Konstrukcja wielowymiarowych kart kontrolnych indywidualnych pomiarów z wykorzystaniem sztucznych sieci neuronowych

• Authors: Piotr Peternek

Title variants

EN

Application of artificial neural networks to construction of multivariate control charts for individual data

• Languages of publication: PL

Abstracts

PL

Klasyczne metody statystycznego sterowania procesem wykorzystują założenie o rozkładzie normalnym badanej cechy. W sytuacji, gdy warunek ten nie jest spełniony, wykorzystuje się odpowiednie transformacje lub korzysta się ze specyficznych, odpornych na rodzaj rozkładu metod. W pracy przedstawiona zostanie próba wykorzystania sztucznych sieci neuronowych do konstrukcji wielowymiarowych kart kontrolnych. Przeprowadzone zostaną symulacje dla rozkładu normalnego i chi-kwadrat.

EN

In classical statistical process control the assumption of normal distribution is usually valid. When this condition is not satisfied specifically transformation or the specified method are used. This article presents application of artificial neural networks to construct of multivariate control charts for individual data.

Keywords

PL

Karta Hotellinga; Karty kontrolne; Sztuczne sieci neuronowe

EN

Artificial neural networks; Control charts; Hotelling control chart

• Publisher: Uniwersytet Ekonomiczny w Katowicach
• Journal: Studia Ekonomiczne
• Year: 2015
• Volume: 235
• Pages: 182-193

Contributors

author

Piotr Peternek

References

• Bersimis S., Psarakis S., Panaretos J. (2007), Multivariate statistical process control charts: an overview. „Quality and Reliability Engineering International”, Vol. 23(5).
• Cheng C.S. (1995), A Multi-Layer Neural Network Model for Detecting Changes in the Process Mean, „Computers and Industrial Engineeringˮ, Vol. 28, No. 1.
• Hwarng H.B., Hubele N.F. (1993), Back-propagation pattern recognizers for X control charts: methodology and performance, „Computers & Industrial Engineeringˮ, Vol. 24(2).
• Johnson N.L. (1949), System of frequency curves generated by methods of translation, „Biometrika”, No. 36.
• Kanji G.K., Arif O.H. (2000), Median rankit control chart by the quantile approach, „Journal of Applied Statistics”, Vol. 27(6).
• Liu R.Y. (1995), Control charts for multivariate processes, „Journal of the American Statistical Association”, Vol. 90(432).
• Liu R.Y., Singh K., Teng J.H. (2004), DDMA-charts: nonparametric multivariate moving average control charts based on data depth, „Allgemeines Statistisches Archiv”, Vol. 88(2).
• Martin E.B., Morris A.J. (1995), Multivariate Statistics and Neural Networks In Process Fault Detection, „IEE-Colloquium-(Digest)”, No. 079.
• Montgomery D.C. (2007), Introduction to statistical quality control, John Wiley & Sons.
• Ozturk A., Dale R. (1985), Least squares estimation of the parameters of the Generalized Lambda Distribution, „Technometrics”, Vol. 27(1).
• Peternek P. (2012), Wybrane karty kontrolne indywidualnych pomiarów [w:] S. Forlicz (red.), Zastosowanie metod ilościowych w ekonomii i zarządzaniu, CeDeWu, Warszawa.
• Peternek P. (2013), Porównanie kart kontrolnych indywidualnych pomiarów uzyskanych z wykorzystaniem uogólnionego rozkładu lambda oraz krzywych Johnsona, Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu, nr 309.
• Peternek P. (2014), O optymalizacji procedury Slifkera i Shapiro estymacji krzywych Johnsona, Prace Naukowe Uniwersytetu Ekonomicznego w Katowicach.
• Pugh G.A. (1991), A comparison of neural networks to SPC charts, „Computers and Industrial Engineering”, Vol. 21(1).
• Schilling E.G., Nelson P.R. (1976), The effect of non-normality on the control limits of X-bar charts, „Journal of Quality Technology”, Vol. 8(4).
• Slifker J.F., Shapiro S.S. (1980), The Johnson System: Selection and Parameter Estimation, „Technometrics”, Vol. 22.
• Wilson D.J.H., Irwin G.W., Lightbody G. (1997), Neural Networks and Multivariate, „IEE-Colloquium-(Digest)”, No. 174.
• Zorriassatine F., Tannock J.D.T. (1998), A review of neural networks for statistical process control, „Journal of Intelligent Manufacturing”, Vol. 9(3).

Identifiers

ISSN

2083-8611