Đstatistiksel süreç kontrolünün ürün kalitesini geliştirmede firmalara büyük yarar
sağladığı bilinmektedir. Üretim süreçlerinde sürecin kontrol altında olup olmadığının
belirlenmesi için yaygın olarak kullanılan araçlardan birisi kontrol grafikleridir.
Çalışmada, geleneksel Shewhart kontrol grafiklerine ek olarak klasik küme kavramına
yeni bir bakış açısı getirerek belirsizlik koşulları altında daha verimli çalışmalar ortaya
koyabilen bulanık mantık ile istatistiksel süreç kontrolünde kullanılabilecek bir model
geliştirilmesi amaçlanmıştır.
Süreçte meydana gelen değişkenliğin kısa sürede tespit edilmesi, maliyet ve
kalite açısından önemli kazançlar sağlamaktadır. Değişkenliğin tanımlanmasındaki
gecikmenin neden olacağı maliyet düşünüldüğünde, süreçteki sapmayı doğru ve çabuk
bir şekilde tespit edebilmenin üretim süreçleri için büyük bir öneme sahip olduğu
açıktır. Bilimsel araştırmalarda birçok yeniliğe neden olan bulanık mantığın istatistiksel
süreç kontrolünde de yeni gelişmeler kaydedilebileceği düşünülmüştür. Bu amaçla,
süreçteki sapmaların belirlenmesinde kullanılmak üzere bir bulanık model
geliştirilmiştir. Model, ortalama ve/veya varyanstaki sapmaların dört aşamada
belirlenmesi için kullanılan beş bulanık çıkarım sistemi ile beşinci aşamada süreçte
meydana gelebilecek özel durumları tespit etmek amacıyla dört bölge kuralını test eden
dört çıkarım sisteminden oluşmaktadır. Bulanık model ile kontrol grafiklerinin
performansları karşılaştırıldıktan sonra elde edilen sonuçlar değerlendirilmiştir.
It is well-known that statistical process control is very useful to improve product
quality. In production environment, control charts are one of the most widely used tools
applied to determine whether a process is statistically in control or not. In this study, in
addition to the traditional Shewhart control charts, it is purposed to develop a fuzzy
logic model. It will be helpful to achieve efficient studies under conditions with
uncertainty by getting a new viewpoint to the classical set theory.
Determining variability in process provides large gains in terms of costs and
quality. Considering the costs that caused by delay in defining the variability, it is
obvious to see the importance of determining the variation correctly and quickly in
production processes. Because of providing innovation in scientific researches by fuzzy
logic, it is purposed to achieve improvement in statistical process control with fuzzy
logic. To this end, a fuzzy model was developped for determining the variation in
process. The model is consist of five fuzzy inference systems which are used for
determining the variation in mean and/or standard deviation in four steps with the fifth
step that runs four zone rules for determining the special conditions in process. The
performance of fuzzy model and control charts are compared, then the results obtained
are evaluated.