• صفحه اصلی
  • مرور
    • شماره جاری
    • بر اساس شماره‌های نشریه
    • بر اساس نویسندگان
    • بر اساس موضوعات
    • نمایه نویسندگان
    • نمایه کلیدواژه ها
  • اطلاعات نشریه
    • درباره نشریه
    • اهداف و چشم انداز
    • اعضای هیات تحریریه
    • اصول اخلاقی انتشار مقاله
    • بانک ها و نمایه نامه ها
    • پیوندهای مفید
    • پرسش‌های متداول
    • فرایند پذیرش مقالات
    • اخبار و اعلانات
  • راهنمای نویسندگان
  • ارسال مقاله
  • داوران
  • تماس با ما
 
  • ورود به سامانه ▼
    • ورود به سامانه
    • ثبت نام در سامانه
  • English
صفحه اصلی فهرست مقالات مشخصات مقاله
  • ذخیره رکوردها
  • |
  • نسخه قابل چاپ
  • |
  • توصیه به دوستان
  • |
  • ارجاع به این مقاله ارجاع به مقاله
    RIS EndNote BibTeX APA MLA Harvard Vancouver
  • |
  • اشتراک گذاری اشتراک گذاری
    CiteULike Mendeley Facebook Google LinkedIn Twitter
نشریه مهندسی صنایع
مقالات آماده انتشار
شماره جاری
شماره‌های پیشین نشریه
دوره دوره 52 (1397)
دوره دوره 51 (1396)
شماره شماره 4
زمستان 1396، صفحه 375-473
شماره شماره 3
پاییز 1396، صفحه 265-374
شماره شماره 2
تابستان 1396، صفحه 133-264
شماره شماره 1
بهار 1396، صفحه 1-131
دوره دوره 50 (1395)
دوره دوره 49 (1394)
دوره دوره 48 (1393)
دوره دوره 47 (1392)
دوره دوره 46 (1391)
دوره دوره 45 (1390)
دوره دوره 44 (1389)
دوره دوره 43 (1388)
خداکرمی, وحید, حقی, فرشاد, آقابابایی, سلمان, فرجی, ابولفضل. (1396). رویکردی نوین به تحلیل هزینه‌های کیفیت با استفاده از شبکه‌های بیزین هیبریدی. نشریه مهندسی صنایع, 51(3), 297-310. doi: 10.22059/jieng.2017.101597.676
وحید خداکرمی; فرشاد حقی; سلمان آقابابایی; ابولفضل فرجی. "رویکردی نوین به تحلیل هزینه‌های کیفیت با استفاده از شبکه‌های بیزین هیبریدی". نشریه مهندسی صنایع, 51, 3, 1396, 297-310. doi: 10.22059/jieng.2017.101597.676
خداکرمی, وحید, حقی, فرشاد, آقابابایی, سلمان, فرجی, ابولفضل. (1396). 'رویکردی نوین به تحلیل هزینه‌های کیفیت با استفاده از شبکه‌های بیزین هیبریدی', نشریه مهندسی صنایع, 51(3), pp. 297-310. doi: 10.22059/jieng.2017.101597.676
خداکرمی, وحید, حقی, فرشاد, آقابابایی, سلمان, فرجی, ابولفضل. رویکردی نوین به تحلیل هزینه‌های کیفیت با استفاده از شبکه‌های بیزین هیبریدی. نشریه مهندسی صنایع, 1396; 51(3): 297-310. doi: 10.22059/jieng.2017.101597.676

رویکردی نوین به تحلیل هزینه‌های کیفیت با استفاده از شبکه‌های بیزین هیبریدی

مقاله 4، دوره 51، شماره 3، پاییز 1396، صفحه 297-310  XML اصل مقاله (1.03 MB)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jieng.2017.101597.676
نویسندگان
وحید خداکرمی email 1؛ فرشاد حقی2؛ سلمان آقابابایی2؛ ابولفضل فرجی2
1استادیار گروه مهندسی صنایع، دانشکدۀ مهندسی دانشگاه بوعلی‌سینا همدان
2کارشناس ارشد مهندسی صنایع، دانشکدۀ مهندسی دانشگاه بوعلی‌سینا همدان
چکیده
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
شبکۀ بیزین هیبریدی؛ مدل پیشگیری-ارزیابی-شکست؛ هزینه‌های کیفیت
موضوعات
مهندسی مالی و علوم تصمیم گیری
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: 268
تعداد دریافت فایل اصل مقاله: 316
صفحه اصلی | واژه نامه اختصاصی | اخبار و اعلانات | اهداف و چشم انداز | نقشه سایت
ابتدای صفحه ابتدای صفحه

Journal Management System. Designed by sinaweb.