سامانه مدیریت نشریات علمی دانشگاه شهید بهشتی

جعفری, مهسا, شهبازی, صادق, کرباسیان, مهدی. (1404). تحلیل تلفیقی داده‌محور در پایش فرآیندهای تولیدی با استفاده از تحلیل مؤلفه‌های اصلی و نمودارهای کنترلی چندمتغیره (مطالعه موردی شرکت فولاد مبارکه اصفهان). , 15(4), 90-115. doi: 10.48308/jimp.15.4.90
مهسا جعفری; صادق شهبازی; مهدی کرباسیان. "تحلیل تلفیقی داده‌محور در پایش فرآیندهای تولیدی با استفاده از تحلیل مؤلفه‌های اصلی و نمودارهای کنترلی چندمتغیره (مطالعه موردی شرکت فولاد مبارکه اصفهان)". , 15, 4, 1404, 90-115. doi: 10.48308/jimp.15.4.90
جعفری, مهسا, شهبازی, صادق, کرباسیان, مهدی. (1404). 'تحلیل تلفیقی داده‌محور در پایش فرآیندهای تولیدی با استفاده از تحلیل مؤلفه‌های اصلی و نمودارهای کنترلی چندمتغیره (مطالعه موردی شرکت فولاد مبارکه اصفهان)', , 15(4), pp. 90-115. doi: 10.48308/jimp.15.4.90
جعفری, مهسا, شهبازی, صادق, کرباسیان, مهدی. تحلیل تلفیقی داده‌محور در پایش فرآیندهای تولیدی با استفاده از تحلیل مؤلفه‌های اصلی و نمودارهای کنترلی چندمتغیره (مطالعه موردی شرکت فولاد مبارکه اصفهان). , 1404; 15(4): 90-115. doi: 10.48308/jimp.15.4.90

تحلیل تلفیقی داده‌محور در پایش فرآیندهای تولیدی با استفاده از تحلیل مؤلفه‌های اصلی و نمودارهای کنترلی چندمتغیره (مطالعه موردی شرکت فولاد مبارکه اصفهان)

چشم‌انداز مدیریت صنعتی
دوره 15، شماره 4 - شماره پیاپی 60، دی 1404، صفحه 90-115    اصل مقاله (1.01 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.48308/jimp.15.4.90
نویسندگان
مهسا جعفری1؛ صادق شهبازی* 2؛ مهدی کرباسیان3
1دانشجوی دکتری، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.
2استادیار، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی مالک اشتر، اصفهان، ایران.
3استاد، گروه مهندسی صنایع، دانشکده مهندسی صنایع، دانشگاه صنعتی مالک اشتر، تهران، ایران.
چکیده
مقدمه و اهداف: در صنایع تولیدی پیشرفته، خصوصاً در صنایعی نظیر فولاد که با فرآیندهای پیچیده و چندمرحله‌ای مواجه هستند، بهینه‌سازی نظارت بر کیفیت و عملکرد خطوط تولید از اهمیت بالایی برخوردار است. روش‌های سنتی پایش تک‌متغیره به دلیل ناتوانی در تحلیل روابط میان متغیرهای مختلف، در شناسایی به‌موقع ناهنجاری‌ها ناکارآمد هستند. از این‌رو، ترکیب روش‌های کنترل کیفیت چندمتغیره (MSPC) و تحلیل مؤلفه‌های اصلی (PCA) به عنوان یک راهکار نوین، می‌تواند ابزاری کارآمد برای کاهش پیچیدگی داده‌ها، افزایش دقت پایش و بهبود کیفیت نهایی محصولات باشد. هدف این پژوهش، طراحی و اعتبارسنجی مدلی ترکیبی بر پایه PCA و نمودارهای کنترلی چندمتغیره جهت بهینه‌سازی نظارت در فرآیند تولید تختال در شرکت فولاد مبارکه است.
روش‌ها: مطالعه حاضر با رویکرد کمی و بر مبنای تحلیل داده‌های واقعی خطوط تولید فولاد مبارکه انجام شد. ابتدا داده‌های کنترلی مرتبط با فرآیند ریخته‌گری جمع‌آوری و داده‌های پرت با استفاده از نمودارهای باکس‌پلات حذف شدند. سپس با انجام آزمون KMO و بارتلت، کفایت داده‌ها و همبستگی متغیرها جهت اجرای تحلیل PCA تأیید شد KMO = 0.78، p < 0.001  تحلیل PCA به استخراج سه مؤلفه اصلی منجر گردید که مهم‌ترین متغیرهای تأثیرگذار را در فرآیند مشخص کرد. این مؤلفه‌ها به‌عنوان ورودی به مدل‌های کنترلی چندمتغیره MEWMA و MCUSUM داده شدند. در موارد خاص، از نمودار T² Hotelling استفاده شد. مدل توسعه‌یافته پس از پیاده‌سازی، توسط خبرگان صنعت اعتبارسنجی شد.
یافته‌ها :نتایج تحلیل نشان داد که با کاهش ابعاد داده‌ها از ۹ متغیر به ۳ مؤلفه کلیدی (PC1، PC2 و PC3)، امکان پایش دقیق‌تر فرآیند فراهم شد. در مرحله‌ی ریخته‌گری، استفاده از نمودار MEWMA منجر به شناسایی سریع‌تر نوسانات و انحرافات شد، در حالی‌که نمودار EWMA برای پایش تک‌متغیره جهت مقایسه عملکرد به کار رفت. مقایسه بین این دو مدل نشان داد که MEWMA دارای حساسیت بالاتری نسبت به تغییرات کوچک در فرآیند است. همچنین اجرای مدل ترکیبی موجب شد ۹۵٪ از نقاط خارج از کنترل تنها با چهار نمودار شناسایی شوند، در حالی‌که پیش‌تر در بیش از ۴۵ نمودار پراکنده بودند. تحلیل رگرسیونی مؤلفه‌ها نیز تأیید کرد که مؤلفه‌های اصلی به‌خوبی تغییرات متغیرهای کلیدی را توصیف می‌کنند.
نتیجه‌گیری: این پژوهش نشان می دهد که ترکیب روش‌های PCA و کنترل کیفیت چندمتغیره نه‌تنها باعث افزایش دقت در نظارت بر فرآیند تولید شده بلکه به میزان چشم‌گیری از پیچیدگی مدل‌های کنترلی و هزینه‌های پایش کاسته است. به‌کارگیری این رویکرد منجر به کاهش هشدارهای کاذب، افزایش سرعت واکنش به تغییرات، و ارتقای کلی سیستم کیفیت می شود.. همچنین با تنظیم مناسب پارامتر لاندا (λ) در مدل MEWMA، میزان هم‌پوشانی تشخیص نقاط انحرافی با روش‌های تک‌متغیره به بیش از ۸۰٪ می رسد. بر اساس تأیید خبرگان، مدل پیشنهادی قابلیت اجرایی بالایی داشته و به‌عنوان یک راهکار عملی برای بهبود پایش فرآیند در صنایع بزرگ مانند فولادسازی پیشنهاد می‌گردد.
کلیدواژه‌ها
کنترل کیفیت چندمتغیره؛ تحلیل مؤلفه‌های اصلی؛ پایش فرآیندهای تولیدی؛ نمودار کنترلی MEWMA؛ شرکت فولاد مبارکه
عنوان مقاله [English]
Data-Driven Integrated Analysis in Monitoring Manufacturing Processes Using Principal Component Analysis and Multivariate Control Charts (Case Study: Mobarakeh Steel Company, Isfahan)
نویسندگان [English]
Mahsa Jafari1؛ Sadegh Shahbazi2؛ Mahdi Karbasian3
1Ph.D. Student, Industrial Engineering, Malek Ashtar university of Technology, Tehran, Iran.
2Associate Prof, Industrial Engineering, Malek Ashtar university of Technology, Isfahan, Iran.
3Prof, Industrial Engineering, Malek Ashtar university of Technology, Tehran, Iran
چکیده [English]
Introduction and Objectives. In advanced manufacturing industries, especially in industries such as steel that are faced with complex and multi-stage processes, optimizing the monitoring of quality and performance of production lines is of high importance. Traditional univariate monitoring methods, due to their inability to analyze the relationships among different variables, are inefficient in the timely identification of anomalies. Therefore, the combination of multivariate statistical process control (MSPC) methods and Principal Component Analysis (PCA) as an innovative solution can be an efficient tool for reducing data complexity, increasing monitoring accuracy, and improving the final quality of products. The objective of this research is to design and validate a hybrid model based on PCA and multivariate control charts in order to optimize monitoring in the slab production process at Mobarakeh Steel Company.
Methods. The present study was conducted with a quantitative approach and based on the analysis of real data from the production lines of Mobarakeh Steel. First, control data related to the casting process were collected and outlier data were removed using boxplot charts. Then, by performing the KMO and Bartlett tests, the adequacy of the data and the correlation of variables for implementing PCA analysis were confirmed KMO = 0.78، p < 0.001 PCA analysis led to the extraction of three principal components that identified the most important influential variables in the process. These components were given as inputs to the multivariate control models MEWMA and MCUSUM. In specific cases, the Hotelling T² chart was used. The developed model, after implementation, was validated by industry experts.
Findings. The results of the analysis showed that by reducing the data dimensions from 9 variables to 3 key components (PC1, PC2, and PC3), more accurate process monitoring was made possible. In the casting stage, the use of the MEWMA chart led to faster identification of fluctuations and deviations, while the EWMA chart was used for univariate monitoring in order to compare performance. The comparison between these two models showed that MEWMA has higher sensitivity to small changes in the process. Also, the implementation of the hybrid model resulted in 95% of out-of-control points being identified using only four charts, whereas previously they were scattered across more than 45 charts. Regression analysis of the components also confirmed that the principal components well describe the changes of the key variables.
Conclusion. This research shows that the combination of PCA methods and multivariate quality control not only increased the accuracy in monitoring the production process but also significantly reduced the complexity of control models and monitoring costs. The application of this approach leads to the reduction of false alarms, increased speed of response to changes, and overall improvement of the quality system. Also, by appropriate adjustment of the lambda (λ) parameter in the MEWMA model, the overlap of detecting deviation points with univariate methods reaches more than 80%. Based on expert confirmation, the proposed model has high practical capability and is proposed as a practical solution for improving process monitoring in large industries such as steelmaking.
کلیدواژه‌ها [English]
Multivariate quality control, Principal Component Analysis, Monitoring of production processes, MEWMA control chart, Mobarakeh Steel Company
مراجع
  1. Alrufaihi, M. A., Alharthi, A. S., & Alotaibi, M. (2022). Feature selection and dimensionality reduction techniques for multistage manufacturing data. Journal of Industrial Engineering and Management, 15(3), 321–334.
  2. Bai, C., Sun, X., & Zhang, G. (2019). Comparative study of dimensionality reduction methods for quality prediction in multistage manufacturing processes. IEEE Transactions on Industrial Informatics, 15(6), 3198–3207.
  3. Capezza, C., Capizzi, G., et al. (2024). An adaptive multivariate functional EWMA control chart. arXiv. https://arxiv.org
  4. Centofanti, F., Lepore, A., & Palumbo, B. (2025). An adaptive multivariate functional control chart. arXiv. https://arxiv.org
  5. Chen, Z., Maske, H., Shui, H., Huan, X., & Ni, J. (2024). Deep Koopman based control of quality variation in multistage manufacturing systems. arXiv. https://arxiv.org
  6. Ismail, A. I., Hasan, M. S., & Rahman, R. (2022). Machine learning applications in quality control for multistage manufacturing processes. International Journal of Advanced Manufacturing Technology, 120(5–6), 2389–2402.
  7. Jafarnezhad, A., Jalali, R., & Fardanian, A. (2025). Identification and analysis of barriers to forming participatory collaboration in concurrent crises based on fuzzy cognitive mapping and multi-objective modeling. Journal of Industrial Management Perspective, 15(2), 9-36 [In Persian].
  8. Setareh Tabrizi, A., & Mohtashami, A. (2025). Designing a conceptual model based on exploratory intelligence and environmental indicators and implementing it to evaluate maritime ports using thematic analysis and fuzzy inference. Journal of Industrial Management Perspective. 15(2), 98-115 [In Persian].
  9. Tian, Y., Liu, C., & Wang, X. (2022). A predictive quality model for multistage manufacturing processes based on big data and neural networks. Journal of Manufacturing Processes, 64, 1–12.
  10. Tong, L., Li, Z., & Zhang, J. (2017). A principal component analysis based approach for fault detection in multistage manufacturing processes. Journal of Manufacturing Science and Engineering, 139(10), 101005.
  11. Wang, K.-J. (2023). Multivariate auto correlated process control by a residual based mixed CUSUM EWMA model. Quality and Reliability Engineering International, 39(4), 1120–1142.
  12. Wang, R., Zhang, Y., & Huang, H. (2023). Deep learning-based quality prediction for multistage manufacturing: A multitask learning approach. Computers & Industrial Engineering, 175, 108946.
  13. Yaloueh, E., Rezaei Noor, J., & Yaloueh, A. (2025). Organizational productivity improvement: A systematic review of process improvement studies in organizations. Journal of Industrial Management Perspective. 15(1), 282-301[In Persian] https://doi.org/10.48308/jimp.2025.238081.1605
  14. Zhou, S., Huang, Y., & Shi, J. (2004). Statistical process monitoring for multistage manufacturing systems: A literature review. Journal of Quality Technology, 36(4), 432–450.
آمار
تعداد مشاهده مقاله: 450
تعداد دریافت فایل اصل مقاله: 111