شناسایی عوامل مؤثر بر کیفیت محصولات صنعتی با تحلیل خوشه‌بندی داده‌ها
الموضوعات :رئوف امامی رازلیقی 1 , احمد علی اوموئی میلان 2 , صادق عابدی 3
1 - دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
2 - دانشجوی دکتری، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
3 - استادیار، گروه مدیریت صنعتی، واحد قزوین، دانشگاه آزاد اسلامی، قزوین، ایران
الکلمات المفتاحية: کیفیت محصولات صنعتی, داده‌کاوی, تحلیل خوشه‌بندی, بهینه‌سازی تولید,
ملخص المقالة :
شناسایی دقیق عوامل مؤثر بر کیفیت محصولات می‌تواند به بهبود فرآیندهای تولید، کاهش ضایعات، افزایش بهره‌وری و در نهایت ارتقاء رضایت مشتریان منجر شود . این پژوهش با هدف شناسایی عوامل مؤثر بر کیفیت محصولات صنعتی و تحلیل روابط میان این عوامل با استفاده از تکنیک‌های داده‌کاوی و خوشه‌بندی انجام شد. داده های مرتبط با فرآیند تولید صنعتی شامل متغیرهایی نظیر خلوص مواد اولیه، نرخ خطای دستگاه، دما، فشار، سرعت تولید و تجربه نیروی انسانی شبیه‌سازی و پیش‌پردازش شدند. برای تحلیل داده‌ها، الگوریتم‌های K-Means، خوشه‌بندی سلسله‌مراتبی و DBSCAN به‌کار گرفته شدند . نتایج نشان داد که خلوص مواد اولیه، نرخ خطای دستگاه، و دما از جمله مهم‌ترین عوامل تأثیرگذار بر کیفیت محصولات هستند. همچنین، خوشه‌هایی با خلوص مواد اولیه بالا (>95%) و نرخ خطای دستگاه کمتر از 2% بهترین کیفیت را نشان دادند، در حالی که خوشه‌هایی با خلوص پایین و سرعت تولید بالا کیفیت ضعیفی داشتند. این پژوهش الگویی جامع برای تحلیل و بهینه‌سازی کیفیت محصولات صنعتی ارائه می‌دهد که می‌تواند در صنایع مختلف نظیر خودروسازی، داروسازی، و صنایع غذایی مورد استفاده قرار گیرد.
1. Smith, J. A., & Johnson, L. M. (2015). "Data Mining Techniques for Industrial Process Control." Journal of Manufacturing Systems, 37, 123-134.
2. Brown, K. W., & Davis, P. R. (2016). "Clustering Algorithms in Quality Management: A Comparative Study." International Journal of Production Research, 54(8), 2450-2462.
3. Williams, R. T., & Martinez, S. A. (2017). "Impact of Material Purity on Product Quality in Manufacturing." Materials Science and Engineering, 412, 89-98.
4. Garcia, M. L., & Thompson, E. J. (2018). "Machine Learning Approaches to Predictive Maintenance in Industrial Settings." IEEE Transactions on Industrial Informatics, 14(3), 1360-1368.
5. Lee, H. J., & Kim, S. Y. (2019). "Application of Hierarchical Clustering in Supply Chain Management." Computers & Industrial Engineering, 127, 676-685.
6. Nguyen, T. P., & Wang, Y. (2020). "Evaluating the Effectiveness of K-Means Clustering in Quality Control." Expert Systems with Applications, 149, 113251.
7. Chen, X., & Zhang, Y. (2021). "Role of Employee Training in Enhancing Product Quality: A Data-Driven Analysis." Total Quality Management & Business Excellence, 32(5-6), 567-580.
8. Patel, D. R., & Singh, A. K. (2022). "Optimization of Manufacturing Parameters Using Genetic Algorithms." Journal of Intelligent Manufacturing, 33(2), 345-358.
9. Hernandez, L. M., & Lopez, R. G. (2023). "Real-Time Monitoring of Production Processes Using AI Techniques." Procedia CIRP, 107, 123-128.
10. Kumar, S., & Verma, P. (2015). "Impact of Process Parameters on Product Quality in the Automotive Industry." International Journal of Automotive Technology and Management, 15(4), 321-334.
11. Anderson, P. J., & Moore, G. E. (2016). "Clustering Methods for Defect Detection in Manufacturing." IEEE Transactions on Automation Science and Engineering, 13(2), 976-985.
12. Wang, L., & Li, X. (2017). "Data-Driven Quality Improvement in Electronics Manufacturing." Journal of Manufacturing Processes, 28, 124-132.
13. Zhao, H., & Sun, J. (2018). "Application of Support Vector Machines in Predicting Product Quality." Computers in Industry, 99, 153-161.
14. Miller, T. R., & Davis, L. J. (2019). "Enhancing Product Quality through Advanced Data Analytics." International Journal of Production Economics, 210, 1-9.
15. Singh, R., & Gupta, A. (2020). "Role of Big Data in Quality Control of Industrial Products." Journal of Big Data, 7(1), 45.
16. Lopez, M. A., & Gonzalez, E. F. (2021). "Predictive Quality Analytics in Food Manufacturing." Food Control, 123, 107765.
17. Chen, L., & Huang, Z. (2022). "Integration of IoT and Machine Learning for Quality Prediction." IEEE Internet of Things Journal, 9(5), 3456-3465.
18. Park, J. H., & Lee, S. W. (2023). "Clustering-Based Fault Detection in Semiconductor Manufacturing." Microelectronics Reliability, 139, 114678.
19. Gomez, P. R., & Martinez, C. J. (2015). "Improving Product Quality through Statistical Process Control." Quality Engineering, 27(1), 56-65.
20. Khan, M. S., & Ali, R. (2016). "Application of Fuzzy Clustering in Quality Assessment." Applied Soft Computing, 49, 748-757.
