Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial
Autor(a) principal: | |
---|---|
Data de Publicação: | 2023 |
Tipo de documento: | Tese |
Idioma: | por |
Título da fonte: | Manancial - Repositório Digital da UFSM |
dARK ID: | ark:/26339/0013000015bf9 |
Texto Completo: | http://repositorio.ufsm.br/handle/1/28024 |
Resumo: | The modernizing of the industrial manufacturing process requires simultaneous monitoring of product and process quality characteristics. Multivariate Statistical Process Control (MSPC) are able to assess the existing dependence between the investigated variables. In several hypotheses, the autocorrelation between the analyzed variables is present, where one of the main causes is the gradual wear and tear of machines and equipment. The use of multivariate control charts allows the process to be monitored in real time, ensuring the reduction of variability in the production system. The objective of this research is to propose a methodology based on residuals from vector autoregressive (VAR) models and vectors error correction (VEC), combined with Hotelling's T2 decomposition to identify the variable causing instability in the process. The methodology was tested through simulations and application to real data. Hotelling's T2 control chart, prepared from the residuals of the vector models, accurately indicated the intentionally incorporated outliers, and the T2 decomposition technique effectively pointed out the variable causing the variability. In terms of practical contributions, there was a combination of two distinct areas of knowledge: quality engineering and econometrics. The research sought to bring the academy closer to the industrial sector, since the focus of this methodology is to help managers and professionals who work in the area to deal with the presence of autocorrelated data in production processes. The use of this methodology helps in manufacturing competitiveness, and consequently, in the generation of employment and income for the sector. For future research, it is strongly suggested the application of this methodology in other industrial processes, combining other tools, and confronting them with different types of MSPCs. |
id |
UFSM_2a6f7933c02186126c9b539a41bab8fa |
---|---|
oai_identifier_str |
oai:repositorio.ufsm.br:1/28024 |
network_acronym_str |
UFSM |
network_name_str |
Manancial - Repositório Digital da UFSM |
repository_id_str |
|
spelling |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serialMethodology for detecting the source of variability in multivariate control charts for processes with serial autocorrelation dataMultivariate control chartsAutocorrelated variablesVector error correctionAutoregressive vectorsHotelling’s T2 decompositionCNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAOThe modernizing of the industrial manufacturing process requires simultaneous monitoring of product and process quality characteristics. Multivariate Statistical Process Control (MSPC) are able to assess the existing dependence between the investigated variables. In several hypotheses, the autocorrelation between the analyzed variables is present, where one of the main causes is the gradual wear and tear of machines and equipment. The use of multivariate control charts allows the process to be monitored in real time, ensuring the reduction of variability in the production system. The objective of this research is to propose a methodology based on residuals from vector autoregressive (VAR) models and vectors error correction (VEC), combined with Hotelling's T2 decomposition to identify the variable causing instability in the process. The methodology was tested through simulations and application to real data. Hotelling's T2 control chart, prepared from the residuals of the vector models, accurately indicated the intentionally incorporated outliers, and the T2 decomposition technique effectively pointed out the variable causing the variability. In terms of practical contributions, there was a combination of two distinct areas of knowledge: quality engineering and econometrics. The research sought to bring the academy closer to the industrial sector, since the focus of this methodology is to help managers and professionals who work in the area to deal with the presence of autocorrelated data in production processes. The use of this methodology helps in manufacturing competitiveness, and consequently, in the generation of employment and income for the sector. For future research, it is strongly suggested the application of this methodology in other industrial processes, combining other tools, and confronting them with different types of MSPCs.Coordenação de Aperfeiçoamento de Pessoal de Nível Superior - CAPESA modernização do processo de manufatura industrial exige o monitoramento simultâneo das características de qualidade do produto e processo. Os gráficos de controle estatístico multivariado de processos (Multivariate Statistical Process Control - MSPC) são capazes de avaliar a dependência existente entre as variáveis investigadas. Em diversas hipóteses, a autocorrelação entre as variáveis analisadas encontra-se presente, onde uma das principais causas é o desgaste gradativo de máquinas e equipamentos. O uso de gráficos de controle multivariados permite que o monitoramento do processo seja realizado em tempo real, garantindo a redução da variabilidade do sistema produtivo. O objetivo desta pesquisa é a proposição de uma metodologia baseada nos resíduos provenientes dos modelos de vetores autorregressivos (VAR) e vetores de correção de erro (VEC), combinados com a decomposição do T2 de Hotelling para identificar a variável causadora da instabilidade no processo. A metodologia foi testada por meio de simulações e aplicação em dados reais. O gráfico de controle T2 de Hotelling elaborado a partir dos resíduos dos modelos vetoriais, indicou com precisão os outliers incorporados intencionalmente, e a técnica de decomposição do T2 apontou efetivamente a variável causadora da variabilidade. Em termos de contribuições práticas, houve a combinação de duas áreas distintas do conhecimento: engenharia da qualidade e a econometria. A pesquisa buscou aproximar a academia do setor industrial, uma vez que, o foco dessa metodologia é auxiliar gestores e profissionais que atuam na área a lidar com a presença de dados autocorrelacionados em processos produtivos. O uso dessa metodologia, auxilia na competitividade fabril, e consequentemente, na geração de emprego e renda para o setor. Para pesquisas futuras, é sugerido fortemente a aplicação dessa metodologia em outros processos industriais, combinando outras ferramentas, e confrontando-as com diferentes tipos de MSPCs.Universidade Federal de Santa MariaBrasilEngenharia de ProduçãoUFSMPrograma de Pós-Graduação em Engenharia de ProduçãoCentro de TecnologiaSouza, Adriano Mendonçahttp://lattes.cnpq.br/5271075797851198Veiga, Claudimar Pereira daCoronel, Daniel ArrudaMarcondes Filho, DaniloSilva, Wesley Vieira daUeda, Renan Mitsuo2023-03-02T16:29:42Z2023-03-02T16:29:42Z2023-02-24info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisapplication/pdfhttp://repositorio.ufsm.br/handle/1/28024ark:/26339/0013000015bf9porAttribution-NonCommercial-NoDerivatives 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-nd/4.0/info:eu-repo/semantics/openAccessreponame:Manancial - Repositório Digital da UFSMinstname:Universidade Federal de Santa Maria (UFSM)instacron:UFSM2023-03-02T16:29:42Zoai:repositorio.ufsm.br:1/28024Biblioteca Digital de Teses e Dissertaçõeshttps://repositorio.ufsm.br/ONGhttps://repositorio.ufsm.br/oai/requestatendimento.sib@ufsm.br||tedebc@gmail.comopendoar:2023-03-02T16:29:42Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM)false |
dc.title.none.fl_str_mv |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial Methodology for detecting the source of variability in multivariate control charts for processes with serial autocorrelation data |
title |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial |
spellingShingle |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial Ueda, Renan Mitsuo Multivariate control charts Autocorrelated variables Vector error correction Autoregressive vectors Hotelling’s T2 decomposition CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO |
title_short |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial |
title_full |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial |
title_fullStr |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial |
title_full_unstemmed |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial |
title_sort |
Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial |
author |
Ueda, Renan Mitsuo |
author_facet |
Ueda, Renan Mitsuo |
author_role |
author |
dc.contributor.none.fl_str_mv |
Souza, Adriano Mendonça http://lattes.cnpq.br/5271075797851198 Veiga, Claudimar Pereira da Coronel, Daniel Arruda Marcondes Filho, Danilo Silva, Wesley Vieira da |
dc.contributor.author.fl_str_mv |
Ueda, Renan Mitsuo |
dc.subject.por.fl_str_mv |
Multivariate control charts Autocorrelated variables Vector error correction Autoregressive vectors Hotelling’s T2 decomposition CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO |
topic |
Multivariate control charts Autocorrelated variables Vector error correction Autoregressive vectors Hotelling’s T2 decomposition CNPQ::ENGENHARIAS::ENGENHARIA DE PRODUCAO |
description |
The modernizing of the industrial manufacturing process requires simultaneous monitoring of product and process quality characteristics. Multivariate Statistical Process Control (MSPC) are able to assess the existing dependence between the investigated variables. In several hypotheses, the autocorrelation between the analyzed variables is present, where one of the main causes is the gradual wear and tear of machines and equipment. The use of multivariate control charts allows the process to be monitored in real time, ensuring the reduction of variability in the production system. The objective of this research is to propose a methodology based on residuals from vector autoregressive (VAR) models and vectors error correction (VEC), combined with Hotelling's T2 decomposition to identify the variable causing instability in the process. The methodology was tested through simulations and application to real data. Hotelling's T2 control chart, prepared from the residuals of the vector models, accurately indicated the intentionally incorporated outliers, and the T2 decomposition technique effectively pointed out the variable causing the variability. In terms of practical contributions, there was a combination of two distinct areas of knowledge: quality engineering and econometrics. The research sought to bring the academy closer to the industrial sector, since the focus of this methodology is to help managers and professionals who work in the area to deal with the presence of autocorrelated data in production processes. The use of this methodology helps in manufacturing competitiveness, and consequently, in the generation of employment and income for the sector. For future research, it is strongly suggested the application of this methodology in other industrial processes, combining other tools, and confronting them with different types of MSPCs. |
publishDate |
2023 |
dc.date.none.fl_str_mv |
2023-03-02T16:29:42Z 2023-03-02T16:29:42Z 2023-02-24 |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/doctoralThesis |
format |
doctoralThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://repositorio.ufsm.br/handle/1/28024 |
dc.identifier.dark.fl_str_mv |
ark:/26339/0013000015bf9 |
url |
http://repositorio.ufsm.br/handle/1/28024 |
identifier_str_mv |
ark:/26339/0013000015bf9 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ info:eu-repo/semantics/openAccess |
rights_invalid_str_mv |
Attribution-NonCommercial-NoDerivatives 4.0 International http://creativecommons.org/licenses/by-nc-nd/4.0/ |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidade Federal de Santa Maria Brasil Engenharia de Produção UFSM Programa de Pós-Graduação em Engenharia de Produção Centro de Tecnologia |
publisher.none.fl_str_mv |
Universidade Federal de Santa Maria Brasil Engenharia de Produção UFSM Programa de Pós-Graduação em Engenharia de Produção Centro de Tecnologia |
dc.source.none.fl_str_mv |
reponame:Manancial - Repositório Digital da UFSM instname:Universidade Federal de Santa Maria (UFSM) instacron:UFSM |
instname_str |
Universidade Federal de Santa Maria (UFSM) |
instacron_str |
UFSM |
institution |
UFSM |
reponame_str |
Manancial - Repositório Digital da UFSM |
collection |
Manancial - Repositório Digital da UFSM |
repository.name.fl_str_mv |
Manancial - Repositório Digital da UFSM - Universidade Federal de Santa Maria (UFSM) |
repository.mail.fl_str_mv |
atendimento.sib@ufsm.br||tedebc@gmail.com |
_version_ |
1815172453233590272 |