Un Gráfico De Control De Movilidad Variable Ponderado Exponencial Adaptable Para Supervisar Las Variaciones Del Proceso

Procedimientos adaptativos de EWMA para supervisar procesos sujetos a deriva lineal Yan Su a Lianjie Shu b. Kwok-Leung Tsui c. Departamento de Ingeniería Electromecánica, Universidad de Macao, Macao b Facultad de Administración de Empresas, Universidad de Macao, Taipa, Macao c Escuela de Ingeniería Industrial y de Sistemas, Instituto de Tecnología de Georgia, Atlanta, GA 30332, Estados Unidos 11 de abril de 2011. Aceptado el 14 de abril de 2011. Resumen Las técnicas convencionales de control estadístico de procesos (SPC) se han centrado principalmente en la detección de cambios en los pasos en los medios del proceso. Sin embargo, a menudo hay configuraciones para monitorear desplazamientos lineales en medios de proceso, p. El cambio gradual debido al desgaste de la herramienta o causas similares. Los procedimientos adaptativos de media móvil ponderada exponencialmente (AEWMA) propuestos por Yashchin (1995) han recibido gran atención principalmente para estimar y monitorear los cambios medios de los pasos. Este trabajo analiza el desempeño de los esquemas AEWMA en la señalización de deriva lineal. Se presenta un procedimiento numérico basado en el enfoque de la ecuación integral para calcular la longitud de ejecución promedio (ARL) de las gráficas AEWMA bajo desviaciones lineales en la media. Los resultados de la comparación favorecen el gráfico de AEWMA bajo deriva lineal. Se presentan algunas pautas para el diseño de diagramas de AEWMA para detectar desviaciones lineales. Palabras clave Longitud promedio de ejecución Ecuación integral Tendencia lineal Control estadístico del proceso Media móvil móvil ponderada exponencialmente Un gráfico de control del promedio móvil ponderado ponderado exponencial adaptativo para monitorear variaciones del proceso quivEvvazian et al. (2008) propuso un gráfico exponencial de la varianza de la muestra móvil ponderada para supervisar la varianza del proceso cuando el tamaño de la muestra es uno. Shu (2008) amplió la carta EWMA adaptativa para la ubicación del proceso para supervisar la dispersión del proceso. Razmy y Peiris (2013) diseñaron la carta EWMA para monitorear la varianza de proceso estandarizada. El diseño óptimo existente del diagrama de control S-2-EWMA del intervalo de muestreo fijo para monitorear la varianza muestral de un proceso se basa en el criterio de longitud de ejecución promedio (ARL). Dado que la forma de la distribución de la longitud de la carrera varía con la magnitud del desplazamiento de la varianza, la longitud mediana de la carrera (LMR) da una explicación más significativa sobre las prestaciones en control y fuera de control de una carta de control. En este artículo se propone el diseño óptimo de la tabla S-2-EWMA, basada en el LMR. La técnica de la cadena de Markov se emplea para calcular los LMR. Se evalúan y comparan los resultados de la gráfica S-2-EWMA, el gráfico de doble muestreo (DS) S-2 y el gráfico S. Los resultados del MRL indicaron que el gráfico S-2-EWMA ofrece un mejor rendimiento para detectar cambios de varianza pequeños y moderados, manteniendo casi la misma sensibilidad que los gráficos DS S-2 y S hacia cambios de varianza grandes, especialmente cuando el tamaño de la muestra aumenta. Las aplicaciones generalizadas de los gráficos de atributo son atribuibles a muchos factores, como la simplicidad de manejo de las características de calidad de los atributos, la facilidad de comunicación entre personas en diferentes niveles y la prevalencia de los datos de recuento en muchos sectores no manufactureros. En los últimos años, se han propuesto muchas nuevas tablas de control y otras técnicas de control estadístico de procesos (SPC) a una velocidad cada vez mayor123. En la mayoría de los procesos de multiatributo, se requiere controlar simultáneamente varias características de calidad de atributo, ya que la calidad de un producto depende de todas ellas. Quot Mostrar el resumen Ocultar el resumen RESUMEN: En las últimas décadas, se han recomendado ampliamente las tablas de control de multiatributo en la práctica. Superan los gráficos de uniattributo simultáneos para monitorear procesos de multiatributo en muchas aplicaciones. Jolayemi Modelo estadístico para el diseño de gráficos de control de multiatributo. Estadísticas de la India. 199961: 351365 desarrolló un modelo estadístico para el diseño de un gráfico multipropósito np (Mnp). Basado en este modelo, se propone un diagrama sintético de multiatributo (MSyn) en este artículo. Además, las características principales del gráfico MSyn y del gráfico Mnp se integran para crear un gráfico multi-atributo Syn-np (MSyn-np). Los resultados de los estudios comparativos indican que el nuevo gráfico de MSyn-np supera significativamente el gráfico de Mnp y MSyn en 83 y 27, respectivamente, en términos del número promedio de defectivos en una amplia gama de cambios de proceso bajo diferentes circunstancias. Artículo completo Sep 2014 quotZantek (2008) propuso un método analítico para calcular la distribución de longitud de ejecución del CUSUM de una estadística. Shu et al. (2008) presentaron un procedimiento de estimación de la media de tipo markoviano en el esquema CUSUM convencional para actualizar su valor de referencia de una manera adaptativa. MacEachern et al. (2007) proporcionó una tabla de CUSUM de probabilidad robusta que descuentan los valores atípicos y, sin embargo, tiene la capacidad de detectar cambios grandes rápidamente. El gráfico de control de la media móvil ponderada exponencialmente (EWMA) es eficiente en la detección de pequeños cambios en la calidad de la imagen. Pero menos eficientes cuando los cambios son relativamente grandes, debido a lo que se conoce como el problema de inercia. Para disminuir la inercia, se ha propuesto un diagrama EWMA adaptativo (AEWMA) para monitorear las ubicaciones del proceso a fin de mejorar sobre las tablas EWMA tradicionales. La idea básica del esquema AEWMA es el peso dinámico de las observaciones pasadas de acuerdo con una función adecuada del error de predicción actual. Este artículo extiende la idea de la carta AEWMA para monitorear las ubicaciones del proceso al caso de la dispersión del proceso de monitoreo. Se establece un modelo de cadena de Markov para analizar y diseñar la tabla sugerida. Se muestra que el diagrama de dispersión de AEWMA se comporta mejor que el EWMA y otros gráficos de dispersión en términos de su capacidad de actuar relativamente bien en cambios pequeños y grandes en la dispersión del proceso. En el control estadístico de procesos, se identifica un estado de control estadístico con un proceso que genera variables aleatorias independientes e idénticamente distribuidas. A menudo es difícil en la práctica alcanzar un estado de control estadístico en este sentido estricto, las autocorrelaciones y otros efectos sistemáticos de las series temporales son a menudo sustanciales. Frente a estos efectos, los procedimientos estándar de la tabla de control pueden ser seriamente engañosos. Proponemos e ilustramos el modelado estadístico y el ajuste de efectos de series de tiempo y la aplicación de procedimientos estándar de control-gráfico a los residuos de estos ajustes. Los valores ajustados se pueden representar por separado para mostrar estimaciones de los efectos sistemáticos. Artículo Febrero 1988 Layth C Alwan Harry V Roberts Mostrar resumen Ocultar el resumen RESUMEN: Se discutieron temas importantes en la tabla de control, principalmente en datos autocorrelacionados. Los temas discutidos con respecto a los datos autocorrelacionados positivamente fueron: el uso de algoritmos de control de procesos estadísticos un resumen y crítica de los enfoques sugeridos y el tamaño de la muestra y la estimación de parámetros consideraciones tanto autocorrelacionados e independientes en el análisis retrospectivo y el proceso de monitoreo fases. Artículo Abril 1997 Revista de Negocios y Estadísticas Económicas Frederick W. Faltin Christina M. Mastrangelo