MODELO LINEAR DINÂMICO DE HARRISON & STEVENS APLICADO AO CONTROLE ESTATÍSTICO DE PROCESSOS AUTOCORRELACIONADOS

Um dos principais problemas em manufatura é como ajustar um processo de produção que não está obtendo uma performance desejada. O intuito é fazer com que o parâmetro do processo volte a assumir um valor alvo requerido. As técnicas de controle estatístico de processo (CEP) são amplamente utilizadas na indústria para monitorar processos e, conseqüentemente, para melhoria da qualidade. Os gráficos de controle para variáveis mais freqüentemente utilizados para monitorar a média e a variabilidade do processo são os gráficos de Shewhart, os gráficos de CUSUM e os gráficos de EWMA. Porém, as considerações básicas para se utilizar um gráfico de Shewhart são que os dados gerados pelo processo sejam independentes e identicamente distribuídos (IID). Quando a hipótese de independência dos dados não é satisfeita, tais gráficos não funcionam bem, pois fornecerão resultados não confiáveis na forma de excesso de alarme falsos, ou seja, conduz a interpretações equivocadas acerca do processo e gera custos adicionais de controle. Esta tese utiliza uma formulação bayesiana, o Modelo Linear Dinâmico de Harrison & Stevens (MLD-HS) para o monitoramento da média de processos cujas observações podem ser modeladas como um processo ARMA (1,1). O Fator de Bayes acumulado foi utilizado na detecção de desvios na média de um dado processo. Posteriormente, os resultados obtidos pelo modelo proposto, que foi nomeado como MLD-CEP, são comparados aos resultados obtidos por Lu & Reynolds (2001). Os resultados obtidos pelo MLD-CEP sugerem bom desempenho na detecção de alterações na média em processos de baixo a moderadamente alto nível de autocorrelação.Monitoring a manufacturing process is an important subject in the industries currently. Statistical process control techniques are widely used for process monitoring and quality improvement. Control charts for variables more often used to control both process mean and variance are Shewhart control charts, CUSUM charts and EWMA charts. However, the basic assumptions to use a Shewhart chart are: independent and identically distributed observations (IID); but,autocorrelation may be present in many process, and may have a strong impact nthe properties of control charts. This thesis used a bayesian formulation, Dynamic Linear Model of Harrison & Stevens (MLD-HS), for monitoring the process mean for the situation in which observations from the process can be modeled as an ARMA(1,1). The cumulative Bayes factor has been used for detecting shifts on the process mean. After that, the results obtained by MLD-CEP are compared with the results obtained by Lu & Reynolds (2001). The MLD-CEP results indicate a good performance in detecting shifts in the process mean