Metodologia para a detecção da fonte de variabilidade em gráficos de controle multivariados para processos com dados de autocorrelação serial

Detalhes bibliográficos
Autor(a) principal: Ueda, Renan Mitsuo
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