İstatistiksel ve bulanık nicel kalite kontrol grafiklerinin simülasyon verileri ile karşılaştırılması

Abstract

İstatistiksel kalite kontrol (İKK), bir süreçten elde edilen hizmet veya ürünlerin standartlara, müşteri beklentilerine ve spesifikasyonlara uygun olup olmadığını denetleyen istatistiksel yöntemler topluluğudur. En iyi bilinen IKK yöntemi kalite kontrol grafikleridir (KKG). KKG'leri bir ürüne ilişkin kalite karakteristiğinin (ortalama, standart sapma vs) kabul edilebilir sınırlar içerisinde kalıp kalmadığını kontrol eden ve bu sınırları aşması durumunda uyarı veren grafiksel bir yöntemdir. KKG'ler nicel ve nitel olmak üzere iki kategoriye ayrılır. Bu iki kategori arasındaki temel fark, nicel KKG'leri ürünün ortalama, standart sapma ve aralık gibi ölçülebilir özelliklerini dikkate alırken, nitel KKG'leri ölçülemeyen özelliklerini dikkate almasıdır. Her iki kategori içinde temel istatistiksel varsayım, süreçten elde edilen örneklerin normal dağılıma uymasıdır. Ancak gerçek uygulamalarda, örneklerin bu varsayımı sağlaması oldukça güçtür. Bunun dışında, bu grafiklerin kullanılabilir olması için örneklerdeki gözlemler kesin olmak zorundadır. İstatistiksel KKG'lerin bu tür dezavantajlarını ortadan kaldırmak için son zamanlarda bulanık KKG'ler kullanılmaya başlanmıştır. Bulanık KKG'ler belirsiz ve eksik veriyi ele alabilme yeteneğine sahip bulanık küme teorisine dayanır. Bulanık KKG'lerde temel mantık, kontrol limitlerinin bulanık sayı olarak elde edilmesine izin vermesidir. Bulanık KKG'ler şu ana kadar birçok çalışmada kullanılmıştır. Ancak istatistiksel ve bulanık KKG'lerin performanslarını simülasyon çalışması yoluyla karşılaştıran bir çalışma bulunmamaktadır. Bu çalışma, nicel istatiksel ve bulanık KKG'lerin performanslarının simülasyon çalışması yoluyla karşılaştırmayı amaçlamaktadır. Bu amaca yönelik olarak, sürecin kontrol altında ve kontrol dışı olduğu durumları dikkate alan iki farklı simülasyon çalışması gerçekleştirilmiştir. Yapılan analizler sonucunda, nicel bulanık KKG'lerin en iyi performansı sağladığı görülmüştür.

Statistical Quality Control (SQC) is a collection of statistical methods that check whether a product and service obtained from a process is conformed with standards, customer's expectations and spesifications. The most known SQC method is quality control charts (QCC). QCCs is a graphical method which check whether quality characteristics of a product (mean, standard deviation etc.) are between admissible limits and give a warning in case that they exceed these limits. QCCs are divided into two categories as quantitative and qualitative. The main difference of these two categories is that quantitative QCCs consider measurable properties of the product such as mean, standard deviation, range etc. while qualitative QCSS consider unmeasurable properties. The fundamental statistical assumption for both two categories is that samples obtained from process follow normal distribution. But, it is very difficult that the samples satisfy this assumption in real time applications. Besides, the observations in the samples must be certain in order for these graphics to be practicable. In order to overcome these disadvantages of statistical QCCs, fuzzy QCCs are begun to use recently. Fuzzy QCCs are based on fuzzy set theory which is able to deal with uncertainty and incomplete data. The fundamental logic of fuzzy QCC is to allow obtaining the control limits as fuzzy number. So far, fuzzy QCCs have been used in many studies. But, there is no study that compares the performance of statistical and fuzzy QCCs via simulation study. This study aims to compare the performance of quantitative statistical and fuzzy QCCs via simulation. For this aim, two different simulation considered the cases which process is under control and out of control are carried out. At the result of analyses, it is observed that quantitative fuzzy QCCs provide the best performance.