Control charts for monitoring autocorrelated processes based on Neural Networks model

Camargo, Maria Emí­lia; Filho, Walter Priesnitz; Russo, Suzana Leitão; Dullius, Ângela Isabel dos Santos

doi:10.1109/iccie.2009.5223502

Cited by 4 publications

(3 citation statements)

References 11 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…A tendência da população é mostrada por uma linha central; as curvas determinam a evolução histórica de seu comportamento e a tendência futura (PALADINI, 1997). Esta ferramenta tem o objetivo de controlar se uma determinada variável está dentro dos parâmetros planejados, possibilitando a identificação de causas da anomalia e a correção do processo antes que o produto ultrapasse os limites de especificação (CAMARGO et al, 2009). Folha de checagem ou verificação é uma ferramenta utilizada para reunir os dados e serve para guiar os controles do processo.…”

Section: Ferramentas Da Qualidade Para Análise E Solução De Problemasunclassified

Redução dos custos da qualidade com melhoria dos processos: um estudo de caso

Oliveira¹,

Motta²,

Camargo³

et al. 2016

RGEINTEC

View full text Add to dashboard Cite

Com o objetivo de se tornarem competitivas, as empresas impulsionam a redução dos custos dos processos que impactam diretamente no preço do produto, destacando-se os custos de qualidade. Neste cenário, a busca pela qualidade total torna-se o caminho para a sobrevivência, devido ao fato da crescente exigência dos clientes para produtos com qualidade superior e preços baixos. Dentre os principais gastos que contribuem para o aumento dos custos da qualidade destacam-se a sucata e retrabalho de produtos durante o processo produtivo. Devido à ocorrência desses fatores, este trabalho tem como finalidade analisar os custos da qualidade e propor melhorias no processo produtivo utilizando ferramentas da qualidade para reduzir os desperdícios com sucata. As fases do projeto envolvem o comprometimento e dedicação de equipes para levantar as principais causas dos principais problemas do processo de produção de tubos capilares em cobre, resultando na redução dos gastos com sucata e aumento da produtividade. As metodologias utilizadas para atingir os objetivos foram baseadas pesquisa exploratória e estudo de caso. A partir da redução de custo e aumento da produtividade alcançada, constata-se a importância deste trabalho envolvendo equipes responsáveis para a obtenção de resultados em curto prazo.

show abstract

Section: Ferramentas Da Qualidade Para Análise E Solução De Problemasunclassified

Redução dos custos da qualidade com melhoria dos processos: um estudo de caso

Oliveira¹,

Motta²,

Camargo³

et al. 2016

RGEINTEC

View full text Add to dashboard Cite

show abstract

“…6,8,13,16,17,[21][22][23][24][25][26][27] With the rapid development of artificial intelligences, machine learning methods such as neural networks and hidden Markov models (HMMs) are also employed in SPC in the presence of observation autocorrelation. 26,[28][29][30][31][32][33] In the implementation of the control charts of residuals based on AR (1) or VAR(1) models, the observations have often been assumed to be first-order autocorrelated. This goes against the practical cases with multiple order autocorrelated data.…”

Section: Introductionmentioning

confidence: 99%

“…First‐order autoregressive ( AR (1)) or vector autoregressive ( VAR (1)) models are mostly used for modeling autocorrelated observations 6,8,13,16,17,21–27 . With the rapid development of artificial intelligences, machine learning methods such as neural networks and hidden Markov models (HMMs) are also employed in SPC in the presence of observation autocorrelation 26,28–33 …”

Section: Introductionmentioning

confidence: 99%

On autoregressive model selection for the exponentially weighted moving average control chart of residuals in monitoring the mean of autocorrelated processes

Pan

Yan

2020

Quality & Reliability Eng

View full text Add to dashboard Cite

With the development of automation technologies, data can be collected in a high frequency, easily causing autocorrelation phenomena. Control charts of residuals have been used as a good way to monitor autocorrelated processes. The residuals have been often computed based on autoregressive (AR) models whose building needs much experience. Data have been assumed to be firstorder autocorrelated, and first-order autoregressive (AR(1)) models have been employed to obtain residuals. But for a pth-order autocorrelated process, how the AR(1) model affects the performance of the control chart of residuals remains unknown. In this paper, the control chart of exponentially weighted moving average of residuals (EWMA-R) is used to monitor the pth-order autocorrelated process. Taking the mean and standard deviation of run length as performance indicators, two types of EWMA-R control charts, with their residuals obtained from the pth-order autoregressive AR(p) and AR(1) models, respectively, are compared. The results of the numerical experiment show that for detecting small mean shifts, EWMA-R control charts based on AR(1) models outperform ones based on AR(p) models, whereas for detecting large shifts, they are sometimes slightly worse. A practical application is used to give a recommendation that a large number of samples are necessary for determining an EWMA-R control chart before using it.

show abstract

An Improved Hidden Markov Model for Monitoring the Process with Autocorrelated Observations

Chen

et al. 2022

Energies

View full text Add to dashboard Cite

With the development of intelligent manufacturing, automated data acquisition techniques are widely used. The autocorrelations between data that are collected from production processes have become more common. Residual charts are a good approach to monitoring the process with data autocorrelation. An improved hidden Markov model (IHMM) for the prediction of autocorrelated observations and a new expectation maximization (EM) algorithm is proposed. A residual chart based on IHMM is employed to monitor the autocorrelated process. The numerical experiment shows that, in general, IHMMs outperform both conventional hidden Markov models (HMMs) and autoregressive (AR) models in quality shift diagnosis, decreasing the cost of missing alarms. Moreover, the times taken by IHMMs for training and prediction are found to be much less than those of HMMs.

show abstract

Control charts for monitoring autocorrelated processes based on Neural Networks model

Cited by 4 publications

References 11 publications

Redução dos custos da qualidade com melhoria dos processos: um estudo de caso

Redução dos custos da qualidade com melhoria dos processos: um estudo de caso

On autoregressive model selection for the exponentially weighted moving average control chart of residuals in monitoring the mean of autocorrelated processes

An Improved Hidden Markov Model for Monitoring the Process with Autocorrelated Observations

Contact Info

Product

Resources

About