Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2017
Öğrenci: ÖZKAN SARIKAYA
Danışman: MEHMET AKİF BAKIR
Özet:Modern üretim süreçlerinde genellikle birbiriyle ilişkili birden fazla kalite karakteristiğinin eş zamanlı kontrolü söz konusudur. Bu süreçlerin izlenmesi ve kontrolü çok değişkenli istatistiksel süreç kontrolü olarak isimlendirilir. Çok değişkenli kontrol çizelgeleri, çok değişkenli süreç kontrolünün en önemli araçlarıdır. Ancak çok değişkenli kontrol çizelgelerinin en önemli dezavantajı, süreçteki kontrol dışı durumu belirleyebilmesine rağmen, bu kontrol dışı sinyale neden olan değişken(ler) hakkında bilgi vermemesidir. Çok değişkenli süreç kontrolünde süreç ortalama vektörünün kontrolü kadar süreç değişkenliğinin kontrolü de çok önemlidir. Süreç ortalama vektörünün kontrolünde Hotelling T2 kontrol çizelgeleri, süreç değişkenliğinin kontrolünde ise genelleştirilmiş örneklem varyansı kontrol çizelgeleri en yaygın kullanılan çok değişkenli kontrol çizelgeleridir. Süreç ortalama vektörünün kontrolünde kontrol dışı sinyale hangi değişken(ler)in sebep olduğunun belirlemesinde en yaygın kullanılan yöntem Mason-Tracy-Young (MTY) Ayrıştırma yöntemidir. Ancak süreç değişkenliğinin kontrolünde kontrol dışı sinyale sebep olan değişken(ler)in belirlenebilmesi için yeterince çalışma bulunmamaktadır. Bu çalışmada çok değişkenli süreçler için hem ortalama vektörünün kontrolünde hem de süreç değişkenliğinin kontrolünde, kontrol dışı durumu ve kontrol dışı sinyale neden olan değişken(ler)i belirleyebilen yapay sinir ağı modelleri tasarlanmıştır. Performans ölçütü olarak kontrol dışı durumu doğru belirleme oranları ve sinyale neden olan değişken(ler)i doğru belirleme oranları incelenmiştir. Tasarlanan YSA modellerinin performansları değişken sayısı, ilişki düzeyi, kayma miktarı, kayma türü ve alt örnek hacmi faktörleri bakımından klasik yöntemlerle karşılaştırılmıştır. Sonuç olarak tasarlanan YSA modellerinin çok değişkenli süreçlerde hem ortalama vektörünün kontrolünde hem de süreç değişkenliğinin kontrolünde, klasik yöntemlere göre kontrol dışı durumu daha yüksek oranlarda doğru belirleyebildiği ve sinyale neden olan değişken(ler)i daha yüksek oranlarda doğru sınıflandırabildiği belirlenmiştir.