه­ها از 

 

 

هر ویژگی بر اساس منطق موجود در متوسط تعداد نقص، میانگین گرفته شده است که در این بخش نیز برای هر هفت ویژگی میانگین فازی محاسبه شده است. نتایج میانگین­های فازی در جدول (7) نشان داده شده است.

 

 

جدول 7- میانگین فازی نمونه اول

مقدار قطعی

میانگین فازی نمونه اول

ویژگی

15/5

(02/8

08/7

24/3

30/2)

رنگ

11/5

(80/7

80/6

90/3

92/1)

عطر و طعم

80/4

(40/7

40/6

64/3

76/1)

بافت

00/5

(94/7

96/6

04/3

06/2)

ماسیدگی

10/5

(68/7

72/6

96/3

04/2)

شکوفه شکر

95/4

(60/7

60/6

76/3

84/1)

حس دهانی

00/5

(88/7

92/6

08/3

12/2)

مواد خارجی

-

(76/7

78/6

51/3

2)

میانگین فازی

 

 

 

پس از محاسبه مقدار دیفازی شده هر یک از نمونه­ها، داده­ها وارد سیستم گردیده و تحت کنترل بودن این نمونه بررسی شده است. نتایج در شکل (4) نشان داده شده است.

 

 

img0 

شکل4- نتایج بررسی تحت کنترل بودن( نقص یا عدم نقص) یک نمونه بر اساس سیستم استتاج فازی

 

 

نتایج شکل (4) نشان می­دهد که مقدار به دست آمده برابر 5 می‌باشد که دقیقا در میانه نمودار کنترل خروجی قرار گرفته است. شکل (5) نشان دهنده این وضعیت است.

 

 

 

img0 

شکل5- مقدار خروجی مدل برای نمونه اول

 

 

با توجه به اینکه در این تحقیق مد و میانه فازی هدف بوده است، لذا برای نمونه اول مد فازی برابر] 78/6 و 51/3[     می­شود که مقدار به دست آمده داخل این حدود کنترل قرار داشته و برای نمونه اول می­توان عنوان نمود که فرآیند تحت کنترل بوده است. بر اساس میانه فازی (17/7 78/6 51/3 91/2) که با استفاده از برش آلفا برای حدود کنترل به دست آمده و قطعی شده نشان دهنده مقدار 096/5 می­باشد، که این مقدار دقیقاً منطبق بر این ناحیه قرار دارد.  نتایج مربوط به 30  نمونه بر اساس ورودی­ و خروجی سیستم طراحی شده به همراه با تحت کنترل بودن یا نبودن هر یک از نمونه­ها در جدول(8) نشان داده شده است.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

جدول8- نتایج مربوط به 30 نمونه 50 تایی

 

شماره نمونه

                مقادیر ورودی

خروجی سیستم

تصمیم گیری

رنگ

عطر و طعم

بافت

ماسیدگی

شکوفه شکر

حس دهانی

مواد خارجی

1

15/5

85/4

55/4

00/5

85/4

70/4

00/5

00/5

تحت کنترل

2

85/4

63/4

10/4

93/4

48/4

18/4

63/4

00/4

تحت کنترل

3

70/4

55/4

48/4

93/4

55/4

10/4

40/4

45/4

تحت کنترل

4

00/5

03/4

18/4

85/4

78/4

40/4

18/4

55/4

تحت کنترل

5

45/5

60/5

08/5

15/5

93/4

38/5

15/5

21/4

تحت کنترل

6

75/5

65/5

93/4

25/6

55/6

65/4

18/5

55/5

تحت کنترل

7

80/6

98/7

35/5

68/7

35/4

55/5

68/5

00/5

تحت کنترل

8

65/6

10/7

18/4

69/4

36/5

86/5

36/7

00/5

تحت کنترل

9

43/6

05/6

92/4

03/5

33/4

25/5

60/5

00/5

تحت کنترل

10

90/5

10/4

93/4

48/4

18/4

20/6

23/8

49/5

تحت کنترل

11

13/6

35/6

53/7

68/6

03/6

55/5

63/7

85/5

تحت کنترل

12

25/7

65/6

15/8

05/6

58/6

15/8

13/6

25/6

تحت کنترل

13

98/5

88/5

17/5

83/5

82/7

63/6

68/7

14/6

تحت کنترل

14

90/5

70/5

65/6

83/5

65/4

65/6

35/4

25/5

تحت کنترل

15

05/6

35/5

18/4

53/5

78/4

40/4

84/4

93/4

تحت کنترل

16

13/6

83/4

08/5

15/5

13/4

48/5

65/4

87/4

تحت کنترل

17

38/8

45/8

38/8

48/7

23/8

85/7

53/8

68/7

نسبتاً تحت کنترل

18

68/5

65/7

87/6

83/6

36/7

03/4

10/4

58/5

تحت کنترل

19

00/5

68/5

53/8

25/9

68/8

53/8

38/8

14/9

خارج از کنترل

20

23/5

53/5

45/5

57/6

05/6

75/5

60/5

45/5

تحت کنترل

21

00/5

38/5

16/5

90/5

23/5

93/4

70/7

14/5

تحت کنترل

22

93/4

55/6

46/5

63/5

48/5

68/4

63/7

36/5

تحت کنترل

23

48/5

45/4

36/4

68/6

18/4

96/3

45/5

82/4

تحت کنترل

24

83/6

03/4

69/7

03/4

63/5

58/4

38/5

37/5

تحت کنترل

25

93/5

18/5

38/8

55/4

23/5

68/6

30/5

18/5

تحت کنترل

26

10/4

93/4

48/4

18/4

45/8

55/7

23/8

05/5

تحت کنترل

27

20/6

58/7

23/4

55/4

65/5

18/4

78/4

35/5

تحت کنترل

28

45/4

85/4

86/7

68/4

46/5

56/6

23/6

05/5

تحت کنترل

29

10/4

93/4

48/4

18/4

10/4

63/5

18/5

93/4

تحت کنترل

30

25/4

30/5

64/7

36/7

33/4

83/5

48/5

00/5

تحت کنترل

 

 

 

 

 

 

نتایج جدول(8) نشان می­دهد که از مجموعه30 نمونه‌ای نمونه هفدهم در شرایط نسبتاً تحت کنترل و نمونه نوزدهم خارج از کنترل قرار گرفته است. از نمونه­های نسبتاً تحت کنترل می­توان در جهت درجه­بندی محصولات استفاده نمود. همان‌گونه که در بخش قبلی نیز بیان شد، با توجه به اینکه در این پژوهش مد و میانه فازی مد نظر بوده است؛ لذا برای تبیین بهتر وضعیت سیستم طراحی شده، مد و میانه هر یک از ورودی­ها محاسبه و از طریق خروجی سیستم مورد مقایسه قرار گرفته است که نتایج در جدول (9) نشان داده شده است.

 

 

جدول 9- نتایج مد و میانه فازی برای نمونه 30 تایی

شماره نمونه

مد فازی

میانه فازی

تصمیم­گیری

1

[3.51, 6.78]

5.09

تحت کنترل

2

[3.05, 6.25]

4.98

تحت کنترل

3

[3.14, 6.02]

4.59

تحت کنترل

4

[3.18, 6.28]

4.68

تحت کنترل

5

[3.08, 6.30]

4.23

تحت کنترل

6

[3.55, 6.80]

5.68

تحت کنترل

7

[3.51, 6.80]

5.09

تحت کنترل

8

[3.49, 6.78]

5.11

تحت کنترل

9

[3.51, 6.78]

5.09

تحت کنترل

10

[3.65, 6.80]

5.74

تحت کنترل

11

[3.71, 6.85]

5.91

تحت کنترل

12

[3.64, 6.87]

5.09

تحت کنترل

13

[3.58, 6.81]

5.21

تحت کنترل

14

[3.90, 6.79]

5.22

تحت کنترل

15

[3.41, 6.67]

4.79

تحت کنترل

16

[3.51, 6.80]

5.09

تحت کنترل

17

[7.23, 8.44]

8.09

نسبتاً تحت کنترل

18

[3.94, 6.98]

5.68

تحت کنترل

19

[8.63, 9.92]

9.53

خارج از کنترل

20

[3.49, 6.68]

5.09

تحت کنترل

21

[3.55, 6.81]

5.21

تحت کنترل

22

[3.64, 6.90]

5.42

تحت کنترل

23

[3.22, 6.49]

4.96

تحت کنترل

24

[3.80, 6.84]

5.42

تحت کنترل

25

[3.44, 6.72]

5.28

تحت کنترل

26

[3.53, 6.82]

5.18

تحت کنترل

27

[3.63, 6.84]

5.42

تحت کنترل

28

[3.51, 6.80]

5.18

تحت کنترل

29

[3.05, 6.25]

5

تحت کنترل

30

[3.48, 6.76]

5

تحت کنترل

 

 

نتایج جدول (9) نشان می­دهد که سیستم طراحی شده قادر است با در نظر گرفتن مد و میانه فازی، تحت کنترل و یا خارج از کنترل بودن فرآیند را نشان دهد.

 

3-2- بحث و مقایسه با برخی از پژوهش های پیشین

پژوهش‌‌هاي انجام شده مانند مطالعه ارتگرل و آیتک1 (2009) كه نمودارهاي کنترل را با استفاده از روش‌‌هاي احتمالی و فازي با هدف ترکیب کنترل کیفیت‌آماري با تئوري مجموعه‌‌هاي فازي را انجام دادند، نمودارهاي آماري فازي را براي متغیرها ارائه داده و از روش میان دامنه فازي در سطح آلفا استفاده کرده‌‌اند. همچنين با نتايج تحقیق گولبای و دیگران2 (2004) كه نمودارهای کنترل فازی معرفی شده توسط وانگ و رز را برای سطح α برای وصفی‏ها پیشنهاد دادند.  گولبای و قهرمان3 (2006) پس از ارائه نمودارهای کنترل فازی، برای شناسایی عوامل‏ غیرنرمال داده‏هایی که درون حدود کنترلی قرار داشتند، به معرفی قواعد فازی‏ تشخیص‏دهنده الگوی غیرطبیعی پرداختند. هدف آنان بهبود سیستم کنترل و شناسایی دقیق‏ وضعیت‏های خارج از کنترل بدون غیرفازی کردن بود. کیم، پارک، جی و پارک4 (1997) در مقاله‌ای با عنوان"رویکردی جدید برای مدل سازی فازی"  یک رویکرد جدید برای مدل‌سازی فازی پیشنهاد می‌کنند. مدل فازی پیشنهادی می‌تواند یک سیستم مجهول معین را با چند قانون فازی و همچنین مدل تاکاگی و سوگنو5 (1985) بیان کند، زیرا ساختاری مشابه با مدل تاکاگی و سوگنو دارد. اسماعیل پور و همکاران (1388) مدل کنترل فرآیند آماري فازي با روش مد فازي براي کنترل تعداد نقص‌هاي محصول، توسعه نمودار آماري فرآیند فازي نسبت نقص ها ارائه کردند. مرادی طادی و آوخ دارستانی (1393) طی پژوهشی دریافتند که نمودارهای کنترل شوهارت، مهم ترین ابزارهای کنترل کیفیت آماری هستند که نقش مهمی در بازرسی وکنترل کیفیت محصولات دارد. در نمودار کنترل ‌آماری برای داده‌های قطعی مفهوم کیفیت محصول توسط یک تابع دو عضوی صفر و یک به صورت درست یا نادرست بیان شده‌است.کایا، اردوغان و یلدیز6 (2017) دریافتند که تشخیص تغییرات در یک فرآیند در کوتاه‌ترین زمان مزایای قابل توجهی از نظر هزینه و کیفیت را به همراه دارد. هنگام در نظر گرفتن هزینه‌ای که به دلیل تاخیر در شناسایی تغییرپذیری ظاهر می‌شود، تشخیص انحراف در فرآیند به طور دقیق و سریع برای سرمایه گذاران اهمیت زیادی دارد که درتحقیق خود یک نمودار کنترل فازی برای اندازه‌گیری‌های فردی (FCCIM) برای استفاده در تعیین و کنترل در متغیرهای شاخص BIST-   30 پیشنهاد داده‌اند. وانگ، پارک، شی، ژانگ و شای7 (2019) در تحقیق خود توجه اصلی‌شان را بر روی مشکلات پایداری و تثبیت یک کلاس از سیستم‌های آشوب‌زده (CSs) را با مدل فازی تاکاگی- سوگنو و نمونه‌برداری غیریکنواخت قرار دادند. این پروتکل داده‌های نمونه‌گیری فازی را بر اساس یک ایده تغییر یافته طراحی می‌کند تا مشکل پایداری چنین سیستم‌هایی را حل کند. جوزف دومبی و ابرار حسین8 (2020) در تحقیق خود به یک کنترل‌کننده فازی با استفاده از محاسبات فازی و نوع جدیدی از تابع عضویت دست یافتند که روش جدید کنترل فازی پیشنهادی در مقایسه با تکنیک‌های کلاسیک بسیار ساده، سریع و از نظر محاسباتی کارآمد است و همچنین می‌تواند با پویایی فرآیند سازگار شود.

 

4- نتیجه گیری

در سیستم طراحی شده می‌توان از تجربه كارشناسان صنايع برای تعيين درجه سخت‌گيري در هر رديابي استفاده نمود. در حالی که این امر در روش کلاسیک وجود ندارد. به عبارتی بازرسین بخش کیفیت می‌توانند بر اساس نظر کارشناسان و یا تغییر در استانداردهای مورد نیاز محصول شکلات، میزان سخت‌گیری را کم و یا زیاد نمایند. همچنین بر اساس سیستم طراحی شده می‌توان شرايط فرآيند توليد و مواد اوليه در هر رديابي را تحت تأثیر قرار داد. این امر بیشتر از آن جایی نشأت می‌گیرد که برای بررسی نقص و به عبارتی در کنترل بودن فرآیند تولید، از هر هفت معیار استاندارد مورد نیاز برای محصول شکلات به عنوان ورودی استفاده می‌گردد که می‌توان هر یک از آن ها را در فرآیند کنترل به تنهایی مورد توجه قرار داده و ارزیابی نمود. در حالی که این امر در نمودارهای کنترل کلاسیک امکان‌پذیر نخواهد بود. در سیستم طراحی شده حساسيت و دقت نتایج با توجه به این موضوع که در روش كلاسيك، نمونه‌ها بعضاً نزدیک حدود کنترل می‌باشند، ولی به دلیل اختلاف اندک با حدود کنترل(بیشتر یا کمتر بودن از حد بالا و پایین)، به عنوان یک محصول خارج از کنترل در نظر گرفته می‌شوند، اما در روش فازي می‌توان   آن ها را "نسبتاً تحت كنترل" معرفي کرد. در واقع روش‌فازی و به خصوص مد فازي بر اساس درصدي از مد فازي نمونه‌ها كه درون يا بيرون حدود كنترل فازي نشان داده شده، ميزان تحت كنترل يا خارج از كنترل بودن نمونه‌ها را در قالب چهار اصطلاح زباني بيان مي‌كند. شكستن طبقه‌هاي كلاسيك كه به معناي تقسيم‌بندي واقعي‌تر محصولات است و دسته‌بندي آنها در چهار سطح به جاي دو سطح، گزينه‌هاي تصميم‌گيري بيشتري را در اختيار تصميم‌گيرندگان قرار می‌دهد که این امر باعث افزایش انعطاف‌پذيري و حساسيت و دقت نتایج در مواجهه با بازارها و مشتري‌هاي مختلف افزايش مي‌دهد.

 

5- منابع

1. اسماعیل‌پور ر،  رمضانیان م، کاظم اف ف. ارائه مدل کنترل فرآیند آماري فازي با روش مد فازي براي کنترل تعداد نقص هاي محصول. نشریه مدیریت صنعتی. 1388؛1(2): 18-3. 

2. جعفرنژاد، ا.، قاسمیان صاحبی، ا.، معصومی، ب.، و رفعتی، آ. 1398. تحلیل روابط میان عوامل حیاتی موفقیت کنترل فرآیند آماری. چهارمین کنفرانس بین المللی مدیریت صنعتی، یزد.

3. علینژاد خ، دباغ ر، شیرزاد ا. کنترل کیفیت آماری بر‌اساس شاخص کارایی فرآیندها و نمودارهای کنترل با رویکرد فازی (مطالعه موردی: شرکت‌ آب و فاضلاب شهری استان آذربایجان غربی). نشریه مهندسی عمران امیرکبیر. 1398؛ 51(4): 712-699. 

4. فراز، ع. 1390. بناسازی نمودار کنترل آماری– فازی فرآیند. تحقیق در عملیات در کاربردهای آن (ریاضیات کاربردی)، 54-45.

5. مرادی طادی، ا. و آوخ دارستانی، س. 1393. توسعه‎ی نمودار کنترل IX-MR با استفاده از روش مد فازی. کنفرانس بین المللی مهندسی، هنر و محیط زیست.

6. Dombi J, Hussain A. A new approach to fuzzy control using the distending function. Journal of Process Control.  2020; 86: 16-29.

7. Ertugrul  İ, Aytac E. Construction of quality control charts by using probability and fuzzy approaches and an application in a textile company. Journal of intelligent manufacturing. 2009; 20(2): 139-149.

8. Gulbay M, Kahraman C. Development of fuzzy process control charts and fuzzy unnatural pattern analyses. Computational statistics & data analysis. 2006; 51(1): 434-451.

9. Gulbay M, Kahraman C, Ruan D. α‐Cut fuzzy control charts for linguistic data. International journal of intelligent systems. 2004; 19(12): 1173-1195.

10. Kaya I. Construction of u Control Chart by Type-2 Fuzzy Sets, Proceedings Of the 4th International E-Conference on Advances in Engineering, Technology and Management –ICETM. 2021: 138-143.

11. Kaya, I., Devrim, E., Baracli, H. 2022. Design of Attributes Control Charts for Defects Based on Type-2 Fuzzy Sets with Real Case Studies from Automotive Industry.1173-1195.

12. Kaya I, Erdogan M, Yıldız C. Analysis and control of variability by using fuzzy individual control charts. Applied Soft Computing. 2017; 51: 370-381.

13. Kaya I, Turgut A. Design of variable control charts based on type-2 fuzzy sets with a real case study. Soft Computing. 2021; 25(1): 613-633.

[1] 1-Ertugrul et al.

[2] 2-Gulbay et al.

[3] 3-Gulbay and Kahraman

[4] 4-Kim et al.

[5] 5- Takagi and Sugeno

[6] 6- Kaya et al.

[7] 7- Wang et al.

[8] 8- Dombi and Hussain

 

14. Kim E, Park M, Ji S, Park M. A new approach to fuzzy modeling. IEEE Transactions on fuzzy systems. 1997; 5(3): 328-337.

15. Sugeno M, Yasukawa T. A fuzzy-logic-based approach to qualitative modeling. in IEEE Transactions on Fuzzy Systems. 1993;1(1): 7. 

 

 

16. Wang  X, Park  J. H, She K, Zhong  S, Shi  L. Stabilization of chaotic systems with T–S fuzzy model and nonuniform sampling: A switched fuzzy control approach. IEEE Transactions on Fuzzy Systems. 2018; 27(6): 1263-1271.

 

 

 

 


مقالات مرتبط

حقوق این وب‌سایت متعلق به سامانه مدیریت نشریات دانشگاه آزاد اسلامی است.
حق نشر © 1403-1400

صفحه اصلی| عضویت/ ورود| درباره سند| تماس با ما|
[English] [العربية] [en] [ar]