سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,532
تعداد مقالات70,502
تعداد مشاهده مقاله124,117,097
تعداد دریافت فایل اصل مقاله97,221,997
Khodakarami, Vahid, Haghi, Farshad, Aghababaei, Salman, Faraji, Abolfazl. (1396). A Novel Approach to Analyze Quality Cost Using Hybrid Bayesian Networks. , 51(3), 297-310. doi: 10.22059/jieng.2017.101597.676
Vahid Khodakarami; Farshad Haghi; Salman Aghababaei; Abolfazl Faraji. "A Novel Approach to Analyze Quality Cost Using Hybrid Bayesian Networks". , 51, 3, 1396, 297-310. doi: 10.22059/jieng.2017.101597.676
Khodakarami, Vahid, Haghi, Farshad, Aghababaei, Salman, Faraji, Abolfazl. (1396). 'A Novel Approach to Analyze Quality Cost Using Hybrid Bayesian Networks', , 51(3), pp. 297-310. doi: 10.22059/jieng.2017.101597.676
Khodakarami, Vahid, Haghi, Farshad, Aghababaei, Salman, Faraji, Abolfazl. A Novel Approach to Analyze Quality Cost Using Hybrid Bayesian Networks. , 1396; 51(3): 297-310. doi: 10.22059/jieng.2017.101597.676

A Novel Approach to Analyze Quality Cost Using Hybrid Bayesian Networks

Advances in Industrial Engineering
مقاله 4، دوره 51، شماره 3، دی 2017، صفحه 297-310    اصل مقاله (1.03 M)
نوع مقاله: Research Paper
شناسه دیجیتال (DOI): 10.22059/jieng.2017.101597.676
نویسندگان
Vahid Khodakarami* ؛ Farshad Haghi؛ Salman Aghababaei؛ Abolfazl Faraji
Department of Industrial Engineering, Bu-Ali-Sina University, Hamedan, Iran
چکیده
Cost of quality (COQ) is an essential element of total quality management (TQM) system. It generally consists of conformance (preventing poor quality), and non-conformance (failure of product and service) costs. The accurate assessment and analysis of such costs can improve managing the quality of products and services significantly. The prevention–appraisal–failure (PAF) model is one of the most widely used models for analyzing and classifying the cost of quality. This approach identifies the different parameters affecting on COQ, which is generally affected by many parameters. However, the PAF model doesn’t take into account the uncertainty (risk) involved in these parameters. Moreover, the casual relationships among these parameters and also environmental and qualitative factors, are not properly addressed. This paper aims to offer a probabilistic model to assess COQ by mapping the PAF model to Bayesian networks (BNs). BNs provide a framework for presenting inherent uncertainties, formal use of experts’ judgments and probabilistic inference among a variables set. In this approach, first a qualitative model is developed to prioritize PAF groups. Then, in the group with highest priority (i.e. prevention) a quantitative model is presented. The model captures the affecting parameters in more details and provides a probabilistic analysis for qualitative and quantitative factors. The capabilities of the proposed approach are explained using data collected in a chemical products manufacturing company as a case study.
کلیدواژه‌ها
Cost of quality؛ Hybrid Bayesian Networks؛ Prevention–appraisal–failure model
عنوان مقاله [English]
رویکردی نوین به تحلیل هزینه‌های کیفیت با استفاده از شبکه‌های بیزین هیبریدی
نویسندگان [English]
وحید خداکرمی؛ فرشاد حقی؛ سلمان آقابابایی؛ ابولفضل فرجی
استادیار گروه مهندسی صنایع، دانشکدۀ مهندسی دانشگاه بوعلی‌سینا همدان
چکیده [English]
هزینه‌های کیفیت (COQ) - که عموماً شامل هزینه‌های پیشگیری از کیفیت ضعیف (هزینۀ انطباق) و هزینه‌های ناشی از کیفیت ضعیف (هزینۀ عدم انطباق) است - بخش شاخصی از سیستم مدیریت کیفیت جامع به­شمار می­رود. با بررسی دقیق و اصلاح این هزینه‌ها می‌توان کیفیت محصول یا خدمت را تا حد زیادی بهبود بخشید. از این‌رو، مدل پیشگیری-ارزیابی-شکست (PAF)، به‌عنوان یکی از رایج‌ترین رویکردها برای تعیین و طبقه‌بندی هزینه‌های کیفیت ارائه شده است. در این رویکرد، هزینه‌های کیفیت از پارامترهای متعددی تشکیل شده‌اند، اما شاخصی برای شناسایی و میزان اثرگذاری عدم قطعیت (ریسک) این پارامترها درنظر گرفته نشده است. علاوه­براین، عوامل محیطی، کیفی و روابط علی میان پارامترها نادیده گرفته شده‌اند. در این پژوهش، با ترکیب هزینه‌های کیفیت با روش شبکه‌های بیزین هیبریدی، به مدلی احتمالی برای ارزیابی هزینه‌های کیفیت پرداخته می شود. شبکه‌های بیزین، چارچوب مناسبی برای مدل‌سازی عدم قطعیت، استفادۀ رسمی از دیدگاه­های خبرگان و استنتاج احتمالات بین متغیرها ارائه می‌کند. در این رویکرد، ابتدا مدلی کیفی برای اولویت‌بندی گروه‌های سه‌گانۀ PAF ارائه می­شود و پس از آن به‌عنوان نمونه در گروه با اولویت بیشتر، مدلی کمی معرفی می­شود که به تحلیل احتمالی پارامترها و عوامل کیفی تأثیرگذار پرداخته است. روش پیشنهادی، در یک شرکت تولیدکنندۀ مواد شیمیایی، اجرا و نتایج آن ارائه شد. رویکرد پیشنهادی، پارامترهای مهم COQ را برای محصول مورد نظر شناسایی می­کند و با تهیه و استخراج داده‌های بیشتر، امکان تحلیل محتمل را از طریق تحلیل سناریو فراهم می‌آورد.
کلیدواژه‌ها [English]
شبکۀ بیزین هیبریدی, مدل پیشگیری-ارزیابی-شکست, هزینه‌های کیفیت
مراجع
  1. Harrington, H. J. (1999). “Performance improvement: a total poor-quality cost system”, The TQM Magazine, Vol. 11, No. 4, PP. 221–230.
  2. Teeravaraprug, J. (2004). Quantification of tangible and intangible quality costs. In Proceedings of the Fifth Asia Pacific Industrial Engineering and Management Systems Conference, PP. 1–7.
  3. Heckerman, D., Mamdani, A., and Wellman, M. P. (1995). “Real-world applications of Bayesian networks”, Communications of the ACM, Vol. 38, No. 3, PP. 24–26.
  4. Neil, M., Tailor, M., Marquez, D., Fenton, N., and Hearty, P. (2008). “Modelling dependable systems using hybrid Bayesian networks”, Reliability Engineering & System Safety, Vol. 93,No. 7, PP. 933–939.
  5. Juran, J., and Godfrey, A. B. (1999). Quality handbook, Republished McGraw-Hill.
  6. Feigenbaum, A. V. (1956). “Total quality-control”, Harvard business review, Vol. 34, No. 6, PP. 93–101.
  7. Dale, B. G., and Plunkett, J. J. (1999). Quality costing, Gower Publishing, Ltd.
  8. Juran, J. M., Gryna, F. M., and Bingham, R. (1975). Quality Control Textbook. McGraw-Hill, New York.
  9. Modarress, B., and Ansari, A. (1987). “Two new dimensions in the cost of quality”, International Journal of Quality & Reliability Management, Vol. 4, No.4, PP. 9–20.
  10. Carr, L. P. (2012). Applying the cost of quality to a service business, Image.
  11. Tatikonda, L. U., and Tatikonda, R. J. (1996). “Measuring and reporting the cost of quality”, Production and Inventory Management Journal, Vol. 37, No. 2, PP. 1–7.
  12. Heagy, C. D. (1991). “Determining optimal quality costs by considering cost of lost sales”, Journal of Cost Management, Vol. 5, No. 3, PP. 64–72.
  13. Pearl, J. (1987). “Evidential reasoning using stochastic simulation of causal models”, Artificial Intelligence, Vol. 32, No. 2, PP. 245–257.
  14. Fenton, N. E., and Neil, M. (2007). Managing risk in the modern world: Bayesian networks and the applications, London Mathematical Society, Knowledge Transfer Report.
  15. Heckerman, D. (1997). “Bayesian networks for data mining”, Data Mining and Knowledge Discovery, Vol. 1, No. 1, PP. 79–119.
  16. Nadkarni, S., and Shenoy, P. P. (2004). “A causal mapping approach to constructing Bayesian networks”, Decision Support Systems, Vol. 38, No. 2, PP. 259–281.
  17. Olson, M. S. (1997). “Bayesian procedures for discriminating among hypotheses with discrete distributions: inheritance in the tetraploid Astilbe biternata”, Genetics, Vol. 147, No. 4, PP. 1933–1942.
  18. Van Engelen, R. A. (1997). “Approximating Bayesian belief networks by arc removal”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 8, PP. 916–920.
  19. Heckerman, D., and Breese, J. S. (1996). “Causal independence for probability assessment and inference using Bayesian networks”, IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, Vol. 26, No.6, PP. 826–831.
  20. Van der Gaag, L. C., Renooij, S., Witteman, C. L., Aleman, B. M., and Taal, B. G. (1999). How to elicit many probabilities, In Proceedings of the Fifteenth conference on Uncertainty in artificial intelligence, PP. 647–654.
  21. Pearl, J. (1988). “On probability intervals”, International Journal of Approximate Reasoning, Vol. 2, No.3, PP. 211–216.
  22. Lemmer, J. F., and Gossink, D. E. (2004). “Recursive noisy OR-a rule for estimating complex probabilistic interactions”, IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), Vol. 34, No. 6, PP. 2252–2261.
  23. Das, B. (2004). Generating conditional probabilities for Bayesian networks: Easing the knowledge acquisition problem. arXiv preprint cs/0411034.
  24. Monti, S., and Carenini, G. (2000). “Dealing with the expert inconsistency in probability elicitation”, IEEE Transactions on Knowledge and Data Engineering, Vol. 12, No.4, PP. 499–508.
  25. Chin, K. S., Tang, D. W., Yang, J. B., Wong, S. Y., and Wang, H. (2009). “Assessing new product development project risk by Bayesian network with a systematic probability generation methodology”, Expert Systems with Applications, Vol. 36, No. 6, PP. 9879–9890.
  26. Birtles, N., Fenton, N., and Neil, M. (2016). Agenarisk software, Online at: http://www.agenarisk.com/.
  27. Galway, L. A. (2007). Subjective probability distribution elicitation in cost risk analysis: A review, Vol. 410. Rand Corporation.
  28. Morgan, M. G., and Henrion, M. (1990). Uncertainty: a Guide to dealing with uncertainty in quantitative risk and policy analysis Cambridge University Press, New York, USA.
  29. Perry, C., and Greig, I. D. (1975). “Estimating the mean and variance of subjective distributions in PERT and decision analysis”, Management Science, Vol. 21, No. 12, PP. 1477–1480.
  30. Selvidge, J. E. (1980). “Assessing the extremes of probability distributions by the fractile method”, Decision Sciences, Vol. 11, No. 3, PP. 493–502.
  31. Keefer, D. L., and Verdini, W. A. (1993). “Better estimation of PERT activity time parameters”, Management Science, Vol. 39, No. 9, PP. 1086–1091.
آمار
تعداد مشاهده مقاله: 552
تعداد دریافت فایل اصل مقاله: 560


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب