fa شناسایی نقطه تغییر در بردار میانگین فرآیند نرمال دومتغیره با تغییرات مونوتونیک سایر موضوعاتی که به مرزهای دانش در مهندسی صنایع و تولید کمک می کند Other related Industrial and production reserach subjects in which has direct relation to the state-of-the art of the IE پژوهشي Research <a name="_ftnref1"> </a><u /><u />زمانی که نمودارکنترل شرایط خارج از کنترل را نشان می دهد، جستجو برای شناسایی و حذف علت/علل انحراف آغاز می شود. شناسایی زمان ایجاد انحراف در فرآیند که از آن به عنوان "نقطه تغییر" نام برده می شود می تواند یک اقدام موثر در شناسایی و حذف اثربخش علت/علل ایجاد انحراف دریک فرآیند محسوب شود. زمانی که از یک بردار مشخصه­های کیفی جهت کنترل یک فرآیند استفاده می شود آنگاه شناسایی نقطه تغییر به تنهایی نمی توان د در شناسایی و حذف علت/علل ایجاد شرایط خارج از کنترل موثر واقع شود. بعبارت دیگر، در فرآیند های چند متغیره لازم است علاوه بر شناسایی نقطه تغییر، متغیر(هایی) که موجب ایجاد حالت خارج از کنترل شده اند نیز شناسایی شوند تا بتوان به طور اثربخش اقدامات بهبود را انجام داد. در این مقاله برای اولین بار با استفاده از شبکه عصبی مدلی ارائه می شود که بدون آنکه نوع تغییرات بردار میانگین یک فرآیند دانسته انگاشته شود، با فرض آنکه تغییرات فوق وابسته به تغییرات مونوتونیک باشند و یا تغییرات بصورت نامنظم افزایشی/کاهشی در فرآیند ظاهرشوند، می تواند علاوه بر تشخیص متغیری که موجب خارج از کنترل شدن فرآیند شده است، نقطه تغییر را نیز برای یک فرآیند نرمال دو متغیره شناسایی نماید. مدل فوق برای ترکیبات مختلف تغییر در میانگین متغیرها با ضرایب همبستگی متعدد، با دو شاخص "نرخ خطا" و " متوسط طول دنباله "مورد ارزیابی قرار گرفته است . <br clear="all" > <p> <i> When a control chart shows an out-of-control condition, a search begins to identify and eliminate the root cause(s) of the process disturbance. The time when the disturbance has manifested itself to the process is referred to as change point. Identification of the change point is considered as an essential step in analyzing and eliminating the disturbance source(s) effectively. When a process control is based on a quality characteristic vector, identification of the change point alone would not help practitioners to an effective elimination of the source(s) contributing to the out-of-control condition. This paper provides a control scheme based on artificial neural networks to identify the change point in a mean vector when the change type is monotonic and at the same time allows one to perform effective diagnostic analysis to identify the variable(s) responsible for the change in a bivariate process. To the best of our knowledge, this the first time that an artificial neural networks scheme is presented to identify the change point and simultaneously perform diagnostic analysis in a multivariate environment when a monotonic change appears in the mean vector. Average run length criterion is used as a vehicle to investigate the performance of the proposed scheme numerically under different correlation structure. Simulation results indicate effective performance for the proposed scheme. </i></p> Change point, Artificial neural networks, Control chart, Average run length 1 13 http://ijiepm.iust.ac.ir/browse.php?a_code=A-10-1-86&slc_lang=fa&sid=1 Karim Atashgar Atashgar@iust.ac.ir 180031947532846007141 180031947532846007141 No Rassoul Noorossana Rassoul@iust.ac.ir 180031947532846007142 180031947532846007142 Yes