Un enfoque integrado de detección de puntos de cambio y monitoreo en línea para la relación de dos variables...

Área de la Ciencia:

• Seguimiento estadístico de procesos (SPM)
• Control de la calidad
• Aplicaciones de aprendizaje automático

Sus antecedentes:

• Los gráficos RZ tradicionales asumen distribuciones normales y direcciones de desviación conocidas, lo que limita su aplicabilidad.
• Los métodos existentes pueden fallar cuando se violan los supuestos del proceso en escenarios del mundo real.
• La integración del aprendizaje automático en SPM ofrece soluciones avanzadas, pero carece de aplicaciones de gráficos RZ.

Objetivo del estudio:

• Desarrollar un nuevo cuadro de control sin suposiciones para el seguimiento de la zona de riesgo en la fase II.
• Abordar las limitaciones de los gráficos RZ tradicionales con respecto a la distribución de datos y la dirección de desviación.
• Introducir un enfoque basado en el aprendizaje automático para mejorar la supervisión de los procesos de RZ.

Principales métodos:

• Se elaboró un cuadro de control basado en agrupaciones para el seguimiento de la zona de riesgo.
• El método propuesto no supone distribuciones normales para las características individuales.
• Funciona sin requerir conocimiento previo de la dirección de desviación de la RZ.

Principales resultados:

• El nuevo gráfico controla efectivamente la RZ sin suposiciones estadísticas restrictivas.
• El método demuestra la capacidad de estimar el punto de cambio (PC) del proceso.
• Ofrece una alternativa flexible a las cartas de control tradicionales de RZ.

Conclusiones:

• El gráfico de RZ basado en agrupaciones propuesto mejora el seguimiento estadístico del proceso eliminando supuestos clave.
• Este enfoque mejora la adaptabilidad y aplicabilidad de la vigilancia de las ZR en diversos entornos industriales.
• La capacidad de estimar los Puntos de Cambio agrega un valor significativo para el análisis y el control del proceso.