Published May 6, 2024
| Version v1
Publication
Open
Developing Bayesian EWMA chart for change detection in the shape parameter of Inverse Gaussian process
Creators
- 1. Government College University, Lahore
- 2. University of Sharjah
- 3. Government College of Science
Description
Bayesian Control charts are emerging as the most efficient statistical tools for monitoring manufacturing processes and providing effective control over process variability. The Bayesian approach is particularly suitable for addressing parametric uncertainty in the manufacturing industry. In this study, we determine the monitoring threshold for the shape parameter of the Inverse Gaussian distribution (IGD) and design different exponentially-weighted-moving-average (EWMA) control charts based on different loss functions (LFs). The impact of hyperparameters is investigated on Bayes estimates (BEs) and posterior risks (PRs). The performance measures such as average run length (ARL), standard deviation of run length (SDRL), and median of run length (MRL) are employed to evaluate the suggested approach. The designed Bayesian charts are evaluated for different settings of smoothing constant of the EWMA chart, different sample sizes, and pre-specified false alarm rates. The simulative study demonstrates the effectiveness of the suggested Bayesian method-based EWMA charts as compared to the conventional classical setup-based EWMA charts. The proposed techniques of EWMA charts are highly efficient in detecting shifts in the shape parameter and outperform their classical counterpart in detecting faults quickly. The proposed technique is also applied to real-data case studies from the aerospace manufacturing industry. The quality characteristic of interest was selected as the monthly industrial production index of aircraft from January 1980 to December 2022. The real-data-based findings also validate the conclusions based on the simulative results.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تبرز مخططات التحكم البايزية كأدوات إحصائية أكثر كفاءة لمراقبة عمليات التصنيع وتوفير تحكم فعال في تقلب العملية. النهج البايزي مناسب بشكل خاص لمعالجة عدم اليقين البارامترية في الصناعة التحويلية. في هذه الدراسة، نحدد عتبة المراقبة لمعلمة الشكل للتوزيع الغاوسي العكسي (IGD) ونصمم مخططات تحكم مختلفة للمتوسط المتحرك الأسي (EWMA) بناءً على وظائف الخسارة المختلفة (LFs). يتم التحقيق في تأثير المعلمات المفرطة على تقديرات بايز (BEs) والمخاطر اللاحقة (PRs). يتم استخدام مقاييس الأداء مثل متوسط طول التشغيل (ARL)، والانحراف المعياري لطول التشغيل (SDRL)، ومتوسط طول التشغيل (MRL) لتقييم النهج المقترح. يتم تقييم المخططات البايزية المصممة للإعدادات المختلفة لثابت التنعيم لمخطط EWMA، وأحجام العينات المختلفة، ومعدلات الإنذار الكاذب المحددة مسبقًا. توضح الدراسة المحاكاة فعالية مخططات EWMA القائمة على طريقة Bayesian المقترحة مقارنة بمخططات EWMA التقليدية القائمة على الإعداد. التقنيات المقترحة لمخططات EWMA فعالة للغاية في اكتشاف التحولات في معلمة الشكل وتتفوق على نظيرتها الكلاسيكية في اكتشاف الأعطال بسرعة. يتم تطبيق التقنية المقترحة أيضًا على دراسات الحالة للبيانات الحقيقية من صناعة الطيران. تم اختيار خاصية الجودة المثيرة للاهتمام كمؤشر الإنتاج الصناعي الشهري للطائرات من يناير 1980 إلى ديسمبر 2022. كما تتحقق النتائج القائمة على البيانات الحقيقية من صحة الاستنتاجات بناءً على نتائج المحاكاة.Translated Description (French)
Les cartes de contrôle bayésiennes apparaissent comme les outils statistiques les plus efficaces pour surveiller les processus de fabrication et fournir un contrôle efficace de la variabilité des processus. L'approche bayésienne est particulièrement adaptée pour répondre à l'incertitude paramétrique dans l'industrie manufacturière. Dans cette étude, nous déterminons le seuil de surveillance pour le paramètre de forme de la distribution gaussienne inverse (IGD) et concevons différentes cartes de contrôle de moyenne mobile exponentiellement pondérée (EWMA) basées sur différentes fonctions de perte (LF). L'impact des hyperparamètres est étudié sur les estimations de Bayes (BE) et les risques postérieurs (PR). Les mesures de performance telles que la longueur de parcours moyenne (ARL), l'écart type de la longueur de parcours (SDRL) et la médiane de la longueur de parcours (MRL) sont utilisées pour évaluer l'approche suggérée. Les graphiques bayésiens conçus sont évalués pour différents paramètres de constante de lissage du graphique EWMA, différentes tailles d'échantillons et taux de fausses alarmes prédéfinis. L'étude simulative démontre l'efficacité des graphiques EWMA basés sur la méthode bayésienne suggérée par rapport aux graphiques EWMA classiques basés sur la configuration. Les techniques proposées de diagrammes EWMA sont très efficaces pour détecter les changements dans le paramètre de forme et surpassent leur homologue classique pour détecter rapidement les défauts. La technique proposée est également appliquée à des études de cas de données réelles de l'industrie manufacturière aérospatiale. La caractéristique de qualité d'intérêt a été choisie comme indice mensuel de production industrielle d'aéronefs de janvier 1980 à décembre 2022. Les résultats basés sur des données réelles valident également les conclusions basées sur les résultats de simulation.Translated Description (Spanish)
Los gráficos de control bayesiano están surgiendo como las herramientas estadísticas más eficientes para monitorear los procesos de fabricación y proporcionar un control efectivo sobre la variabilidad del proceso. El enfoque bayesiano es particularmente adecuado para abordar la incertidumbre paramétrica en la industria manufacturera. En este estudio, determinamos el umbral de monitoreo para el parámetro de forma de la distribución gaussiana inversa (IgD) y diseñamos diferentes gráficos de control de media móvil ponderada exponencialmente (EWMA) basados en diferentes funciones de pérdida (LF). El impacto de los hiperparámetros se investiga en las estimaciones de Bayes (BE) y los riesgos posteriores (PR). Las medidas de rendimiento, como la longitud media de ejecución (ARL), la desviación estándar de la longitud de ejecución (SDRL) y la mediana de la longitud de ejecución (MRL) se emplean para evaluar el enfoque sugerido. Los gráficos bayesianos diseñados se evalúan para diferentes configuraciones de la constante de suavizado del gráfico EWMA, diferentes tamaños de muestra y tasas de falsas alarmas preespecificadas. El estudio simulativo demuestra la eficacia de los gráficos de EWMA basados en el método bayesiano sugerido en comparación con los gráficos de EWMA basados en la configuración clásica convencional. Las técnicas propuestas de los gráficos EWMA son altamente eficientes en la detección de cambios en el parámetro de forma y superan a su contraparte clásica en la detección rápida de fallas. La técnica propuesta también se aplica a estudios de casos de datos reales de la industria de fabricación aeroespacial. La característica de calidad de interés fue seleccionada como el índice de producción industrial mensual de aeronaves de enero de 1980 a diciembre de 2022. Los resultados basados en datos reales también validan las conclusiones basadas en los resultados simulados.Files
journal.pone.0301259&type=printable.pdf
Files
(3.5 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:e412da6d75ce92af2677e81b5de53559
|
3.5 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- تطوير مخطط EWMA البايزي للكشف عن التغيير في معلمة الشكل لعملية Gaussian العكسية
- Translated title (French)
- Développer un graphique EWMA bayésien pour la détection de changement dans le paramètre de forme du processus gaussien inverse
- Translated title (Spanish)
- Desarrollo de un gráfico EWMA bayesiano para la detección de cambios en el parámetro de forma del proceso gaussiano inverso
Identifiers
- Other
- https://openalex.org/W4396673978
- DOI
- 10.1371/journal.pone.0301259
References
- https://openalex.org/W135258734
- https://openalex.org/W1573297330
- https://openalex.org/W1982937155
- https://openalex.org/W1990285714
- https://openalex.org/W1990332618
- https://openalex.org/W1992997967
- https://openalex.org/W2017674017
- https://openalex.org/W2020377117
- https://openalex.org/W2030529491
- https://openalex.org/W2036389304
- https://openalex.org/W2065804679
- https://openalex.org/W2066608623
- https://openalex.org/W2079025608
- https://openalex.org/W2093579479
- https://openalex.org/W2095324058
- https://openalex.org/W2142635246
- https://openalex.org/W2484571116
- https://openalex.org/W2512626291
- https://openalex.org/W2744812993
- https://openalex.org/W2756093869
- https://openalex.org/W2797899062
- https://openalex.org/W2903503230
- https://openalex.org/W2914877393
- https://openalex.org/W2948913853
- https://openalex.org/W2961858441
- https://openalex.org/W2962974493
- https://openalex.org/W2967889642
- https://openalex.org/W2995461847
- https://openalex.org/W2997634574
- https://openalex.org/W3009020735
- https://openalex.org/W3021632058
- https://openalex.org/W3042761863
- https://openalex.org/W3084069331
- https://openalex.org/W3085950237
- https://openalex.org/W3087103695
- https://openalex.org/W3108104092
- https://openalex.org/W3117747329
- https://openalex.org/W3135174923
- https://openalex.org/W3165067714
- https://openalex.org/W3165739435
- https://openalex.org/W3171292561
- https://openalex.org/W3204476393
- https://openalex.org/W4206561836
- https://openalex.org/W4223895624
- https://openalex.org/W4245276699
- https://openalex.org/W4280501649
- https://openalex.org/W4282831062
- https://openalex.org/W4284988346
- https://openalex.org/W4309491228
- https://openalex.org/W4316466923
- https://openalex.org/W4321598865
- https://openalex.org/W4380203003
- https://openalex.org/W4386220345
- https://openalex.org/W4387933742
- https://openalex.org/W4388998835
- https://openalex.org/W4389222446
- https://openalex.org/W55320940
- https://openalex.org/W627113284
- https://openalex.org/W988335224