نشریه بین المللی مهندسی صنایع و مدیریت تولید

---

هدف اصلی تحقیقات صورت گرفته در زمینه‌ی کنترل فرآیند آماری چند متغیره، درنظر گرفتن همبستگی بین چندین مشخصه کیفی برای یک مرحله از فرآیند است. در فاز دوم رویه کنترل فرآیند چندمتغیره با استفاده ازحدود کنترلی بدست آمده از فاز اول و مشاهدات آتی، تحت کنترل بودن ادامه فرآیند بررسی می‌شود، یافتننقاط پرتفاز اول قبل از محاسبه حدود کنترلی برای حصول نتیجه مناسبدارای اهمیت بالاست. تکنیک‌های متفاوتی جهت شناسایی این نقاط انحرافی ارائه شده است که اکثر این الگوریتم‌ها به نمونه تصادفی اولیه وابسته می‌باشد که این نقطه شروع تصادفی می‌تواند بر دقت الگوریتم و جواب نهایی مسئله تأثیرگذار باشد. در این مقاله برآوردگری باثبات با استفاده از تکنیک خوشه‌بندی سلسله مراتبی ارائه می‌شود که تحت تأثیر داده‌های انحرافی در نمونه یا داده‌های نامتعارف نسبت به فرضیات مدل قرار نمی‌گیرد و نقاط پرت موجود در فاز اول نمودارهای کنترلی چندمتغیره را شناسایی و حذف می-کند. در نهایت با ایجاد سناریوهای مختلف از نقاط پرت و انحرافی، روش پیشنهادی مورد سنجش قرار گرفته و نتیجه کار با روش‌های هتلینگ کلاسیک و برآوردگر حداقل دترمینان کواریانس مقایسه گردیده است. ارزیابی‌ها نشان می‌دهد که روش پیشنهادی نسبت به تحقیقات قبلی انجام شده در این زمینه، با مدت زمان کمتری، نقاط پرت و انحرافی بیشتری را شناسایی می‌کند.

---

شاخص‌های قابلیت فرآیند به عنوان یک ابزار کارای مهندسی کیفیت به منظور مقایسه صدای فرآیند و صدای مشتری استفاده می‏شوند و به کمک آنها می‌توان توان بالقوه و کارآیی عملیاتی فرآیندها را در تامین انتظارات مشتریان ارزیابی کرد. استقلال مشاهدات از متداول‌ترین مفروضات اکثر شاخص‌های قابلیت فرآیند است. اما با پیشرفت تکنولوژی‌های نمونه‌برداری و استفاده وسیع‌تر از انواع حسگرها، دفعات نمونه‌گیری افزایش و فواصل بین نمونه‌گیری کاهش یافته است که نتیجه آن افزایش حجم نمونه‌های در اختیار و استخراج الگوهای همبستگی میان اطلاعات نمونه‌ای است. طبیعی است در این شرایط فرض استقلال مقادیر نمونه‌ای نقض می‏شود. در این مقاله برای فرآیندهای خودبرگشتی مرتبه اول، برآورد فاصله‏ای معروفترین شاخص‌های توانایی فرآیند با بهره‌گیری از دو روش بوت‌استرپ محاسبه شده است تا عملکرد این روش‌ها توسط دو شاخص مهم متوسط درصد پوشش و متوسط طول فاصله اطمینان با بهره‌گیری از روش شبیه‌سازی شود. نتایج شبیه‌سازی نشان داد که روش بوت‌استرپ استاندارد غالباً عملکرد بهتری نسبت به روش بوت‌استرپ صدکی دارد. همچنین، نشان داده شد که دسترسی به حجم قابل ملاحظه‌ای از داده‌ها منجر به حصول متوسط درصد پوشش نزدیک به سطح اطمینان اسمی و متوسط طول فاصله اطمینان کوچکتر با دقت بیشتر خواهد شد. در نهایت، مثالی کاربردی برای مشاهدات واقعی نشان داد که این روش‌ها از عملکرد مناسبی برخوردارند.