دانشگاه اصفهان پژوهش در مدیریت تولید و عملیات 2981-0329 5 2 2014 09 23 Monitoring Variability of Multivariate-Attribute Processes Using Artificial Neural Network پایش تغییرپذیری فرآیندهای چند مشخصه وصفی و متغیر با استفاده از شبکه عصبی مصنوعی 36 21 19829 FA امیرحسین امیری دانشیار دانشکده فنی و مهندسی گروه مهندسی صنایع، دانشگاه شاهد، تهران محمد رضا ملکی کارشناس ارشد مهندسی صنایع، دانشکده فنی ومهندسی دانشگاه شاهد، تهران محمد هادی دورودیان دانشجوی دکتری مهندسی صنایع، دانشکده فنی و مهندسی دانشگاه یزد، یزد Journal Article 2016 06 14 Nowadays in some manufacturing processes, the quality of a product or process is well expressed by both correlated attribute and variable quality characteristics. To best of our knowledge, there is no method for monitoring the covariance matrix of multivariate<strong>-</strong>attribute quality characteristics. In this paper, we propose a multi-layer perception artificial neural network to monitor multivariate-attribute processes as well as to diagnose the quality characteristic(s) responsible for out-of-control signals. The performance of the proposed method is evaluated through a numerical example from both detection and diagnosis perspectives. In addition, the performance of the proposed neural network in detecting shifts in the variance of quality characteristics is compared with two statistical methods first proposed for monitoring the variability of multivariate quality characteristics and developed in this paper for our problem. The results of numerical example show that the proposed artificial neural network outperforms the extended statistical methods in detecting different out-of-control shifts. The results also confirm that the performance of the proposed neural network in identifying the quality characteristic(s) responsible for out-of-control signal is satisfactory. <span lang="FA">امروزه در برخی محیط‏های تولیدی</span><span lang="FA">یا خدماتی، کیفیت محصول یا عملکرد فرآیند به وسیله ترکیبی از مشخصه‏های کیفی متغیر و وصفی همبسته توصیف می‏گردد. بر اساس آخرین اطلاعات مؤلفان، تا کنون هیچ روشی برای پایش ماتریس واریانس- کوواریانس این گونه فرآیندها ارائه نشده است. در این مقاله، یک شبکه عصبی مصنوعی برای پایش تغییرپذیری یک فرآیند چند مشخصه وصفی و متغیر ارائه شده است. شبکه ارائه شده نه تنها قادر به کشف وضعیت‏های خارج از کنترل بوده، بلکه می تواند مشخصه /مشخصه‏های عامل انحراف در فرآیند را نیز شناسایی کند. کارایی روش ارائه شده با استفاده از یک مثال عددی بر اساس معیارهای متوسط طول دنباله و درصد تشخیص­ درست مشخصه /مشخصه‏های کیفی عامل انحراف بررسی شده است. همچنین عملکرد شبکه طراحی شده در پایش ماتریس واریانس- کوواریانس فرآیندهای چند مشخصه وصفی و متغیر با دو روش آماری پایش ماتریس واریانس- کوواریانس برای مشخصه‏های کیفی متغیر که در این مقاله برای پایش فرآیندهای چند متغیره- چند مشخصه توسعه داده شده اند، مقایسه شده است. نتایج مثال عددی نشان می‏دهد که شبکه عصبی طراحی شده عملکرد بهتری در کشف وضعیت‏های مختلف خارج از کنترل نسبت به روش های آماری توسعه داده شده دارد و همچنین به خوبی قادر به تشخیص مشخصه(های) کیفی عامل انحراف در فرآیند است.</span> https://jpom.ui.ac.ir/article_19829_7a091826d926eed5a62ea0f29ed9990b.pdf