Σύγχρονα Διαγράμματα Ελέγχου για Χρόνους Μεταξύ Συμβάντων

Modern Control Charts for Monitoring Time Between Events (TBE) (Αγγλική)

  1. MSc thesis
  2. Παπαλεξίδης, Νικόλαος
  3. Διαχείριση και Τεχνολογία Ποιότητας (ΔΙΠ)
  4. 19 Σεπτεμβρίου 2021 [2021-09-19]
  5. Ελληνικά
  6. 125
  7. Ρακιτζής, Αθανάσιος
  8. Καλλιώρας, Αθανάσιος
  9. Διαγράμματα Ελέγχου | Control Charts | Διάγραμμα Ελέγχου Generalized Weighted Moving Average (GWMA) | Generalized Weighted Moving Average (GWMA) Control Chart | Διάγραμμα Ελέγχου Double GWMA (DGWMA) | Double GWMA (DGWMA) Control Chart | Διάγραμμα Ελέγχου Progressive Mean (PM) | Progressive Mean (PM) Control Chart | Διάγραμμα Ελέγχου Double Progressive Mean (DPM) | Double Progressive Mean (DPM) Control Chart | Κατανομή Weibull | Weibull Distribution | Χρόνοι Μεταξύ Συμβάντων | Time Between Events (TBE)
  10. 3
  11. 3
  12. 26
  13. Περιέχει : πίνακες, σχήματα
  14. Γεωργακάκος, Γ. (2002). Προηγμένα Εργαλεία και Μέθοδοι για τον Έλεγχο της Ποιότητας, Τόμος Α’: Στατιστικός Έλεγχος Διεργασίας
    • Τα διαγράμματα ελέγχου (ΔΕ) χρησιμοποιούνται στο στατιστικό έλεγχο διεργασιών για την παρακολούθηση και ανίχνευση μεταβολών που έχουν υπεισέλθει στα χαρακτηριστικά μιας διεργασίας. Ειδικά στις διεργασίες υψηλής αξιοπιστίας, στις οποίες τα γεγονότα εμφανίζονται με μικρή συχνότητα, εφαρμόζονται τα ΔΕ για χρόνους μεταξύ συμβάντων (Time Between Events – TBE). Σε αυτήν την εργασία σχεδιάζουμε και εξετάζουμε τα ΔΕ Generally Weighted Moving Average (GWMA), Double GWMA (DGWMA), Progressive Mean (PM), Double Progressive Mean (DPM) και t_r, όπου έχουμε υποθέσει ότι οι χρόνοι ακολουθούν την κατανομή Weibull. Η απόδοση των ΔΕ αξιολογείται με μέτρα που βασίζονται σε χαρακτηριστικά της κατανομής μήκους διαδρομής (Run Length - RL) και συγκεκριμένα το Μέσο Μήκος Διαδρομής ARL, η τυπική απόκλιση SDRL, ποσοστιαία σημεία, η αναμενόμενη τετραγωνική απώλεια EQL και το σχετικό ARL (RARL), τόσο για την περίπτωση που η διεργασία είναι εντός ελέγχου, όσο και για την περίπτωση που έχουν μεταβληθεί τα χαρακτηριστικά της και βρίσκεται εκτός ελέγχου, για διάφορα σενάρια μεταβολών. Από τα αποτελέσματα των προσομοιώσεων που εκτελέστηκαν, διαπιστώθηκε ότι για όλο το εύρος μεταβολών των παραμέτρων της κατανομής Weibull για τους χρόνους, το ΔΕ PM ανιχνεύει ταχύτερα τις αλλαγές, εντούτοις παρουσιάζει πολύ μεγάλη μεταβλητότητα στην κατανομή RL. Θέτοντας επιπλέον περιορισμούς για την εν λόγω μεταβλητότητα, παρατηρήθηκε ότι τα ΔΕ GWMA λειτουργούν καλύτερα για μικρές μεταβολές ενώ τα ΔΕ DGWMA για μεσαίες και μεγάλες μεταβολές. Επίσης το ΔΕ PM έχει συνολικά καλύτερη απόδοση (μικρότερο EQL και RARL) και ακολουθείται από τα ΔΕ DGWMA και GWMA ενώ τη χειρότερη παρουσιάζει το ΔΕ t_r για όλες τις πιθανές μεταβολές. Τέλος παρατίθενται παραδείγματα εφαρμογής των παραπάνω ΔΕ, σε δύο σύνολα δεδομένων (τυχαίοι αριθμοί και πραγματικές μετρήσεις αξιοπιστίας προϊόντος) που επιβεβαιώνουν τη μελέτη προσομοίωσης.
    • Control Charts are used in Statistical Process Control in order to monitor and detect shifts which have been occurred into a process. Especially in high quality and reliability processes, where the events occur rarely, the control charts for time between events (TBE) are used instead of the Shewhart-type control charts. In this thesis, we design and study the Generally Weighted Moving Average (GWMA), Double GWMA (DGWMA), Progressive Mean (PM), Double Progressive Mean (DPM) και t_r control charts, while we have assumed that TBE observations follow the Weibull distribution. The performance of the control charts is evaluated by applying measures such as the Average Run Length (ARL), the Standard Deviation Run Length (SDRL), quantiles of the Run Length (RL) distribution, the Expected Quadratic Loss (EQL) and the Relative ARL (RARL), while the process is assumed to be either in control or out of control. Through the simulation study, it is shown that the PM control chart is the most effective in detecting the whole range of shifts (small, moderate, large). However this is accompanied by a considerably high variability in the RL distribution (very high SDRL). If we choose to impose additional constraints to the variability of the RL distribution, the results show that the GWMA control charts are more sensitive in detecting small shifts while DGWMA charts are more effective in detecting moderate and large shifts. Furthermore, the PM chart has the best overall performance among all charts, since it provides the least EQL and RARL. It is followed by DGWMA, GWMA and t_r chart. Finally, two examples with simulated and real data are presented in order to confirm the results of the simulation study.
  15. Items in Apothesis are protected by copyright, with all rights reserved, unless otherwise indicated.