طراحی نمودارهای کنترل EWMA و Mixed EWMA-CUSUM تحت آزمون طول عمر سانسورشدگی خرابی بر اساس رویکرد شبیه‌سازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه کردستان، سنندج، ایران.

2 استاد، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه کردستان، سنندج، ایران.

3 دانشجو دکتری، گروه مهندسی صنایع، دانشکده فنی و مهندسی، دانشگاه کردستان، سنندج، ایران.

10.48308/jimp.15.1.257

چکیده

مقدمه و اهداف: در نظریه قابلیت ­­اطمینان یکی از مهم‌­ترین مشخصه‌­هایی که مورد ارزیابی قرار می­‌گیرد طول عمر محصولات است. طول عمر مشخصه کیفی مهمی است که در زمینه‌­های مختلف به ویژه علوم مهندسی، برای بیان مدت زمان مورد انتظار بقا و توصیف عملکرد یک محصول تولیدی در نظر گرفته می­‌شود. امروزه یکی از دغدغه‌­های تولیدکنندگان و شرکت­‌های تجاری افزایش کیفیت محصول است و در صنایعی که طول عمر به عنوان مشخصه کیفی در نظر گرفته می­‌شود، افزایش کیفیت محصول با افزایش طول عمر آن محقق می­‌شود. از این رو کارشناسان صنایع برای تضمین کیفیت محصولات تولید شده، طول عمر آن­ها را پایش می­‌کنند. در عصر حاضر با پیشرفت دانش ساخت و تکنولوژی، محصولات از قابلیت ­اطمینان بالایی برخوردارند لذا، پایش سلامت محصول تا لحظه وقوع خرابی در شرایط معمولی بسیار زمان­بر و پرهزینه است. در نتیجه مهندسین به منظور صرفه‌جویی در هزینه و زمان برای به دست آوردن طول عمر محصولات از آزمون­‌های طول عمر استفاده می­‌کنند.
 روش تحقیق: در سال‌های اخیر برای نظارت بر تعداد و زمان خرابی محصولات از نمودارهای کنترل استفاده شده است. کنترل فرآیند آماری، مجموعه­ای از ابزارهای قدرتمند در صنایع تولیدی و خدماتی برای نظارت بر رفتار فرآیند است. نمودار کنترل مهم‌­ترین و موثرترین ابزار کنترل فرآیند آماری در پایش مشخصه کیفی محصولات از طریق کنترل و کشف تغییرات است.
یافته‌ها: داده‌های طول عمر عموما متقارن نیستند و از توزیع‌های نامنفی پیروی می‌کنند. بنابراین، طراحی نمودارهای کنترل تحت آزمون طول عمر باید با توجه به توزیع احتمال داده‌های خرابی باشد. نمودارهای کنترل سنتی شوهارت برای تشخیص تغییرات بزرگ در فرآیند تحت نظارت کارایی خوبی دارند اما در کشف تغییرات کوچک از حساسیت کافی برخوردار نیستند؛ لذا برای شناسایی تغییرات کوچک به وجود آمده در فرآیند از نمودارهای کنترل با حافظه استفاده می‌شود. در این پژوهش، فرض بر این است که مشخصه کیفی مورد نظر، طول عمر محصول می‌باشد. عمر محصولات از توزیع وایبول با پارامتر شکل ثابت و پارامتر مقیاس متغیر پیروی می‌کند. بنابراین نظارت بر میانگین توزیع وایبول از طریق نظارت بر پارامتر مقیاس انجام پذیر است.
در این پژوهش، هدف نظارت بر میانگین طول عمر محصولات که در واقع همان نظارت و ارزیابی پارامتر مقیاس توزیع وایبول است، می­باشد. اگر طول عمر محصول از میانگین یا یک مقدار معین و از پیش تعیین شده­ای بیشتر شود، محصول منطبق و سالم و اگر از آن مقدار کمتر باشد، محصول نامنطبق و معیوب در نظر گرفته می­‌شود. هر چقدر طول عمر محصول از میانگین هدف یا مقدار در نظر گرفته شده بیشتر باشد، باکیفیت‌­تر است و بالعکس. در این تحقیق جهت پایش طول عمر محصولات، نمودارهای کنترل EWMA و Mixed EWMA_CUSUM تحت آزمون طول عمر سانسورشدگی خرابی طراحی می‌شوند. حد کنترل و میانگین طول دنباله خارج از کنترل نمودارهای کنترل پیشنهادی با استفاده از الگوریتم شبیه­سازی مونت کارلو محاسبه خواهند شد.
نتیجه‌گیری: معیار ارزیابی عملکرد نمودارهای کنترل پیشنهادی، میانگین طول دنباله در حالت خارج از کنترل است. از آن‌ جایی که نمودار کنترل Mixed EWMA_CUSUM، ترکیبی از دو نمودار کنترل EWMA و CUSUM می‌باشد، مقایسه‌ای میان عملکرد نمودارهای EWMA و Mixed EWMA_CUSUM انجام می‌گیرد. بررسی نتایج نشان می‌دهد نمودار کنترل Mixed EWMA_CUSUM از نمودار کنترل EWMA در جهت کشف تغییرات کوچک در پارامتر مقیاس عملکرد بهتری دارد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

Design of EWMA and Mixed EWMA-CUSUM Control Charts under Failure-Censored Lifetime Test Based on Simulation Approach

نویسندگان [English]

  • Hamed Darvishi 1
  • Hiwa Farughi 2
  • Pourya Mohammadipour 3
1 Master Student, Department of Industrial Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran.
2 Professor, Department of Industrial Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran.
3 Ph.D. Student, Department of Industrial Engineering, Faculty of Engineering, University of Kurdistan, Sanandaj, Iran.
چکیده [English]

Introduction and Objectives: In reliability theory, one of the most important characteristics that is evaluated is the lifetime of products. Lifetime is an important quality characteristic that is considered in various fields, especially engineering sciences, to express the expected survival time and to describe the performance of a manufactured product. Nowadays, one of the concerns of manufacturers and commercial companies is to increase product quality, and in industries where lifetime is considered a quality characteristic, improving product quality is achieved by increasing its lifetime. Therefore, industry experts monitor product lifetimes to ensure the quality of manufactured products. In the present era, with advances in manufacturing knowledge and technology, products have high reliability. Therefore, monitoring the health of a product until the moment of failure under normal conditions is very time-consuming and costly. As a result, engineers use lifetime tests to save time and cost in obtaining product lifetimes.
Methods: In recent years, control charts have been used to monitor the number and time of product failures. Statistical Process Control (SPC) is a set of powerful tools used in manufacturing and service industries to monitor process behavior. Control charts are the most important and effective SPC tools for monitoring the quality characteristics of products through detecting and controlling changes.
Findings: Lifetime data are generally not symmetric and follow non-negative distributions. Therefore, the design of control charts under lifetime testing should consider the probability distribution of failure data. Traditional Shewhart control charts are efficient in detecting large changes in the monitored process but do not have sufficient sensitivity in detecting small changes. Therefore, to identify small changes that occur in the process, memory-type control charts are used. In this study, it is assumed that the quality characteristic of interest is product lifetime. The lifetimes of products follow a Weibull distribution with a fixed shape parameter and a variable scale parameter. Therefore, monitoring the mean of the Weibull distribution is done through monitoring its scale parameter.
In this study, the goal is to monitor the average product lifetime, which is in fact monitoring and evaluating the scale parameter of the Weibull distribution. If the product lifetime is greater than the average or a certain predefined value, the product is considered compliant and healthy, and if it is less than that value, the product is considered non-compliant and defective. The more the product lifetime exceeds the target average or the predefined value, the higher its quality, and vice versa. In this study, EWMA and Mixed EWMA-CUSUM control charts under failure-censored lifetime tests are designed to monitor product lifetimes. The control limits and the average out-of-control run lengths of the proposed control charts will be calculated using the Monte Carlo simulation algorithm.
Conclusion: The performance evaluation criterion of the proposed control charts is the average run length in the out-of-control state. Since the Mixed EWMA-CUSUM control chart is a combination of the two EWMA and CUSUM control charts, a comparison between the performance of the EWMA and Mixed EWMA-CUSUM charts is made. The results show that the Mixed EWMA-CUSUM control chart has better performance than the EWMA control chart in detecting small changes in the scale parameter.

کلیدواژه‌ها [English]

  • Control chart
  • Reliability
  • Weibull distribution
  • Failure censoring
  • Average run length
  • Monte Carlo simulation

مراجع

  1. Adeoti, O. A. (2020). On control chart for monitoring exponentially distributed quality characteristic. Transactions of the Institute of Measurement and Control, 42(2), 295–305, http://doi.org/10.1177/0142331219868595.
  2. Alghamdi, S. A. D., Aslam, M., Khan, K., Jun, C. H. (2017). A Time Truncated Moving Average Chart for the Weibull Distribution. IEEE Access, 5, 7216–7222, http://doi.org/10.1109/ACCESS.2017.2697040.
  3. Ali, S., Shamim, R., Shah, I., Alrweili, H., & Marcon, G. (2023). Memory‐type control charts for censored reliability data. Quality and Reliability Engineering International, 39(6), 2365–2384, http://doi.org/10.1002/qre.3347.
  4. Aslam, M., Saghir, A., Ahmad, L. (2020). Introduction to statistical process control. John Wiley & Sons, http://doi.org/10.1002/9781119528425.
  5. Baklizi, A., Ghannam, S. A. (2022). An attribute control chart for the inverse Weibull distribution under truncated life tests. Heliyon, 8(12), e11976, http://doi.org/10.1016/j.heliyon.2022.e11976.
  6. Fadaei, S., Pouya, A., & Kazemi, M. (2015). Development of fuzzy statistical process control chart for defect ratio monitoring. Industrial Management Perspective, 5(3), 91–116. (In Persian).
  7. Faraz, A., Saniga, E. M., & Heuchenne, C. (2015). Shewhart control charts for monitoring reliability with Weibull lifetimes. Quality and Reliability Engineering International, 31(8), 1565–1574, http://doi.org/10.1002/qre.1692.
  8. Jun, C. H., Lee, H., Lee, S. H., Balamurali, S. (2010). A variables repetitive group sampling plan under failure-censored reliability tests for Weibull distribution. Journal of Applied Statistics, 37(3), 453–460, http://doi.org/10.1080/02664760802715914.
  9. Khan, N., Aslam, M., Raza, S. M. M., Jun, C. H. (2019). A new variable control chart under failure‐censored reliability tests for Weibull distribution. Quality and Reliability Engineering International, 35(2), 572–581, http://doi.org/10.1002/qre.2422.
  10. Khan, N., Srinivasa Rao, G., Aslam, M. (2018). Design of chart for a Birnbaum Saunders distribution under accelerated hybrid censoring. Journal of Statistics and Management Systems, 21(8), 1419–1432, http://doi.org/10.1080/09720510.2018.1470753.
  11. Kumar, P. (2016). Industrial Engineering and Management. Delhi: Pearson India Education Services.
  12. Li, C., Xiao, X. (2023). On censoring time in statistical monitoring of lifetime data. Technometrics, 65(3), 418–431, http://doi.org/10.1080/00401706.2023.2177351.
  13. Mohammadipour, P., Farughi, H., Rasay, H., Arkat, J. (2021). Designing Exponentially Weighted Moving Average control charts under failure censoring reliability tests. International Journal of Engineering, 34(11), 2398–2407, http://doi.org/10.5829/IJE.2021.34.11B.03.
  14. Mohammdaipour, P., Farughi, H., Rasay, H. (2023). Manufacturing Process Optimization to Increase Product Reliability by Control Charts. Journal of Quality Engineering and Production Optimization, 8(1), 1–12, http://doi.org/10.22070/jqepo.2022.15321.1212.
  15. Rao, G. S. (2018). A control chart for time truncated life tests using exponentiated half logistic distribution. Applied Mathematics & Information Sciences, 12(1), 125–131, http://doi.org/10.18576/amis/120111.
  16. Rasay, H. (2021). Monitoring lifetime data for a failure censoring reliability test with replacement using Shewhart type and exponentially weighted moving average control charts. Scientia Iranica, http://doi.org/10.24200/sci.2021.56498.4771.
  17. Rasay, H., Arshad, H. (2020). Designing variable control charts under failure censoring reliability tests with replacement. Transactions of the Institute of Measurement and Control, 42(15), 3002–3011, http://doi.org/10.1177/0142331220938206.
  18. Rash, S. (2024). Evaluating the Quality of Manufactured Products by Providing an Approach based on the ANFIS Neural-Fuzzy Network (Case Study: Khazar Plastic Manufacturing and Industrial Company). Journal of Industrial Management Perspective, 14(1), 114–134, http://doi.org/10.48308/JIMP.14.1.114.
  19. Raza, S. M. M., Sial, M. H., Hassan, N. U., Mekiso, G. T., Tashkandy, Y. A., Bakr, M. E., Kumar, A. (2024). Use of improved memory type control charts for monitoring cancer patients recovery time censored data. Scientific Reports, 14(1), 5604, http://doi.org/10.1038/s41598-024-55731-0.
  20. Sadeghi, H., Farughi, H., Kalavandi, F., Salgi, M. (2023). Economic production system planning considering variable demand and random machine failures. Industrial Management Perspective, 13(3), 93–126, http://doi.org/10.48308/jimp.13.3.93. (In Persian).
چشم‌انداز مدیریت صنعتی
دوره 15، شماره 1 - شماره پیاپی 57
اردیبهشت 1404
صفحه 257-281

فایل ها

هم رسانی

ارجاع به این مقاله

آمار