Monitoramento de perfis lineares

• Ano de defesa: 2009
• Autor(a) principal: Fernandes, Viviany Leão
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Estado do Rio de Janeiro; Centro de Tecnologia e Ciências::Instituto Politécnico; BR; UERJ; Programa de Pós-Graduação em Modelagem Computacional
• Palavras-chave em Português: Process control statistical methods; Quality control statistical methods; Regression analysis; Least squares; Kalman filtering; Computer modeling; Controle de processo - Métodos estatísticos; Controle de qualidade - Métodos estatísticos; Análise de regressão; Mínimos quadrados; Kalman, Filtragem de; Simulação (Computadores); CNPQ::CIENCIAS EXATAS E DA TERRA::PROBABILIDADE E ESTATISTICA
• Link de acesso: http://www.bdtd.uerj.br/handle/1/13826

Uma das ferramentas básicas no controle estatístico de processos são os gráficos de controle de Shewhart, úteis no monitoramento das características-chave da qualidade nos processos de produção. Este monitoramento pode ser feito através de gráficos de controle univariados ou multivariados, quando a característica de qualidade é representada, respectivamente, por uma variável aleatória univariada ou multivariada. Em alguns casos, a qualidade pode ser representada por algum tipo de perfil, uma relação linear ou não-linear entre suas características. Este trabalho é dedicado ao estudo da fase II de gráficos de controle, ao monitoramento de uma variável, em um processo de produção, que é representada por um perfil linear, e os coeficientes de regressão são estimados pelo método de mínimos quadrados ordinários e pelo filtro de Kalman. Utiliza-se o gráfico de controle 2 c para o monitoramento dos parâmetros, intercepto e coeficiente de inclinação, do modelo de regressão linear simples. É proposto a aplicação das estimativas do filtro de Kalman ao gráfico de controle 2 c e também o estudo da eficiência deste gráfico com tais estimativas, bem como, a comparação com as estimativas obtidas pelo método de mínimos quadrados ordinários. Através de uma métrica construída com as estimativas do filtro de Kalman e com as estimativas do método de mínimos quadrados ordinários, compara-se o desempenho do gráfico de controle 2 c e verifica-se que este é mais rápido na detecção de mudanças nos parâmetros do modelo do processo quando suas estimativas são geradas pelo filtro de Kalman do que pelo método de mínimos quadrados ordinários.