A General Multivariat Exponentiell Gewichtet Moving Average Control Chart

In allen Produktionsprozessen müssen wir kontrollieren, inwieweit unsere Produkte den Spezifikationen entsprechen. Im Allgemeinen gibt es zwei Gegner der Produktqualität: (1) Abweichungen von den Zielvorgaben und (2) übermäßige Variabilität um die Zielvorgaben. In den frühen Entwicklungsphasen des Produktionsprozesses werden häufig angewandte Experimente zur Optimierung dieser beiden Qualitätsmerkmale eingesetzt (siehe Experimentelles Design). Die Methoden der Qualitätskontrolle sind Online - oder In-Prozess-Qualitätskontrollverfahren zur Überwachung einer laufenden Produktion verarbeiten. Für detaillierte Beschreibungen dieser Diagramme und umfangreicher kommentierter Beispiele siehe Buffa (1972), Duncan (1974) Grant und Leavenworth (1980), Juran (1962), Juran und Gryna (1970), Montgomery (1985, 1991), Shirland (1993) ) Oder Vaughn (1974). Zwei neue hervorragende Einleitungstexte mit How-to-Ansatz sind Hart Hart (1989) und Pyzdek (1989), zwei neue deutsche Texte zu diesem Thema sind Rinne und Mittag (1995) und Mittag (1993). Der allgemeine Ansatz zur On-line-Qualitätskontrolle ist einfach: Wir entnehmen einfach Proben von einer bestimmten Größe aus dem laufenden Produktionsprozess. Wir erstellen dann Liniendiagramme der Variabilität in diesen Proben und berücksichtigen ihre Nähe zu den Zielspezifikationen. Wenn ein Trend in diesen Zeilen auftaucht oder wenn Proben außerhalb der vorgegebenen Grenzen liegen, erklären wir, dass der Prozess außer Kontrolle gerät und Maßnahmen ergreift, um die Ursache des Problems zu finden. Diese Arten von Diagrammen werden manchmal auch als Shewhart-Kontrolldiagramme bezeichnet (benannt nach W. A. ​​Shewhart, der allgemein als der erste bezeichnet wird, der diese Methoden einführt, siehe Shewhart, 1931). Das Diagramm interpretieren. Die Standardanzeige enthält eigentlich zwei Diagramme (und zwei Histogramme), eine wird als X-Balkendiagramm bezeichnet. Das andere wird als R-Diagramm bezeichnet. In beiden Liniendiagrammen stellt die horizontale Achse die verschiedenen Samples dar, wobei die vertikale Achse für das X-Balkendiagramm die Mittel für die interessierende Eigenschaft darstellt, wobei die vertikale Achse für das R-Diagramm die Bereiche darstellt. Angenommen, wir wollten den Durchmesser der Kolbenringe kontrollieren, die wir produzieren. Die Mittellinie im Röntgendiagramm würde die gewünschte Standardgröße (z. B. Durchmesser in Millimetern) der Ringe darstellen, während die Mittellinie im R-Diagramm den akzeptablen Bereich (innerhalb der Spezifikation) der Ringe innerhalb der Abtastwerte repräsentieren würde, Dieses letztere Diagramm ist ein Diagramm der Variabilität des Prozesses (je größer die Variabilität, desto größer der Bereich). Neben der Mittellinie enthält ein typisches Diagramm zwei zusätzliche horizontale Linien, um die oberen und unteren Grenzwerte (UCL, LCL) darzustellen. Typischerweise sind die einzelnen Punkte im Diagramm, die die Proben darstellen, durch eine Linie verbunden. Wenn sich diese Linie außerhalb der oberen oder unteren Kontrollgrenzen bewegt oder systematische Muster über aufeinanderfolgende Proben zeigt (siehe Tests ausführen), besteht möglicherweise ein Qualitätsproblem. Festlegung von Kontrollgrenzen Auch wenn man willkürlich bestimmen könnte, wann ein Prozeß außerhalb des UCL-LCL-Bereichs deklariert werden soll, ist es üblich, hierfür statistische Prinzipien anzuwenden. Elementary Concepts diskutiert das Konzept der Stichprobenverteilung. Und die Merkmale der Normalverteilung. Das Verfahren zur Erstellung der oberen und unteren Regelgrenzen ist eine einfache Anwendung der dort beschriebenen Prinzipien. Beispiel. Angenommen, wir wollen den Mittelwert einer Variablen, wie die Größe der Kolbenringe, steuern. Unter der Annahme, dass sich der Mittelwert (und die Varianz) des Prozesses nicht ändert, werden die aufeinanderfolgenden Abtastmittel normal um den tatsächlichen Mittelwert verteilt. Überdies wissen wir auch, daß, wegen des zentralen Grenzwertsatzes und damit der annähernden Normalverteilung der Mittel, z. B. Hoyer und Ellis, 1996, die Einzelheiten der Ableitung dieser Formel nicht bekannt sind Haben eine Standardabweichung von Sigma (die Standardabweichung einzelner Datenpunkte oder Messungen) über die Quadratwurzel von n (die Stichprobengröße). Daraus folgt, dass etwa 95 der Probenmittel in die Grenzwerte 1,96 SigmaSquare Root (n) fallen (siehe Elementare Konzepte für eine Diskussion der Merkmale der Normalverteilung und des zentralen Grenzwertsatzes). In der Praxis ist es üblich, die 1,96 mit 3 zu ersetzen (so dass das Intervall etwa 99 der Probenmittel enthält) und die oberen und unteren Kontrollgrenzen als plus und minus 3 Sigma-Grenzen zu definieren. beziehungsweise. Allgemeiner Fall. Das generelle Prinzip zur Festlegung der soeben beschriebenen Regelgrenzen gilt für alle Regelkarten. Nach der Entscheidung über die Charakteristik, die wir kontrollieren wollen, z. B. die Standardabweichung, schätzen wir die erwartete Variabilität der jeweiligen Charakteristik in Stichproben der Größe, die wir nehmen werden. Diese Schätzungen werden dann verwendet, um die Kontrollgrenzen in der Tabelle festzulegen. Gemeinsame Arten von Diagrammen Die Arten von Diagrammen werden häufig nach dem Typ der Qualitätsmerkmale klassifiziert, die sie überwachen sollen: Es gibt Qualitätskontrolldiagramme für Variablen und Kontrolltafeln für Attribute. Insbesondere sind die folgenden Diagramme üblicherweise zum Steuern von Variablen konstruiert: X-Balkendiagramm. In dieser Tabelle sind die Probenmittel aufgetragen, um den Mittelwert einer Größe (z. B. Größe der Kolbenringe, Festigkeit von Materialien usw.) zu steuern. R-Diagramm. In dieser Tabelle sind die Abtastbereiche aufgetragen, um die Variabilität einer Variablen zu steuern. S-Diagramm. In dieser Tabelle sind die Musterstandardabweichungen aufgetragen, um die Variabilität einer Variablen zu steuern. S2-Diagramm. In dieser Tabelle sind die Probenabweichungen aufgetragen, um die Variabilität einer Variablen zu steuern. Zur Steuerung von Qualitätsmerkmalen, die Attribute des Produkts repräsentieren, sind die folgenden Diagramme üblicherweise konstruiert: C-Diagramm. In dieser Tabelle (siehe Beispiel unten) zeichnen wir die Anzahl der Defekte (pro Charge, pro Tag, pro Maschine, pro 100 Fuß Rohr, etc.) auf. Dieses Diagramm geht davon aus, dass Defekte des Qualitätsattributs selten sind. Und die Kontrollgrenzen in diesem Diagramm werden basierend auf der Poisson-Verteilung (Verteilung von seltenen Ereignissen) berechnet. In dieser Tabelle zeigen wir die Rate der Defekte. D. h. die Anzahl der Defekte geteilt durch die Anzahl der untersuchten Einheiten (z. B. die Füße des Rohres, die Anzahl der Chargen). Anders als das C-Diagramm benötigt dieses Diagramm keine konstante Anzahl von Einheiten, und es kann zum Beispiel verwendet werden, wenn die Chargen (Proben) von unterschiedlicher Größe sind. Np-Diagramm. In dieser Tabelle stellen wir die Anzahl der Defekte (pro Batch, pro Tag, pro Maschine) wie im C-Diagramm dar. Die Kontrollgrenzen in dieser Tabelle basieren jedoch nicht auf der Verteilung seltener Ereignisse, sondern auf der Binomialverteilung. Daher sollte dieses Diagramm verwendet werden, wenn das Auftreten von Defekten nicht selten ist (z. B. treten sie in mehr als 5 der untersuchten Einheiten auf). Beispielsweise können wir dieses Diagramm verwenden, um die Anzahl der mit kleinen Fehlern erzeugten Einheiten zu steuern. P-Diagramm. In diesem Diagramm stellen wir den Prozentsatz der Defekte (pro Batch, pro Tag, pro Maschine usw.) wie im U-Diagramm dar. Die Kontrollgrenzen in dieser Tabelle basieren jedoch nicht auf der Verteilung von seltenen Ereignissen, sondern auf der Binomialverteilung (der Proportionen). Daher ist dieses Diagramm am besten in Situationen anwendbar, in denen das Auftreten von Defekten nicht selten ist (z. B. erwarten wir, dass der Prozentsatz der Defekte mehr als 5 der Gesamtzahl der produzierten Einheiten beträgt). Alle Charts können für kurze Produktionsläufe (Short-Run-Charts) und für mehrere Prozessströme (Mehrfachstromgruppen-Charts) angepasst werden. Kurzlauf-Charts Das Kurzzeit-Regelungsdiagramm oder Regelschema für kurze Fertigungsläufe zeigt Beobachtungen von Variablen Oder Attribute für mehrere Teile auf dem gleichen Diagramm. Kurzzeit-Kontrolldiagramme wurden entwickelt, um die Anforderung zu erfüllen, dass mehrere Dutzend Messungen eines Prozesses gesammelt werden müssen, bevor die Kontrollgrenzen berechnet werden. Die Erfüllung dieser Anforderung ist oft schwierig für Operationen, die eine begrenzte Anzahl eines bestimmten Teils während eines Produktionslaufs erzeugen. Beispielsweise kann eine Papiermühle nur drei oder vier (große) Rollen einer bestimmten Art von Papier (d. h. Teil) erzeugen und dann die Produktion auf eine andere Art von Papier verschieben. Wenn jedoch Variablen wie etwa Papierdicke oder Attribute, wie z. B. Makel, für mehrere Dutzend Papierrollen von z. B. einem Dutzend verschiedener Arten überwacht werden, können Kontrollgrenzen für Dicke und Verunstaltungen für die transformierten (innerhalb der kurzen Produktion) berechnet werden Run) Variable Werte von Interesse. Insbesondere werden diese Transformationen die variablen Werte von Interesse neu skalieren, so dass sie kompatible Grßen über die verschiedenen kurzen Produktionsabläufe (oder Teile) sind. Die Kontrollgrenzen, die für die transformierten Werte berechnet wurden, könnten dann bei der Überwachung der Dicke und der Verunstaltungen angewandt werden, unabhängig davon, welche Papiertypen (Teile) hergestellt werden. Statistische Prozesskontrollverfahren könnten verwendet werden, um zu bestimmen, ob der Produktionsprozess die Kontrolle hat, die fortlaufende Produktion zu überwachen und Verfahren für eine kontinuierliche Qualitätsverbesserung zu etablieren. Für weitere Diskussionen von Kurzzeit-Charts siehe Bothe (1988), Johnson (1987) oder Montgomery (1991). Short Run Charts für Variablen Nominal Chart, Zieltabelle. Es gibt verschiedene Arten von Kurzzeit-Charts. Die grundlegendsten sind die nominalen Short-Run-Diagramm und die Ziel-Short-Run-Diagramm. In diesen Diagrammen werden die Messungen für jedes Teil durch Subtrahieren einer teil-spezifischen Konstanten transformiert. Diese Konstanten können entweder die Nominalwerte für die jeweiligen Teile sein (nominales Kurzzeitdiagramm) oder sie können Zielwerte sein, die aus den (historischen) Mitteln für jedes Teil (Ziel-X-Balken und R-Diagramm) berechnet werden. Beispielsweise können die Durchmesser von Kolbenbohrungen für unterschiedliche Motorblöcke, die in einer Fabrik hergestellt werden, nur sinnvoll verglichen werden (für die Bestimmung der Konsistenz der Bohrungsgrößen), wenn die mittleren Unterschiede zwischen den Bohrungsdurchmessern für Motoren unterschiedlicher Größe zuerst entfernt werden. Das Nominal - oder Ziel-Kurzlaufdiagramm macht solche Vergleiche möglich. Es ist anzumerken, dass für das Nominal - oder Zieldiagramm angenommen wird, dass die Variabilität über Teile identisch ist, so dass Kontrollgrenzen, die auf einer gemeinsamen Schätzung des Prozess-Sigmas basieren, anwendbar sind. Standardisiertes Kurzzeitdiagramm. Wenn die Variabilität des Verfahrens für verschiedene Teile nicht als identisch angenommen werden kann, ist eine weitere Transformation erforderlich, bevor die Probenmittel für verschiedene Teile in demselben Diagramm aufgetragen werden können. Insbesondere werden in dem standardisierten Kurzzeitdiagramm die Plotpunkte weiter transformiert, indem die Abweichungen der Probenmittel von Teilmitteln (oder Nenn - oder Zielwerten für Teile) durch teil-spezifische Konstanten dividiert werden, die proportional zu der Variabilität für die jeweiligen Teile sind. Beispielsweise werden für die Kurzlauf-X-Balken und R-Diagramme die im X-Balkendiagramm dargestellten Plotpunkte berechnet, indem zunächst von jedem Stichprobenmittelwert eine teilspezifische Konstante (zB der jeweilige Teilmittelwert oder Nennwert) subtrahiert wird Wert für den jeweiligen Teil) und dann die Differenz durch eine andere Konstante dividiert wird, beispielsweise durch den Durchschnittsbereich für das jeweilige Diagramm. Diese Transformationen führen zu vergleichbaren Skalen für die Probenmittel für verschiedene Teile. Short Run Charts für Attribute Für Attributkontrollschemata (C-, U-, Np - oder P-Diagramme) ist die Schätzung der Variabilität des Prozesses (Proportion, Rate usw.) eine Funktion des Prozeßmittels (Durchschnittsanteil, Etc., ist die Standardabweichung eines Anteils p gleich der Quadratwurzel von p (1 - p) n). Für Attribute stehen daher nur standardisierte Kurzzeitdiagramme zur Verfügung. Zum Beispiel werden in dem Kurzzeit-P-Diagramm die Plotpunkte berechnet, indem zuerst von den jeweiligen Abtast-p-Werten der Durchschnittsteil p s subtrahiert und dann durch die Standardabweichung des Durchschnitts p s dividiert wird. Mehrere Stream-Gruppendiagramme Das Gruppensteuerdiagramm zeigt mehrere Streams von Beobachtungen oder Attributen auf demselben Diagramm. Dies vereinfacht die Interpretation bei der Überwachung vieler Prozessströme oder Kenngrößen. Prozessströme können unterschiedliche Maschinen, Montagelinien, Bediener oder dergleichen sein. Alle diese können auf einem einzigen Gruppendiagramm aufgetragen werden. Für ein Gruppen-X-Balkendiagramm. Sind zwei Punkte für jede der Proben, für die Messungen gesammelt werden, aufgezeichnet, wodurch zwei geplante Linien über Proben erzeugt werden. Die obere Zeile ist ein Diagramm der höchsten Mittelwerte aus den mehreren Strömen oder Attributen, die für jede der Proben gemessen werden, und die untere Zeile ist ein Diagramm der niedrigsten Mittelwerte aus den mehreren Strömen oder Attributen für jede der Proben. Diese oberen und unteren aufgezeichneten Punkte stellen die maximalen und minimalen Mittelwerte über die Mehrfachströme oder Attribute für jede Probe dar, und wenn diese Extremwerte innerhalb der spezifizierten Steuergrenzen liegen, dann liegen alle anderen Mittelwerte natürlich auch innerhalb der Kontrollgrenzen. Das Gruppen-X-Balkendiagramm. Erlaubt es daher, schnell zu bestimmen, ob viele Prozeßströme oder Charakteristiken unter Kontrolle sind, ohne notwendigerweise jede Messung zu prüfen. Für Gruppen-R-Bar-, S - oder S2-Diagramme für Variablen oder für Gruppen-C-, U-, Np - oder P-Diagramme für Attribute sind die beiden Punkte, die für jede Stichprobe aufgetragen werden, die jeweiligen Maximal - und Minimalbereiche, Standardabweichungen usw Aus den für jede Probe gemessenen Mehrfachströmen oder Attributen. Wie beim Gruppen-X-Balkendiagramm ermöglicht der Vergleich dieser Extremwerte mit den vorgegebenen Regelgrenzen, schnell zu bestimmen, ob die mehreren Prozessströme oder Kenngrößen unter Kontrolle sind. Ein Gruppendiagramm für einen einzelnen Teil wird als Standardgruppendiagramm oder einfach als Gruppendiagramm bezeichnet, wie es üblicherweise aufgerufen wird. Gruppendiagramme für mehrere Teile werden als Gruppen-Kurzzeitdiagramme bezeichnet. Das gleiche Verfahren wird für die Erzeugung von Gruppen-Kurzzeit-Diagrammen verwendet, wie für die Herstellung von Standard-Gruppendiagrammen der einzige Unterschied für Gruppen-Kurzzeit-Charts ist, dass die Plotpunkte bestimmt werden, nachdem alle Kurzzeit-Transformationen der Daten innerhalb von Teilen durchgeführt worden sind. Ungleiche Probengrößen Wenn die in der Kontrollkarte aufgetragenen Proben nicht gleich groß sind, können die Kontrollgrenzen um die Mittellinie (Zielspezifikation) nicht durch eine Gerade dargestellt werden. Um z. B. zur Formel SigmaSquare Root (n) zurückzukehren, die früher für die Berechnung von Kontrollgrenzen für das X-Balkendiagramm vorgestellt wurde, ist es offensichtlich, daß ungleich ns zu verschiedenen Kontrollgrenzen für verschiedene Probengrößen führen wird. Es gibt drei Möglichkeiten, mit dieser Situation umzugehen. Durchschnittliche Stichprobengröße. Will man die linearen Regelgrenzen beibehalten (zB um das Diagramm leichter lesbar zu machen und in Präsentationen einfacher zu nutzen), so kann man den Durchschnitt n pro Stichprobe über alle Stichproben berechnen und die Grenzwerte auf der Basis des Mittelwertes festlegen Probengröße. Dieses Vorgehen ist jedoch nicht exakt, solange die Stichprobengrößen einander angenähert sind, ist dieses Verfahren völlig ausreichend. Variable Regelgrenzen. Alternativ kann man auf der Basis der jeweiligen Probengrößen unterschiedliche Kontrollgrenzen für jede Probe berechnen. Dieses Verfahren führt zu variablen Regelungsgrenzen und führt zu Stufendiagrammen wie Steuerleitungen in der Kurve. Dieses Verfahren stellt sicher, dass die richtigen Grenzwerte für jede Probe berechnet werden. Man verliert jedoch die Einfachheit der linearen Grenzwerte. Stabilisiertes (normalisiertes) Diagramm. Das Beste aus zwei Welten (Genauigkeit der Geradenkontrolle) kann durch Normierung der zu steuernden Menge (Mittelwert, Verhältnis usw.) nach Sigma-Einheiten erreicht werden. Die Regelgrenzen können dann in Geraden ausgedrückt werden, während die Lage der Abtastpunkte in der Darstellung nicht nur von der zu steuernden Kennlinie, sondern auch von der jeweiligen Probe ns abhängt. Der Nachteil dieser Vorgehensweise ist, dass die Werte auf der vertikalen (Y) - Achse in der Kontrolldarstellung eher Sigma als die ursprünglichen Maßeinheiten sind und daher diese Zahlen nicht zum Nennwert genommen werden können (z Wert von 3 ist 3 mal sigma weg von Spezifikationen, um den Wert dieser Probe in Bezug auf die ursprünglichen Maßeinheiten auszudrücken, müssen wir einige Berechnungen durchführen, um diese Zahl zurück zu konvertieren). Control Charts für Variablen vs. Charts für Attribute Manchmal hat der Qualitätskontrolleur eine Auswahl zwischen variablen Regelkarten und Attributkontrollkarten. Vorteile von Attributkontrollkarten. Attributkontrolldiagramme haben den Vorteil, dass sie schnelle Zusammenfassungen verschiedener Aspekte der Qualität eines Produkts ermöglichen, dh der Ingenieur kann Produkte basierend auf verschiedenen Qualitätskriterien einfach als akzeptabel oder unakzeptabel klassifizieren. Somit überlagern Attributdiagramme manchmal den Bedarf an teuren, präzisen Vorrichtungen und zeitraubenden Messverfahren. Außerdem ist diese Art von Diagramm tendenziell leichter verständlich durch Manager, die nicht mit Qualitätskontrollverfahren daher vertraut sind, kann es mehr überzeugende (zu Management-) Belege für Qualitätsprobleme bereitstellen. Vorteile von Regelkreisen. Variable Kontrollkarten sind empfindlicher als Attributkontrollkarten (siehe Montgomery, 1985, S. 203). Daher können variable Kontrolldiagramme uns auf Qualitätsprobleme hinweisen, bevor irgendwelche tatsächlichen nicht akzeptablen (wie durch das Attributdiagramm festgestellt) auftreten. Montgomery (1985) nennt die variablen Kontrolldiagramme führende Indikatoren für Probleme, die einen Alarm auslösen werden, bevor die Anzahl der Ausschuß (Schrott) im Produktionsprozess steigt. Kontrolltafel für individuelle Beobachtungen Variable Kontrolldiagramme können für einzelne Beobachtungen, die aus der Produktionslinie genommen wurden, und nicht als Proben von Beobachtungen konstruiert werden. Dies ist manchmal notwendig, wenn Proben von mehreren Beobachtungen zu teuer, unbequem oder unmöglich wäre. Zum Beispiel kann die Zahl der Kundenbeschwerden oder Produktrückkehr nur auf einer monatlichen Basis noch vorhanden sein, möchte man diese Zahlen, um Qualitätsprobleme zu erfassen. Eine andere übliche Anwendung dieser Diagramme tritt in Fällen auf, in denen automatisierte Testvorrichtungen jede einzelne Einheit, die hergestellt wird, inspizieren. In diesem Fall ist man oft vor allem daran interessiert, kleine Verschiebungen in der Produktqualität (z. B. allmähliche Verschlechterung der Qualität durch Maschinenverschleiß) zu erkennen. Das CUSUM, MA. Und EWMA-Diagramme der kumulativen Summen und gewichteten Durchschnitte, die unten diskutiert werden, können in diesen Situationen am meisten angewendet werden. Out-Of-Control-Prozess: Läuft Tests Wie bereits erwähnt, wenn ein Beispielpunkt (zB Mittelwert in einem X-Balkendiagramm) außerhalb der Kontrolllinien liegt, hat man Grund zu der Annahme, dass der Prozess nicht mehr kontrollierbar ist . Zusätzlich sollte man systematische Muster von Punkten (z. B. Mitteln) über Proben untersuchen, da solche Muster anzeigen können, daß sich der Prozeßdurchschnitt verschoben hat. Diese Tests werden auch manchmal als ATT-Ausführungsregeln (siehe ATT, 1959) oder Tests für spezielle Ursachen (z. B. Nelson, 1984, 1985 Grant und Leavenworth, 1980 Shirland, 1993) bezeichnet. Der Begriff besondere oder zuordenbare Ursachen im Gegensatz zu Zufall oder gemeinsamen Ursachen wurde von Shewhart verwendet, um zwischen einem Prozess, der in der Steuerung ist, mit Variation aufgrund zufälliger (Chance) Ursachen nur aus einem Prozess, der außer Kontrolle ist, mit Variation, dass zu unterscheiden Ist auf einige nicht zufällige oder spezielle (belegbare) Faktoren zurückzuführen (vgl. Montgomery, 1991, S. 102). Als die Sigma-Steuergrenzen, die früher erörtert wurden, basieren die Ausführungsregeln auf einer statistischen Quotierung. Beispielsweise ist die Wahrscheinlichkeit eines Probenmittels in einem X-Balken-Steuerungsdiagramm, das über die Mittellinie fällt, gleich 0,5, vorausgesetzt, daß (1) der Prozeß kontrolliert wird (dh daß der Mittellinienwert gleich dem Populationsmittel ist) , (2) daß aufeinanderfolgende Abtastmittel unabhängig (dh nicht auto-korreliert) sind, und (3) daß die Verteilung der Mittel der Normalverteilung folgt. Einfach gesagt, unter diesen Bedingungen gibt es eine 50-50 Chance, dass ein Mittel über oder unter der Mittellinie fallen wird. Somit ist die Wahrscheinlichkeit, dass zwei aufeinanderfolgende Mittel über die Mittellinie fallen, gleich 0,5 mal 0,5 0,25. Dementsprechend ist die Wahrscheinlichkeit, daß 9 aufeinanderfolgende Abtastwerte (oder ein Lauf von 9 Abtastungen) auf dieselbe Seite der Mittellinie fallen, gleich 0,59, 00195. Man beachte, dass dies ungefähr die Wahrscheinlichkeit ist, mit der erwartet wird, dass ein Probenmittelwert außerhalb der 3-fachen Sigmagrenzen (bei der Normalverteilung und einem Prozess in der Steuerung) fällt. Daher könnte man 9 aufeinanderfolgende Abtastmittel auf derselben Seite der Mittellinie suchen, wie eine andere Angabe für einen Außer-Steuer-Zustand. Siehe Duncan (1974) für Details bezüglich der statistischen Interpretation der anderen (komplexeren) Tests. Zone A, B, C. In der Regel, um die Läufe Tests zu definieren, wird der Bereich oberhalb und unterhalb der Diagrammmittellinie in drei quotzones. quot unterteilt. Standardmäßig ist Zone A als Bereich zwischen 2 und 3 mal Sigma über und unter definiert Die Mittellinie Zone B ist definiert als die Fläche zwischen 1 und 2 mal Sigma. Und Zone C ist definiert als der Bereich zwischen der Mittellinie und dem 1-fachen Sigma. 9 Punkte in Zone C oder darüber hinaus (auf einer Seite der Mittellinie). Wenn dieser Test positiv ist (d. H. Wenn dieses Muster detektiert wird), hat sich der Prozeßdurchschnitt wahrscheinlich geändert. Es wird davon ausgegangen, dass die Verteilung des jeweiligen Qualitätsmerkmals in der Darstellung symmetrisch um den Mittelwert ist. Dies ist z. B. bei R-Diagrammen, S-Diagrammen oder den meisten Attributtabellen nicht der Fall. Allerdings ist dies immer noch ein nützlicher Test, um die Qualitätskontrolle Ingenieur auf mögliche Verschiebungen in den Prozess zu warnen. Beispielsweise können aufeinanderfolgende Proben mit einer unterdurchschnittlichen Variabilität untersucht werden, da sie Hinweise geben können, wie die Veränderung des Prozesses verringert werden kann. 6 Punkte in einer Reihe stetig zunehmend oder abnehmend. Dieser Test signalisiert eine Drift im Prozessdurchschnitt. Oft kann eine solche Drift das Ergebnis von Werkzeugverschleiß, verschlechterter Wartung, Verbesserung der Fertigkeiten usw. sein (Nelson, 1985). 14 Punkte in einer Reihe abwechselnd auf und ab. Wenn dieser Test positiv ist, bedeutet dies, dass zwei systematisch wechselnde Ursachen unterschiedliche Ergebnisse liefern. Beispielsweise kann man zwei alternierende Anbieter verwenden oder die Qualität für zwei verschiedene (alternierende) Schichten überwachen. 2 von 3 Punkten in einer Reihe in Zone A oder darüber hinaus. Dieser Test gibt eine Frühwarnung für einen Prozesswechsel. Beachten Sie, dass die Wahrscheinlichkeit eines falsch positiven (Test ist positiv, aber Prozess ist in der Steuerung) für diesen Test in X-Bar-Diagramme ist etwa 2. 4 von 5 Punkten in einer Zeile in Zone B oder darüber hinaus. Wie der vorherige Test kann dieser Test als Frühwarnindikator für eine mögliche Prozessverschiebung betrachtet werden. Die falsch-positive Fehlerrate für diesen Test beträgt ebenfalls etwa 2. 15 Punkte hintereinander in Zone C (oberhalb und unterhalb der Mittellinie). Dieser Test zeigt eine geringere Variabilität als erwartet (basierend auf den aktuellen Grenzwerten). 8 Punkte in einer Reihe in Zone B, A oder jenseits, auf jeder Seite der Mittellinie (ohne Punkte in Zone C). Dieser Test zeigt, dass verschiedene Proben von verschiedenen Faktoren beeinflusst werden, was zu einer bimodalen Verteilung der Mittel führt. Dies kann z. B. geschehen, wenn verschiedene Proben in einem X-Balkendiagramm, das von einer von zwei verschiedenen Maschinen erzeugt wird, wobei man überdurchschnittliche Teile erzeugt, und die anderen unter durchschnittlichen Teilen. Betriebscharakteristik (OC) Kurven Eine gängige Ergänzung zu Standard-Qualitätsregelkarten ist die sogenannte Betriebscharakteristik oder OC-Kurve (siehe Beispiel unten). Eine Frage, die bei der Verwendung von Standard-Variablen - oder Attributdiagrammen in den Sinn kommt, ist, wie empfindlich das aktuelle Qualitätskontrollverfahren ist. Setzen Sie in genauere Ausdrücke ein, wie wahrscheinlich es ist, dass Sie kein Beispiel (zB Mittelwert in einem X-Balkendiagramm) außerhalb finden Die Kontrollgrenzen (dh den Produktionsprozeß als Quotin-Kontrollquot akzeptieren), wenn er tatsächlich um einen bestimmten Betrag verschoben ist. Diese Wahrscheinlichkeit wird gewöhnlich als die (Beta) Fehlerwahrscheinlichkeit, dh die Wahrscheinlichkeit eines fehlerhaften Akzeptierens eines Prozesses, bezeichnet (Mittelwert, Mittelwert, Mittelwert-Defekte usw.) als Quotientenregelung. quot Beachten Sie, dass die Betriebskennlinien sich auf die Falschakzeptanzwahrscheinlichkeit beziehen, wobei nur das Kriterium der Sample-Out-of-Control-Limits und nicht die Run-Tests verwendet werden Beschrieben. Betriebskennlinien sind äußerst nützlich, um die Leistungsfähigkeit unseres Qualitätssicherungsverfahrens zu erforschen. Die tatsächliche Entscheidung über die Stichprobengrößen sollte nicht nur von den Kosten für die Durchführung des Plans abhängen (z. B. Kosten pro gesammelter Stichprobe), sondern auch von den Kosten, die sich aus der Nicht-Feststellung von Qualitätsproblemen ergeben. Die OC-Kurve ermöglicht es dem Ingenieur, die Wahrscheinlichkeiten des Nicht-Detektierens von Verschiebungen bestimmter Größen in der Produktionsqualität abzuschätzen. Prozessfähigkeitsindizes Für variable Regelungsdiagramme ist es oft erwünscht, so genannte Prozessfähigkeitsindizes im Zusammenfassungsdiagramm aufzunehmen. Kurz gesagt, die Prozeßfähigkeitsindizes drücken (als Verhältnis) den Anteil der durch den gegenwärtigen Prozeß erzeugten Teile oder Gegenstände aus, die innerhalb der benutzerdefinierten Grenzwerte (z. B. technischen Toleranzen) liegen. Beispielsweise wird der sogenannte Cp-Index wie folgt berechnet: wobei sigma die geschätzte Prozeßstandardabweichung ist und USL und LSL die oberen und unteren Spezifikationsgrenzen sind. Wenn die Verteilung der jeweiligen Qualitätsmerkmale oder - variablen (zB Größe der Kolbenringe) normal ist und der Prozeß perfekt zentriert ist (dh der Mittelwert gleich dem Entwurfszentrum ist), dann kann dieser Index als der Anteil des Bereichs interpretiert werden Der Standard-Normalkurve (die Prozessbreite), die in die technischen Spezifikationsgrenzen fällt. Wenn der Prozeß nicht zentriert ist, wird stattdessen ein angepaßter Index Cpk verwendet. Für einen quadratfähigen Quadraturprozess sollte der Cp-Index größer als 1 sein, dh die Spezifikationsgrenzen wären größer als das 6-fache der Sigma-Grenzen, so dass erwartet werden konnte, dass über 99 aller produzierten Artikel oder Teile in das akzeptable Engineering fallen Spezifikationen. Eine ausführliche Erörterung dieser und anderer Indizes finden Sie unter Prozessanalyse. Andere spezialisierte Kontrolltafeln Die bislang genannten Kontrolltabellen sind das Quotierungswerk der Qualitätskontrolle und sind wahrscheinlich die am weitesten verbreiteten Methoden. Allerdings mit dem Aufkommen der preiswerten Desktop-Computing, Verfahren, die mehr Rechenaufwand erfordern zunehmend beliebt. X-Balken-Diagramme für Nicht-Normal-Daten. Die Kontrollgrenzen für Standard-X-Balkendiagramme werden auf der Grundlage der Annahme konstruiert, daß die Abtastmittel annähernd normalverteilt sind. Somit müssen die zugrundeliegenden Einzelbeobachtungen nicht normal verteilt werden, da bei gleichzeitiger Erhöhung der Stichprobengröße die Verteilung der Mittel annähernd normal wird (siehe Diskussion des zentralen Grenzwertsatzes in den Elementarbegriffen) , S - und S2-Diagrammen wird davon ausgegangen, dass die einzelnen Beobachtungen normal verteilt sind). Shewhart (1931) in seiner ursprünglichen Arbeit experimentiert mit verschiedenen nicht-normalen Verteilungen für einzelne Beobachtungen und bewertet die resultierenden Verteilungen von Mitteln für Proben der Größe vier. Er kam zu dem Schluss, dass tatsächlich die standardmäßigen, normalverteilungsbasierten Kontrollgrenzen für die Mittel geeignet sind, solange die zugrunde liegende Verteilung der Beobachtungen annähernd normal ist. (Siehe auch Hoyer und Ellis, 1996, für eine Einführung und Diskussion der Verteilungsannahmen für die Qualitätskontrolle.) Wie jedoch Ryan (1989) hervorhebt, wenn die Verteilung der Beobachtungen hoch verzerrt ist und die Stichprobengrößen klein sind Können die resultierenden Standard-Regelgrenzen eine große Anzahl falscher Alarme (erhöhte Alpha-Fehlerrate) sowie eine größere Anzahl falsch negativer Messwerte (erhöhte Beta-Fehlerrate) erzeugen. Sie können Steuergrenzen (sowie Prozessfähigkeitsindizes) für X-Balkendiagramme auf Basis von so genannten Johnson-Kurven (Johnson, 1949) berechnen, die es erlauben, die Schiefe und Kurtosis für einen großen Bereich nicht normaler Verteilungen zu approximieren (s Auch Anpassung der Verteilungen durch Momente in der Prozessanalyse). Diese nicht-normalen X-Balkendiagramme sind nützlich, wenn die Verteilung der Mittel quer zu den Proben deutlich schief ist oder sonst nicht normal ist. Hotelling T2 Karte anzeigen. Wenn es mehrere verwandte Qualitätsmerkmale gibt (die in mehreren Variablen aufgezeichnet sind), können wir ein simultanes Plot (siehe untenstehendes Beispiel) für alle Mittel auf der Grundlage der multivariaten Hotelling-T2-Statistik (zuerst vorgeschlagen von Hotelling, 1947) erzeugen. Kumulative Summe (CUSUM) Diagramm. Das CUSUM-Diagramm wurde zuerst von Page (1954) eingeführt, wobei die mathematischen Prinzipien bei der Konstruktion von Ewan (1963), Johnson (1961) und Johnson und Leone (1962) diskutiert wurden. Wenn man die kumulative Summe der Abweichungen von aufeinanderfolgenden Abtastmitteln aus einer Zielspezifikation, sogar geringfügigen, dauernden Verschiebungen des Prozeßmittels aufzeichnet, wird schließlich zu einer beträchtlichen kumulativen Summe von Abweichungen führen. Somit ist dieses Diagramm besonders gut geeignet, um solche kleinen permanenten Verschiebungen zu erfassen, die bei Verwendung des X-Balkendiagramms unentdeckt bleiben können. Wenn beispielsweise aufgrund eines Maschinenabriebs ein Prozeß langsam außer Kontrolle gerät, um Ergebnisse oberhalb der Zielspezifikationen zu erzeugen, würde dieses Diagramm eine stetig ansteigende oder abnehmende kumulative Summe von Abweichungen von der Spezifikation zeigen. Um Kontrollgrenzen in solchen Parzellen zu etablieren, schlug Barnhard (1959) die sogenannte V-Maske vor. Die nach der letzten Probe (rechts) aufgetragen wird. Die V-Maske kann als obere und untere Steuergrenzen für die kumulativen Summen angesehen werden. Jedoch konvergieren sie anstatt parallel zur Mittellinie in einem bestimmten Winkel nach rechts, wodurch das Erscheinungsbild eines V erzeugt wird, das auf seiner Seite gedreht wird. Wenn die Zeile, die die kumulative Summe darstellt, eine der beiden Zeilen kreuzt, ist der Prozeß außer Kontrolle. Gleitender Durchschnitt (MA) Chart. Um zu dem Beispiel des Kolbenrings zurückzukehren, nehmen wir an, dass wir hauptsächlich daran interessiert sind, kleine Trends über aufeinanderfolgende Abtastmittel zu detektieren. Zum Beispiel können wir besonders besorgt sein über Maschinenverschleiß, was zu einer langsamen aber konstanten Verschlechterung der Qualität führt (d. h. Abweichung von der Spezifikation). Das oben beschriebene CUSUM-Diagramm ist eine Möglichkeit, solche Trends zu überwachen und kleine permanente Verschiebungen im Prozessdurchschnitt zu erkennen. Eine andere Möglichkeit besteht darin, ein Gewichtungsschema zu verwenden, das die Mittel von mehreren aufeinanderfolgenden Abtastwerten, die ein solches gewichtetes Mittel über die Proben bewegen, zusammenfasst, ein gleitendes Durchschnittsdiagramm (wie in der folgenden Grafik gezeigt) erzeugt. Exponentiell gewichteter gleitender Durchschnitt (EWMA) Chart. Die Idee, die Durchschnitte von aufeinanderfolgenden (benachbarten) Proben zu verschieben, kann verallgemeinert werden. Grundsätzlich müssen wir, um einen Trend zu erfassen, aufeinanderfolgende Samples aufnehmen, um einen gleitenden Durchschnitt zu bilden. Anstatt eines einfachen arithmetischen gleitenden Durchschnitts können wir jedoch einen geometrischen gleitenden Durchschnitt berechnen (diese Grafik (siehe Grafik unten) wird auch als geometrisches Verschieben bezeichnet Durchschnittliche Grafik siehe Montgomery, 1985, 1991). Specifically, we could compute each data point for the plot as: In this formula, each point z t is computed as (lambda) times the respective mean x-bar t . plus one minus times the previous (computed) point in the plot. The parameter (lambda) here should assume values greater than 0 and less than 1. Without going into detail (see Montgomery, 1985, p. 239), this method of averaging specifies that the weight of historically quotoldquot sample means decreases geometrically as one continues to draw samples. The interpretation of this chart is much like that of the moving average chart, and it allows us to detect small shifts in the means, and, therefore, in the quality of the production process. Regression Control Charts. Sometimes we want to monitor the relationship between two aspects of our production process. For example, a post office may want to monitor the number of worker-hours that are spent to process a certain amount of mail. These two variables should roughly be linearly correlated with each other, and the relationship can probably be described in terms of the well-known Pearson product-moment correlation coefficient r . This statistic is also described in Basic Statistics . The regression control chart contains a regression line that summarizes the linear relationship between the two variables of interest. The individual data points are also shown in the same graph. Around the regression line we establish a confidence interval within which we would expect a certain proportion (e. g. 95) of samples to fall. Outliers in this plot may indicate samples where, for some reason, the common relationship between the two variables of interest does not hold. Applications. There are many useful applications for the regression control chart. For example, professional auditors may use this chart to identify retail outlets with a greater than expected number of cash transactions given the overall volume of sales, or grocery stores with a greater than expected number of coupons redeemed, given the total sales. In both instances, outliers in the regression control charts (e. g. too many cash transactions too many coupons redeemed) may deserve closer scrutiny. Pareto Chart Analysis. Quality problems are rarely spread evenly across the different aspects of the production process or different plants. Rather, a few quotbad applesquot often account for the majority of problems. This principle has come to be known as the Pareto principle . which basically states that quality losses are mal-distributed in such a way that a small percentage of possible causes are responsible for the majority of the quality problems. For example, a relatively small number of quotdirtyquot cars are probably responsible for the majority of air pollution the majority of losses in most companies result from the failure of only one or two products. To illustrate the quotbad applesquot, one plots the Pareto chart, which simply amounts to a histogram showing the distribution of the quality loss (e. g. dollar loss) across some meaningful categories usually, the categories are sorted into descending order of importance (frequency, dollar amounts, etc.). Very often, this chart provides useful guidance as to where to direct quality improvement efforts. copy Copyright StatSoft, Inc. 1984-2000 STATISTICA is a trademark of StatSoft, Inc.1. Yousry, M. A. Strum, G. W. Feltz, C. J. and Noorossana, R . (1991), Process Monitoring in Real Time: Empirical Bayes Approach-Discrete Case, Quality and Reliability Engineering International, Vol. 7, Issue 3, pp. 123-132. (ISI Indexed) 2. Noorossana, R . Nojavan, M. (1998), A Mathematical Model for Optimization of the Zone Control Chart, International Journal of Engineering Science, Vol. 9, pp. 25-33. (ISI Indexed) 3. Noorossana, R . (2001), A Combined Multiple Regression Time Series Approach to Process Capability Analysis When Data Are Auto correlated, International Journal of Engineering Science, Vol. 12, No. 3, pp. 11-19. (ISI Indexed) 4. Noorossana, R . (2002), Process Capability Analysis in the Presence of Autocorrelation, Quality and Reliability Engineering International, Vol. 18, Issue 1, pp. 75-77. (ISI Indexed) 5. Noorossana, R . Woodall, W. H. and Amiriparian, M. (2002), On the Economic Designs of the Multivariate Control Charts, Communications in Statistics-Theory and Methods, Vol. 31, Issue 9, pp. 1665-1673. (ISI Indexed) 6. Noorossana, R . Farokhi, M. and Saghaie, A. (2003), Using Networks to Detect and Classify Out-of-Control Signals in Auto Correlated Processes, Quality and Reliability Engineering International, Vol. 19, pp. 493-504. (ISI Indexed) 7. Noorossana, R . and Alemzad, A. H. (2003), Quality Improvement Through Multiple Response Optimization, International Journal of Engineering, Vol. 16, No. 1, pp. 49-58. 8. Noorossana, R. . and Jafari, D. (2004), Quality Function Deployment in Fuzzy Environment, Amirkabir Journal of Science and Technology, Vol. 15, No. 57-D, pp. 142-157. 9. Noorossana, R . and Lotfi, M. R. (2004) A Heuristic Method to Compare Distributions of Two Quality Characteristics, International Journal of Industrial Engineering and production Management, Vol. 15, No. 4, pp. 173-182. 10. Noorossana, R., and Soltanpanah, H. (2004), Developing a Method for Determining the Function for Decision Making and Appling it in Multi-response Optimization, International Journal of Engineering Science, Vol. 15, No. 1, pp. 221-233. (ISI Indexed) 11. Raissi, S. and Noorossana, R . (2005) Estimating Process Capability Indices Using Ridge Regression, Journal of Industrial Engineering International, Vol. 1, No. 1, pp. 20-27. 12. Valmohamadi, Ch. Najmi, M. and Noorossana, R. (2005), TQM and ISO 9000:2000, A Comparative Study, Moddares Engineering Journal, Vol. 36, pp. 181-211. 13. Noorossana, R . Asgharpour, M. J. and Nasiri, Z. (2005), Prioritizing Customer Requirements in QFD, International Journal of Engineering Science, Vol. 16, No. 2, pp. 21-27. (ISI Indexed) 14. Noorossana, R . Asgharpour, M. J. and Soltanpanah, H. (2005), Developing a Method To obtain Decision Function in Multi response Optimization, Amirkabir Journal of Science and Technology, Vol. 60, Issue 15, pp.61-72. 15. Noorossana, R. . and Vaghefi, S. J. M. (2006), Effect of Autocorrelation on the Performance of MCUSUM Control Chart, Quality and Reliability Engineering International, Vol. 22, Issue 2, pp. 191-197. (ISI Indexed) 16. Noorossana, R . and Saraei, A. (2006), Economic-Statistical Design of Multivariate Projection Pursuit Cumulative Sum Control Chart, International Journal of Engineering Science, Vol. 17, No. 6, pp. 79-84. (ISI Indexed) 17. Kazemzadeh, R. B. Noorossana, R . and Karbasian, M. (2006), Economic Design of R2R Controller Using EWMA Procedure, Esteghlal Journal, Vol. 24, No. 2, pp. 15-28. 18. Noorossana, R . Kazemzadeh, R. B. and Karbasian, M. (2006), Economic Optimization of R2R Control process Based on Residual Control Chart, International Journal of Industrial Engineering and Production Management, Vol. 17, No. 4, pp. 33-43. 19. Kazemzadeh, R. B. Noorossana, R . and Karbasian, M. (2006), Optimum Estimation of Weight Parameters of EWMA and Double EWMA Control Charts by MCDM, International Journal of Engineering Science, Vol. 17, No. 2, pp. 31-35. (ISI Indexed) 20. Noorossana, R . Saghaei, A. Paynabar, K. and Samimi, Y. (2007), On the Conditional Decision Procedure for High Yield Processes, Computers and Industrial Engineering, Vol. 53, Issue 3, pp. 469-477. (ISI Indexed) 21. Noorossana, R . and Seyedaliakbar, S. M. (2007), On the Multivariate Variation Control Chart, Journal of Industrial Engineering International, Vol. 3, No. 4, pp. 59-66. 22. Noorossana, R . and Rabbani, E. (2007), Multi Response Optimization Using Heuristic Methods, Management Journal, Vol. 1, pp. 1-12. 23. Noorossana, R . Amiri, A. H. (2007), A Methodology to Analyze the Transient Behavior of Exponential Quality Systems, Amirkabir Journal of Science and Technology, Vol. 66, pp. 19-29. 24. Noorossana, R . Rabani, A. (2007), An Integrated Meta heuristic Approach to Multi response Optimization Using Desirability Function, Journal of Industrial Management Faculty of Humanities, Vol. 2, No. 3, pp. 1-12. 25. Noorossana, R. . Amiri, A. and Soleimani, P. (2008), On the Monitoring of Auto correlated Linear Profiles, Communications in Statistics - Theory and Methods, Vol. 37, Issue 3, pp. 425-442. (ISI Indexed) 26. Kazemzadeh, R. B. Bashiri, M. Atkinson, A. C. and Noorossana, R . (2008), A General Framework for Multi response Optimization Problems Based on Goal Programming, European Journal of Operational Research, Vol. 189, Issue 2, pp. 421-429. (ISI Indexed) 27. Ardakani, M. K. and Noorossana, R. (2008), A New Optimization Criterion for Robust Parameter Design - The Case of Target is Best, International Journal of Advanced Manufacturing Technology, Vol. 38, No. 9-10, pp. 851-859. (ISI Indexed) 28. Noorossana, R. . and Shadman, A. (2008), Estimating the Change Point of a Normal Process Mean with a Monotonic Change, Quality and Reliability Engineering International, Vol. 25, Issue 1, pp. 79-90. (ISI Indexed) 29. Kazemzadeh, R. B. Noorossana, R . and Amiri, A. (2008), Phase I Monitoring Polynomial Profiles, Communications in Statistics - Theory and Methods, Vol. 37, Issue 10, pp. 1671-1686. (ISI Indexed) 30. Noorossana, R . Saghaei, A. Shadalouei, F. and Samimi, Y. (2008), Customer Satisfaction Measurement to Identify Areas for Improvement in Higher Education Research Services, Journal of Research and Planning in Higher Education, Vol. 14, No. 3, pp. 97-119. 31. Noorossana, R. . and Ardakani, M. K. (2008), Robust Parameter Design Using an LP Metric, International Journal of Industrial Engineering and Production Management, Vol. 19, No. 4, pp. 63-70. 32. Kazemzadeh, R. B. Noorossana, R . and Amiri, A. (2009), Monitoring Polynomial Profiles in Quality Control Applications, International Journal of Advanced Manufacturing Technology, Vol. 42, No. 7-8, pp. 703-712. (ISI Indexed) 33. Noorossana, R . Tajbakhsh, S. D. and Saghaei, A. (2009) An Artificial Neural Network Approach to Multiple Response Optimization, International Journal of Advanced Manufacturing Technology, Vol. 40, No. 11-12, pp. 1227-1238. (ISI Indexed) 34. Noorossana, R . Saghaei, A. Paynabar, K. and Abdi, S. (2009), Identifying the Period of a Step Change in High Yield Processes, Quality and Reliability Engineering International, Vol. 25, Issue 7, pp. 875-883. (ISI Indexed) 35. Soleimani, P. Noorossana, R . and Amiri, A. (2009), Simple Linear Profile Monitoring in the Presence of Within Profile Autocorrelation, Computers and Industrial Engineering, Vol. 57, Issue 3, pp. 1015-1021. (ISI Indexed) 36. Ardakani, M. K. Noorossana, R. . Niaki, S. T. A. and Lahijanian, H. (2009), Robust Parameter Design Using the Weighted Metric Methodthe Case of The Smaller the Better, International Journal of Applied Mathematics and Computer Science, Vol. 19, No. 1, pp. 59-68. (ISI Indexed) 37. Vaghefi, A. Tajbakhsh, S. D. and Noorossana, R . (2009), Phase II Monitoring of Nonlinear Profiles, Communications in Statistics - Theory and Methods, Vol. 38, Issue 11, pp. 1834-1851. (ISI Indexed) 38. Saeidi Mehrabad, M. Noorossana, R . and Shafiee, M. (2009), Modeling and Analysis of Effective Ways for Improving the Reliability of Second-hand Products Sold with Warranty, The International Journal of Advanced Manufacturing Technology, Vol. 46, No. 1-4, pp. 253-265. (ISI Indexed) 39.Kazemzadeh, R. B. Noorossana, R . and Amiri, A. (2009), Monitoring Polynomial Profiles in Quality Control Applications, The International Journal of Advanced Manufacturing Technology, Vol. 42, No. 7-8, pp. 703-712. (ISI Indexed) 40. Noorossana, R . and Sadeghi, A. (2009), A SPC Approach to Compensate for Trends on P-Charts, International Journal of Industrial Engineering and Production Research, Vol. 80, pp. 73. 41. Noorosana, R . and Heydari, M. (2009), Change Point Estimation of a Process Variance with a Linear Trend Disturbance, Journal of Industrial Engineering, Vol. 2, pp. 25-30. 42. Noorossana, R. . Saghaei, A. and Moghadam, N. (2009), Six Sigma The New Quality Improvement Initiative in Healthcare, Journal of Hospital Management. 43. Rabbani, A. and Noorossana, R . (2009), Multiresponse Optimization with Qualitative Responses, Journal of Industrial Management, pp. 47-62. 44. Memariani, A. Noorossana, R . and Sharifi, M. (2009), Real Time Study of a k-out-of-n System: n Identical Elements with Increasing Failure Rates, Iranian Journal of Operations Research, Vol. 1, No. 2, pp. 56-67. 45. Noorossana, R. . and Ardakani, M. K. (2009), A Weighted Metric Method to Optimize Multi-Response Robust Problems, Journal of Industrial Engineering International, Vol. 5, No. 8, pp. 10-19. 46. Noorossana, R . and Sadeghi, A. (2009), Investigating Tool Wear Effect on Proportion Non-Conforming Control Chart, International Journal of Industrial Engineering and Production Management, Vol. 20, No. 1, pp. 73-80. 47. Noorossana, R . Rabani, A. (2009), Multi response Optimization with Qualitative Responses Using Location and Dispersion of Responses, Journal of Industrial Management Faculty of Humanities, Vol. 4, No. 9, pp. 47-62. 48. Noorossana, R . Eyvazian, M. and Vaghefi, A. (2010) Phase II Monitoring of Multivariate Simple Linear Profiles, Computers and Industrial Engineering, Vol. 58, Issue 4, pp. 563-570. (ISI Indexed) 49. Noorossana, R . Eyvazian, M. Amiri, A. and Mahmoud, M. (2010) Statistical Monitoring of Multivariate Multiple Linear Regression profiles in Phase I with Calibration Application, Quality and Reliability Engineering International, Vol. 26, Issue 3, pp. 291-303. (ISI Indexed) 50. Jahan, A. Ismail, Y. M. Noorossana, R . (2010), Multi-response Optimization in Design of Experiments Considering Capability Index in Bounded Objectives Method, Journal of Scientific and Industrial Research, Vol. 69, pp. 11-16. (ISI Indexed) 51. Alipour, H. and Noorossana, R. (2010), Fuzzy Multivariate Exponentially Weighted Moving Average Control Chart, The International Journal of Advanced Manufacturing Technology, Vol. 48, No. 9-12, pp. 1001-1007. (ISI Indexed) 52. Garjani, M. Noorossana, R. . and Saghaei, A. (2010), A Neural Network-Based Control Scheme for Monitoring Start-up Processes and Short Runs, International Journal of Advanced Manufacturing Technology, Vol. 51, No. 9-12, pp. 1023-1032. (ISI Indexed) 53. Kazemzadeh, R. B. Noorossana, R . and Amiri, A. H. (2010), Phase II Monitoring of Auto correlated Polynomial Profiles in AR (1) Processes, Scientia Iranica Transaction E: Industrial Engineering, Vol. 17, No. 1, pp. 12-24. (ISI Indexed) 54. Ahmadzadeh, F. Noorossana, R . and Saghaei, A. (2010) Identifying the Time of a Step Change with EWMA Control Charts by Artificial Neural Network, Journal of Industrial Engineering International, Vol. 6, No. 10, pp. 16-30. 55. Sharifi, M. Memariani, A. and Noorossana, R. (2010), Real Time Study of a k-out-of-n System: n Identical Elements with Constant Fuzzy Failure Rates, World Applied Sciences Journal, Vol. 8, No. 9, pp. 1136-1143. 56. Noorossana, R., Saghaei, A. and Dorri, M. (2010), Linear Profile Monitoring in the Presence of Non-Normali and Autocorrelation, International Journal of Industrial Engineering and Production Research, Vol. 21, No. 4, pp. 221-230. 57. Atashgar, K. and Noorossana, R. (2010), Identifying Change Point in a Bivariate Normal Process Mean Vector with Monotonic Changes, International Journal of Industrial Engineering and Production Research, Vol. 21, No. 1, pp. 1-13. 58. Atashgar, K. and Noorossana, R . (2011), An Integrating Approach to Root Cause Analysis of a Bivariate Mean Vector with a Linear Trend Disturbance, The International Journal of Advanced Manufacturing Technology, Vol. 52, No. 1-4, pp. 407-420. (ISI Indexed) 59. Eyvazian, M. Noorossana, R . Saghaei, A. and Amiri, A. (2011), Phase II Monitoring of Multivariate Multiple Linear Regression Profiles, Quality and Reliability Engineering International, Vol. 27, Issue 3, pp. 281-296. (ISI Indexed) 60. Noorossana, R . Atashgar, K. and Saghaei, A. (2011), An Integrated Supervised Learning Solution for Monitoring Process Mean Vector, International Journal of Advanced Manufacturing Technology, Vol. 56, No. 5-8, pp. 755-765. (ISI Indexed) 61. Atashgar, K. and Noorossana, R. (2011), An integrating approach to root cause analysis of a bivariate mean vector with a linear trend disturbance, The International Journal of Advanced Manufacturing Technology, Vol. 52, No. 1-4, pp. 407-420. (ISI Indexed) 62. Noorossana, R. . Atashgar, K. and Saghaei, A. (2011), An integrated supervised learning solution for monitoring process mean vector, The International Journal of Advanced Manufacturing Technology, Vol. 56, No. 5-8, pp. 755-765. (ISI Indexed) 63. Mehrafrooz, Z. and Noorossana, R . (2011), An Integrated Model Based on Statistical Process Control and Maintenance, Computers and Industrial Engineering, Vol. 61, Issue 4, pp. 1245-1255. (ISI Indexed) 64. Noorossana, R . Vaghefi, A. and Dorri, M. (2011), Effect of Non-Normality on the Monitoring of Simple Linear Profiles, Quality and Reliability Engineering International, Vol. 27, Issue 4, pp. 425-436. (ISI Indexed) 65. Noorossana, R . Fatahi, A. A. Dokouhki, P. and Babakhani, M. (2011), ZIB-EWMA Control Chart for Monitoring Rare Health Events, Journal of Mechanics in Medicine and Biology, Vol. 11, No. 4, pp. 881-895. (ISI Indexed) 66. Taghizadeh Herat, A. Noorossana, R. and Parsa, S. (2011), Causal Relationships among Iranian Excellence Model Criteria in Health Care Sector using DEMATEL Technique, American Journal of Scientific Research, Issue 32, pp. 41-50. 67. Fatahi, A. A. Noorossana, R. . Dokouhaki, P. and Babakhani, M. (2011), Statistical Monitoring of Rare Events in Healthcare, International Journal of Industrial Engineering amp Production Management, Vol. 22, No. 3, pp. 243-252. 68. Taghizadeh Herat, A. and Noorossana, R. (2011), The Necessity of Re-Conceptualizing the European Foundation for Quality Managements (EFQM) Excellence Model for the Health Care Sector and its Use in the Iranian National Productivity and Excellence Award (INPE), Journal of Hospital, Vol. 38, No. 2, pp. 58-66. 69. Faraj pour, Gh. Noorossana, R . (2011), An Integrated Framework for Design and Implementation of Strategy at Islamic Republic of Iran Postal Service, International Journal of Industrial Engineering and production Management, Vol. 22, No. 9, pp. 78-90. 70. Fatahi, A. A. Noorossana, R. . Dokouhaki, P. and Babakhani, M. (2011), A Review on Statistical Monitoring of Rare Events and Their Necessity in Health Care Area, Payesh, Vol. 44, Issue 4, pp. 429-437. 71. Asadollahi, Z. Noorossana, R . and Niaki, S. T. A. (2012), New Statistic to Increase Correctness in Simulation Factor Screening Using Frequency Domain Method, Communications in Statistics-Theory and Methods, Vol. 41, Issue 12, pp. 2242-2255. (ISI Indexed) 72.Niavarani, M. R. Noorossana, R. . and Abbasi, B. (2012), Three New Multivariate Process Capability Indices, Communications in Statistics-Theory and Methods, Vol. 41, Issue 2, pp. 341-356. (ISI Indexed) 73.Noorossana, R. and Shekary, M. (2012), Monitoring Tow Dependent Process Steps Using Special Variable Sample Size and Sampling Intervals Cause-Selecting Control Charts, Quality and Reliability Engineering International, Vol. 28, Issue 4, pp. 437-453. (ISI Indexed) 74. Noorossana, R . and Heydari, M. (2012), Change Point Estimation of a Normal Process Variance with a Monotonic Change, Scientia Iranica Transaction E-Industrial Engineering, Vol. 19, Issue 3, pp. 885-894. (ISI Indexed) 75.Saghaei, A. Najafi, H. and Noorossana, R. (2012), Enhanced Rolled Throughput Yield: A New Six Sigma-based Performance Measure, International Journal of Production Economics, Vol. 140, Issue 1, pp. 368-373. (ISI Indexed) 76. Noorossana, R . and Ayoubi, M. (2012), Profile Monitoring Using Nonparametric Bootstrap T2 Control Chart, Communications in Statistics-Simulation and Computation, Vol. 41, Issue 3, pp. 302-315. (ISI Indexed) 77.Fatahi, A. A. Noorossana, R . Dokouhaki, P. and Moghaddam, B. F. (2012), Copula-Based Bivariate ZIP Control Chart for Monitoring Rare Events, Communications in Statistics-Theory and Methods, Vol. 41, Issue 15, pp. 2699-2716. (ISI Indexed) 78. Noorossana, R . and Heydari, M. (2012), Change point estimation of a normal process variance with monotonic change, Scientia Iranica Transaction E-Industrial Engineering, Vol. 19, Issue 3, pp. 885-894. (ISI Indexed) 79.Sohi, Z. A. Noorossana, R . and Niaki, S. T. A. (2012), New Statistic to Increase Correctness in Simulation Factor Screening Using Frequency Domain Method, Communications in Statistics-Theory and Methods, Vol. 41, Issue 12, pp. 2242- 2255. (ISI Indexed) 80. Amiri, A. Eyvazian, M. Zou, Ch. and Noorossana, R . (2012), A parameters reduction method for monitoring multiple linear regression profiles, The International Journal of Advanced Manufacturing Technology, Vol. 58, No. 5-8, pp. 621-629. (ISI Indexed) 81.Azadeh, A. Saberi, M. Noorossana, R., Saidi Mehrabad, M. Anvari, M. and Izadbakhsh, H. (2012), Estimating Efficient Value of Controllable Variable Using an Adaptive Neural Network Algorithm: Case of a Railway System, Journal of Scientific and Industrial Research, Vol. 71, pp. 45-50. (ISI Indexed) 82.Noorossana, R . and Ashkezary, M. S. (2012), Monitoring Tow Dependent Process Steps Using Special Variable Sample Size and Sampling Intervals Cause-Selecting Control Charts, Quality and Reliability Engineering International, Vol. 28, Issue 4, pp. 437-453. (ISI Indexed) 83.Dokouhaki, P. Noorossana, R., Fatahi, A. A. and Moghaddam, B. F. (2012), Surveillance of Diabetes Prevalence Rate Through The Development of Markov-Based Control Chart, Published on line, Journal of Mechanics in Medicine and Biology, Vol. 12, No. 4. DOI: 101142S0219519412500832. (ISI Indexed) 84.Barzinpour, F. Noorossana, R . Niaki, S. T. A. and Ershadi, J. (2012), A Hybrid Nelder-Mead Simplex and PSO Approach on Economic and Economic-Statistical Design of MEWMA Control Chart, Published on line, The International Journal of Advanced Manufacturing Technology, DOI: 10.1007s00170-012-4260-7. (ISI Indexed) 85. Fatahi, A. A. Noorossana, R. . Dokouhaki, P. and Moghaddam, B. F. (2012), Zero Inflated Poisson EWMA Control Chart for Monitoring Rare Health-Related Events, Published on line, Journal of Mechanics in Medicine and Biology, Vol. 12, Issue 4, DOI: 10.1142S0219519412500650. (ISI Indexed) 86.Dokouhaki, P. and Noorossana, R. (2012), A Copula Markov CUSUM Chart for Monitoring the Bivariate Auto-Correlated Binary Observations, Published on Line, Quality and Reliability Engineering International, DOI: 10.1002qre.1450. (ISI Indexed) 87. Ghobadi, S. Noghondarian, K. Noorossana, R . and Sadegh Mirhosseini, S. M. (2012), Developing a Multivariate Approach to Monitor Fuzzy Quality Profiles, Published on Line, Quality and Quantity, DOI: 10.1007s11135-012-9804-2. (ISI Indexed) 88. Soleimani. P. Noorossana, R . and Niaki, S. T. A. (2012), Monitoring Autocorrelated Multivariate Simple Linear Profiles, Published on Line, The International Journal of Advanced Manufacturing Technology, DOI: 10.1007s00170-012-4614-1. (ISI Indexed) 89. Nikoo, M. and Noorossana, R. (2012), Phase II Monitoring of Nonlinear Profile Variance Using Wavelet, Published on Line, Quality and Reliability Engineering International, DOI: 101002qre.1460. (ISI Indexed) 90. Noorossana, R. . Paynabar, K. and Moradimanesh, M. (2012), Estimating Time of a Simple Step Change in Non-Conforming Items in High Yield Processes, International Journal of Industrial Engineering and Production Management, Vol. 22, No. 4, pp. 319-330. 91. Noorossana, R. . Rezaeian, S. Jahanshahi, M, Izadbakhsh, H. R. and Memarzadeh, M. (2012), A Simulation based Approach to Improve Quality and Reduce Cost in the Smelting Factory of Sarcheshmeh Copper Complex, Quality Engineering and Management, Vol. 2, No. 3. 92.Behbahani, M. Saghaei, A. and Noorossana, R . (2012), A Case-based Reasoning System Development for Statistical Process Control: Case Representation and Retrieval, Computers amp Industrial Engineering. Volume 63, Issue 4. Pages 11071117. (ISI Indexed) 93. Noorossana, R . and Soleimani, P. (2012), Investigating the Effect of Autocorrelation on Monitoring Multivariate Linear Profiles, International Journal of Industrial Engineering and Production Research, Vol. 23, No. 3, pp. 187-193. 94. Noorossana, R . and Izadbakhsh, H. R. (2012), Profile Monitoring for Multinomial Responses, International Journal of Industrial Engineering and Production Management, Vol. 23, No. 4, pp. 417-429. 95.Shekary, M. Noorossana, R . and Deheshvar, A. (2012), Combined Variable Sample Size, Sampling Interval, and Double Sampling (CVSSIDS) Adaptive Control Charts, Quality and Reliability Engineering International. (ISI Indexed) 96. Nikoo, M. and Noorossana, R. (2012), Phase II Monitoring of Flatness Profiles, Quality and Reliability Engineering International. (ISI Indexed) 97. Shahamat, Z. Saghaei, A. and Noorossana, R . (2012), Phase II Monitoring Nonlinear Profiles Based on Kernel Dissimilarity Analysis, Communications in Statistics - Theory and Methods. (ISI Indexed) 98. Noorossana, R., Adibi, A. and Zeraatkar Moghaddam, A. (2012), A Comparative Study of Adaptive Control Charts under Non-Normality, Quality Engineering and Management, Vol. 1, No. 1. 99. Noorossana, R . Deheshvar, A. and Shekary, M. (2012), A Modified Variable Sample Size and Sampling Interval Control Chart, International Journal of Advanced Manufacturing Technology. (ISI Indexed) 100. Dokouhaki, P. and Noorossana, R . (2012), Monitoring Defective Rate of Auto-correlated Binary Data Under 100 Inspection Assumption, Quality Engineering and Management, Vol. 2, No. 1. 101. Noorossana, R. . Niaki STA, Izadbakhsh, H. R. (2012), Statistical Monitoring of Nominal Logistic Profiles in Phase II, Communications in Statistics-Theory and Methods. (ISI Indexed) 102. Forouzandeh Shahraki, A. and Noorossana, R. (2012), A Combined Algorithm for Solving Reliability Based Robust Design Optimization Problems, International Journal of Industrial Engineering and Production Management. 103. Noorossana, R . and Forouzandeh Shahraki, A. (2012), Developing a Method for Robust Product Design in the Presence of Uncertainty, International Journal of Industrial Engineering and Production Management. 104. Noorossana, R . Rezaeian, S. and Moradi, S. (2012), Evaluating Patients Satisfaction from Hospital General Practitioners, Journal of Medical Ethics, Vol. 22. 105. Fatahi, A. A. Noorossana, R. . Dokouhaki, P. and Farhamg Moghaddam, B. (2012), Copula-Based Bivariate ZIP Control Chart for Monitoring Rare Events, Communications in Statistics-Theory and Methods. Vol. 41, pp. 2699-2716. (ISI Indexed) 106. Atashgar, K. and Noorossana, R . (2012), Diagnosing the Source(s) of a Monotonic Change in the Process Mean Vector, International Journal of Advanced Manufacturing Technology, Vol. 60, pp. 1175-1183. (ISI Indexed) 107. Noorossana, R . and Shekary, M. (2012), Monitoring Two Dependent Process Steps using Special Variable Sample Sizes and Sampling Intervals Cause-Selecting Control Charts, Quality and Reliability Engineering International, DOI: 10.1002qre.1258. (ISI Indexed) 108. Noorossana, R . and Sedighi Maman, Z. (2013), Optimal Design of Sign Control Chart with Variable Sampling Size, Quality Engineering and Management, Vol. 2, No. 2. Pp. 197-205. 109. Noorossana, R. . Toosheghanian, M. and Masoumi, F. (2013), Using Genetic Algorithm and Response Surface Methodology for Statistically Constrained Optimization of VSI X-bar Control Charts Under Multiple Assignable Causes and Non-Normality, Published on Line, International Journal of Advanced Manufacturing Technology, pp. 2325-2342, DOI: 10.1007s00170-012-4653-7. (ISI Indexed) 110. Nemati Keshteli, R. Kazemzadeh, R. Amiri, A. and Noorossana, R . (2013), Functional Process Capability Indices for Circular Profiles, Journal of Quality and Reliability Engineering International, DOI: 10.1002qre.1515. (ISI Indexed) 111. Amiri, F. Noghondarian, K. Noorossana, R . (2013), Economic-Statistical Design of Adaptive X-bar Control Chart: a Taguchi Loss Function Approach, Scientia Iranica Transaction E-Industrial Engineering. (ISI Indexed) 112. Kazemzadeh, R. B. Noorossana, R . and i, M. (2013), Change Point Estimation of Multivariate Linear Profiles under Linear Drift, Communications in Statistics-Simulation and Computation. (ISI Indexed) 113. Noorossana, R . Saghaei, A. Izadbakhsh, H. R. and Aghababaei, O. (2013), Monitoring Multinomial Logistic Profiles via Log-Linear Models, International Journal of Industrial Engineering and Production Research. Vol. 24, No.2, pp. 137-142. 114. Assareh, H. Noorossana, R . and Mengersen, K. (2013), Bayesian Change Point Estimation in Poisson Based Control Charts, Journal of Industrial Engineering International, Vol. 9, No. 32. 115. Ghiasabadi, A. Noorossana, R . and Saghaei, A. (2013), Identifying change point of a non-random pattern on control chart using artificial neural networks, International Journal of Advanced Manufacturing Technology, Vol. 67, PP. 16231630. 116. Noorossana, R . Aminnayeri, M. and Izadbakhsh, H. R. (2013), Statistical Monitoring of Polytomous Logistic Profiles in Phase II, Scientia Iranica, Transaction E, Vol. 20, No. 3, pp. 958-966. ( ISI Indexed) 117. Noorossana, R . Rezaeian, S. Saghaei, A. Karimzadeh, Y. and Moradi, S. (2013), Measuring Healthcare Services Quality in Emergency Rooms Considering Patient Rights, Medical Ethics, Vol.7, No. 23, pp. 161-185. 118. Noorossana, R . Niaki, S. T.A. and Ershadi, M. J. (2013), Economic and Economic-Statistical Designs of Phase II Profile Monitoring, Quality and Reliability Engineering International, DOI: 10.1002qre.1516. (ISI Indexed) 119. Forouzandeh Shahraki, A. and Noorossana, R. (2013), A Combined Algorithm for Solving Reliability-based Robust Design Optimization Problems, Journal of Mathematics and Computer Science, Vol. 7, pp. 54-62. (ISI Indexed) 120. Taghizadeh Heart, A. and Noorossana, R . (2013), Re-conceptualization of Customer Results Criterion of Organizational Excellence Model for the Healthcare Sector in the Iranian National Productivity and Excellence Award, Health Management, Vol. 54, No. 16, pp. 82-96. 121. Noorossana, R . Shekary, M. and Masihian, E. (2013), Optimizing Cause-Selecting Control Chart Parameters using Particle Swarm Method, Quality Engineering and Management, Vol. 3, No. 1, pp. 141-148. 122. Soleimani, P. and Noorossana, R . (2014), Monitoring Simple Multivariate Profile in the Presence of between Profile Autocorrelation, Communications in Statistics-Theory and Methods, Vol. 43, No.3, PP. 530-546. (ISI Indexed) 123. Ershadi, M. J. Noorossana, R . Niaki, STA. (2014), Economic-Statistical Design of Variable Sample Size Simple Linear Profiles, Quality Engineering and Management, Vol. 3, No. 2, pp. 67-76. 124. Noorossana, R . Izadbakhsh, H. R. Irannezhad, B. H. Abbasi, M. (2014), Monitoring Maintenance Departments Performance using a Control Chart, Quality Engineering and Management, Vol. 3, No. 3, pp. 141-148. 125. Noorossana, R. and Shekary, M. (2014), A Modified Variable Sample Size and Sampling Interval Control Chart, International Journal of Advanced Manufacturing Technology. (ISI Indexed) 126. Soleimani, P. and Noorossana, R . (2014), Monitoring Multivariate Simple Linear Profiles in the Presence of between Profile Autocorrelation, Communications in Statistics-Theory and Methods. (ISI Indexed) 127. Farahani, E. Noorossana, R . and Koosha, M. (2014), Profile Monitoring in the Presence of Outliers, International Journal of Advanced Manufacturing Technology, DOI 10.1007s00170-014-5920-6. (ISI Indexed) 128. Noorossana, R . Izadbakhsh, H. R. and Nayebpour, M. R. (2014), A Likelihood Ratio Test Approach to Profile Monitoring in Tourism Industry, Applications and Applied Mathematics: An International Journal, Vol. 9, Issue 2, pp. 518-527. 129. Karimi Ghartemani, M. Noorossana, R . and Niaki, S. T.A. (2014), A New Approach in Capability Analysis of Processes Monitored by a Simple Linear Regression Profile, Quality and Reliability Engineering International, DOI: 10.1002qre.1741. (ISI Indexed) 130. Mortaji, S. T.H. Noorossana, R . and Bagherpour, M. (2014), Project Completion Time and Cost Prediction Using Change Point Analysis, Journal of Management Engineering, DOI:10.1061(ASCE)ME.1943-5479.0000329. (ISI Indexed) 131. Shahamat, Z. Saghaei, A. and Noorossana, R. (2014), Phase II Monitoring Nonlinear Profiles Based on Kernel Dissimilarity Analysis, Communications in StatisticsTheory and Methods, DOI: 10.108003610926.2012.732178. (ISI Indexed) 132. Noorossana, R . Fatemi, S. A. and Zerehsaz, Y. (2014), Phase II Monitoring of Simple Linear Profiles with Random Explanatory Variables, International Journal of Advaanced Manufacturing Technology. DOI 10.1007s00170-014-6287-4 (ISI Indexed) 133. Ayoubi, M. Kazemzadeh, R. B. and Noorossana, R . (2014), Estimating Multivariate Linear Profiles Change Point with a Monotonic Change in the Mean of Response Variables, International Journal of Advanced Manufacturing Technology, DOI 10.1007s00170-014-6208-6. (ISI Indexed) 134. Shishebori D. Akhgari M. J. Noorossana, R. . and Khaleghi, G. H. (2014), An Efficient Integrated Approach to Reduce Scraps of Industrial Manufacturing Processes: a Case Study from Gauge Measurement Tool Production Firm, International Journal of Advanced Manufacturing Technology, DOI 10.1007s00170-014-6273-x. (ISI Indexed) 135. Sabri-Laghaie, K. Taleizadeh, A. and Noorossana, R . (2014), Pricing and Lot Size Determination in a Production System with Rework, Product Reject, and Quality Costs, Quality Engineering and Management, Vol. 4, No. 3, pp. 184-198. 136. Ghobadi, S. Noghondarian, K. Noorossana, R . and Sadegh Mirhosseini, S. M. (2015), Developing a fuzzy multivariate CUSUM control chart to monitor multinomial linguistic quality characteristics, International Journal of Advanced Manufacturing Technology, DOI 10.1007s00170-015-6919-3. (ISI Indexed) 137. Noorossana, R . and Nikoo, M. (2015), Phase II Monitoring of Geometric Profiles, Communications in StatisticsTheory and Methods, Vol. 44, pp 1036-1049. (ISI Indexed) 138. Noorossana, R . Zadbood, A. Zandi, F. and Noghondarian, K. (2015), An Interactive Artificial Neural Networks Approach to Multiresponse Optimization, Vol. 76, pp. 765-777, International Journal of Advanced Manufacturing Technology. (ISI Indexed) 139. Noorossana, R . Fathizadan, S. Nayebpour, M. R. (2015), EWMA Control Chart Performance with Estimated Parameters under Non-normality, Quality and Reliability Engineering International, DOI: 10.1002qre.1896. (ISI Indexed) 140. Noorossana, R . and Sabri-Laghaie, K. (2015), Reliability and Maintenance Models for a Dependent Competing-risk System with Multiple Time-scales, Vol. 229(2), pp. 131142, Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability. (ISI Indexed) 141. Noorossana, R. and Sabri-Laghaie, K. (2016), System Reliability with Multiple Failure Modes and Time Scales, Quality and Reliability Engineering International, Vol. 32, pp. 11091126. (ISI Indexed) 142. Sabri-Laghaie, K. and Noorossana, R . (2016), Reliability and Maintenance Models for a Competing-risk System Subjected to Random Usage, Vol. XXX(YY), pp. XXX, IEEE Transaction. Accepted for publication. (ISI Indexed) 1. Nojavan, M. and Noorossana, R . (1997), A General Model for the Zone Control Chart, Proceedings of the 2nd International Conference on Quality and Reliability, 183-189, Hong Kong. 2. Noorossana, R . and Nobar, H. (1998), How Quality Function Deployment Improves Quality at a Medical Plants Facility, Proceedings of the 4th Iranian International Statistics Conference, 62-68, Iran. 3. Noorossana, R . (1999), Process Capability Analysis in the Presence of Autocorrelation, Proceedings of the 4th International Conference on Reliability, Maintainability, and Safety, 618-623, China. 4. Noorossana, R. . Kourdbacheh, N. and Jaami, M. (2000), Quality Improvement in Food Industry Using QFD, Proceedings of the 2nd International Conference on Quality Management, Iran. 5. Noorossana, R . and Nazemi, J. (2000), Improving Delivery and Product Quality in the Automotive Industry, Proceedings of the 2nd International Conference on Quality Management, Iran. 6. Noorossana, R . and Raissi, S. (2000), Statistical Methods for Evaluation of Manufacturing Processes, Proceedings of the 2nd International Conference on Applied Mathematics, 337-350, Iran. 7. Noorossana, R . and Rassaeian, M. (2000), An Experimental Design Approach to Reworks Reduction in Assembly Lines, Proceedings of the 2nd International Conference on Quality Management, Iran. 8. Noorossana, R . and Saghaie, A. (2000), Improving Performance of Control Charts for correlated Data, Proceedings of the 2nd International Conference on Quality Management, Iran. 9. Noorossana, R . and Poursamimi, J. (2000), What is the Impact of ISO 9000 Certification on the Performance, Proceedings of the 2nd International Conference on Quality Management, Iran. 10. Noorossana, R. . and Kiani, H. (2000), How to Plan for Research Monitoring and Evaluation Using Pre-Determined Indices, Proceedings of the 1st Research Conference, Iran. 11. Noorossana, R. . and Alemzad, A. H. (2001), Simultaneous Optimization of Several Responses in Casting Industry, Proceedings of the First Quality Management Conference in Casting Industry, Iran. 12. Noorossana, R . (2001), Improving Battery Performance Using Design of Experiments, Proceeding of the First Battery Conference, Iran. 13. Alemzad, A. H. and Noorossana, R . (2001), An Application of Experimental Design in Value Engineering, Proceedings of the 1st Value Engineering Conference, Iran. 14. Noorossana, R . and Ebrahimi, D. (2002), Customer Orientation: The First Step in Quality Improvement, Proceedings of the 3rd International Quality Managers Conference, Iran. 15. Noorossana, R . and Saghaie, A. (2002), Fuzzy Time Series Analysis, Proceedings of the 6th Iranian International Statistics Conference, Iran. 16. Noorossana, R . and Lotfi M. R. (2002), An Emperical Bayes Approach to Statistical Process Control, Proceedings of the 6th Iranian International Statistics Conference, Iran. 17. Noorossana, R . and Soltanpanah, H. (2002), Multi response Optimization in Quality Control Using Respose Surface Methodology, Proceedings of the 6th Iranian International Statistics Conference, 18. Noorossana, R . and Saghaie, A. (2002), Using Neural Networks for Auto correlated Processes, QMOD Conference, Korea. 19. Noorossana, R . Saghaie, A. and Paynabar, K. (2002), Processes with Very Low Nonconformity Levels, 1st Annual Quality Congress, Iran. 20. Noorossana, R . Saghaie, A. and Paynabar, K. (2002), Fuzzy Control ChartsPros and Cons, 1st Annual Quality Congress, Iran. 21. Noorossana, R . Saghaie, A. and Paynabar, K. (2003), Enhancing the Performance of Geometric Control Charts Using Neural Networks, Industrial Engineering Conference, Iran. 22. Asgharpour, M. J. Noorossana, R . and Nasiri, Z. (2003), Prioritizing Customer Requirements in QFD, Industrial Engineering Conference, Iran. 23. Najmi, M. Noorossana, R . and Valmohammadi, Ch. (2003), A Comparative Study Between ISO 9000:2000 and TQM, International Management Conference, Iran. 24. Noorossana, R . Vaghefi, A. Amiri, A. H. Roghanian, H. (2004), Monitoring Quality Characteristics Using Linear Profiles, Proceeding of the 2nd International Industrial Engineering Conference, Iran. 25. Noorossana, R . Fatholah, A. and Sabzehparvar, A. (2004), Lean Six Sigma: An Improvement Approach for the third Millennium, Proceeding of the 2nd International Industrial Engineering Conference, Iran. 26. Noorossana, R . Vaghefi, A. Amiri, A. H. (2004), Effect of Non-Normality on the Performance of Linear Profiles, 2nd International Industrial Engineering Conference, Saudi Arabia. 27. Noorossana, R . Abdi, S. Saghaei, A. and Peynabar, K. (2005), Identifying the Time of Step Change in High Yield Processes, Proceedings of the 4th International Industrial Engineering Conference, Iran. 28. Noorossana, R . Alaedini, A. (2005), A New Approach for Monitoring Non-Linear Profiles, Proceedings of the 4th International Industrial Engineering Conference, Iran. 29. Noorossana, R . Nikbaksh, J. Peynabar, K. and Ismaeili, H. (2005), A Review of the Shortcomings of Individual Observations Control Charts, Proceedings of the 4th International Industrial Engineering Conference, Iran. 30. Noorossana, R . Vaghefi, A. Saghaei, A. and Ismaeili, H. (2005), Evaluating Performance of Control Charts in Monitoring Non-Linear Profiles in Phase I, Proceedings of the 4th International Industrial Engineering Conference, Iran. 31. Noorossana, R . Peynabar, K. and Arbabzadeh, N. A Review of Geometric Control Chart in Monitoring High Yield Processes, Proceedings of the 4th International Industrial Engineering Conference, Iran. 32. Noorossana, R . and Saraei, A. (2005), A Fuzzy-Multivariate Cumulative Sum Control Chart for Monitoring Investment Performance, Proceedings of the 35th International Computer and Industrial Engineering Conference, Turkey. 33. Noorossana, R . and Tajbaksh, S. D. (2006), Important Issues in Multiple Response Optimization, Proceedings of the 4th International Management Conference, Iran. 34. Noorossana, R . and Alaghehband, A. and Razavi, M. (2007), Determining Relative Efficiency of Human Resource in Electric Companies Using Data Envelop Analysis, Proceedings of the 3rd on Performance Management, International Management Conference, Iran. 35. Kazemzadeh, R. B. Noorossana, R. . and Amiri, A. (2007), Phase II Monitoring of Polynomial Profiles, Proceedings of the 37th International Conference on Computers and Industrial Engineering, Egypt. 36. Soleimani, P. Noorossana, R . and Saghaei, A. (2007), Effect of Autocorrelation on the Performance of Linear Profiles, Proceedings of the 37th International Conference on Computers and Industrial Engineering, Egypt. 37. Noorossana, R . and Vaghefi, A. (2007), The Effect of Undetected Shifts on the Inertial Properties of EWMA Control Charts, Proceedings of the 37th International Conference on Computers and Industrial Engineering, Egypt. 38. Noorossana, R . and Ardakani, M. K. (2007), On the Robust Parameter Design, Proceedings of the 37th International Conference on Computers and Industrial Engineering, Egypt. 39. Aminnayeri, M. A. Noorossana, R . Haghighi, M. and Peynabar, K. (2007), Economic Statistical Design of T2 Control Charts for Systems with Gamma (. 2) in-Control Times, Proceedings of the 37th International Conference on Computers and Industrial Engineering, Egypt. 40. Kazemzadeh, R. B. Noorossana, R. . and Amiri, A. (2007), Statistical Monitoring of Auto correlated Polynomial Profiles, Proceedings of the 9th Islamic Countries Conference on Statistical Sciences, Malaysia. 41. Noorossana, R . and Peynabar, K. (2007), Application of Lean Six Sigma in Public Sector, Proceedings of the 1st Lean Six Sigma Congress, Iran. 42. Noorossana, R . Farokhi, S. and Ahmadi, M. (2007), Enhancement of the Strategic Map and Target Setting Using Statistical Models, Proceedings of the 1st Balanced Scorecard Conference, Iran. 43. Noorossana, R . and Rabani, A. (2007), A Meta-heuristic Approach to Multi response Optimization, Proceedings of the 5th Management Conference, Iran. 44. Noorossana, R . Hadian, Z. Shadalouee, F. and Samimi, Y. (2007), A Case Study on Customer Satisfaction Measurement in Higher Education, Proceedings of the 5th Management Conference, Iran. 45. Kazemzadeh, R. B. Noorossana, R . Amiri, A. (2007), Statistical Monitoring of Auto correlated Polynomial Profiles, Proceedings of the 9th Islamic Countries Conference on Statistical Sciences, Malaysia. 46. Noorossana, R . Shekari, M. and Azadeh, N. (2008), Six Sigma a Remedy in Healthcare, Proceedings of the 2nd International Six Sigma Congress, Iran. 47. Vaghefi, A. Noorossana, R . and Evazian, M. (2008), Applications of Discrete Events Simulation in Lean Six Sigma Projects, Proceedings of the 2nd International Six Sigma Congress, Iran. 48. Noorossana, R . and Shahsavari, N. (2008), Determining Relationships Among Six Sigma Critical Success Factors Using Digraph, Proceedings of the 2nd International Six Sigma Congress, Iran. 49. Noorossana, R . Taghizadeh, H. A. (2008), Using Six Sigma as an Approach to Support Mission and Strategy, Proceedings of the 2nd International Six Sigma Congress, Iran. 50. Kazemzadeh, R. B. Noorossana, R . Amiri, A. and Ardakani, M. K. (2008), Process Optimization When Response is a Simple Linear Regression, The 38th International Conference on Computers and Industrial Engineering, China. 51. Kazemzadeh, R. B., Noorossana, R. . and Amiri, A. (2008), An Application of Phase I Polynomial Profiles Monitoring in Automotive Industry, The 38th International Conference on Computers and Industrial Engineering, China. 52. Saghaei, A. Noorossana, R . Eyvazian, M. and Vaghefi, A. (2008), Statistical Monitoring of Multivariate Linear Profiles, The 8th International Industrial Engineering and Engineering Management Conference, Singapore. 53. Noorossana, R. . Vaghefi, A. and Dorri, M. (2008), Effect of Non-normality on the Performance of Linear Profile Monitoring, The 8th International Industrial Engineering and Engineering Management Conference, Singapore. 54. Noorossana, R . and Heydari, M. (2008), Identifying the Time of a Linear Change in a Normal Process Variance with a Linear Trend Disturbance, The 8th International Industrial Engineering and Engineering Management Conference, Singapore. 55. Ahmadzadeh, P. and Noorossana, R . (2008), Identifying the Time of a Change, The 8th International Industrial Engineering and Engineering Management Conference, Singapore. 56. Noorossana, R . and Abbasian, R. (2008), The Effect of Autocorrelation on the Inertial Property of Control Chart, The 9th Statistical Conference, Iran. 57. Kazemzadeh, R. B. Noorossana, R . and Amiri, A. (2008), Evaluation of the Control Charts Performances on the Identification of the Outliers in Phase I Monitoring of Polynomial Profiles, The 9th Statistical Conference, Iran. 58. Noorossana, R . and Rabbani, A. (2008), Multi response Optimization Containing Quantitative responses Using Mean and Variance of Each Response, The 6th International Management Conference, Iran. 59. Noorossana, R . Piroozfar, S. and Golriz Gashti, S. F. (2008), Customer and Product Liability, The 6th International Management Conference, Iran. 60. Noorossana, R . Saghaei, A. and Moghadam, N. (2008), Six Sigma, The New Improvement Methodology in Healthcare, 1st Hospital Management Conference, Iran. 61. Noorossana, R . and Soleimani, P. (2009), Using Cuscore Chart in the Monitoring of Auto correlated Linear Profiles, The 6th International Industrial Engineering Conference, Iran. 62. Noorossana, R . Saghaei, A. Paynabar, K. and Jafari Shirazi, E. (2009), Monitoring Life Time Profile With Censored Data, The 1st International Conference on the Interface between Statistics and Engineering, China. 63. Noorossana, R . and Shekary, M. (2009), Adaptive Cause-Selecting Control Charts, The 1st International Conference on the Interface between Statistics and Engineering, China. 64. Noorossana, R . Saeidi Mehrabad, M. Ghafourzadeh, E. and Soheili Najafabadi, H. R. (2009), Identifying RFID Critical Success Factors in SCM, The 1st National Conference on Engineering and Management of Infrastructures, Iran. 65. Noorossana, R . Saidi Mehrabad, M. Anvari, M. Azadeh, A. Saberi, M. Izadbakhsh, H. and Nadimi V. (2009), Estimating Efficient Value of Controllable Variable Using An Adaptive Neural Network Algorithm: Case of IRAN Railway, 3rd International Conference on Modeling, Simulation and Applied Optimization, Emarat. 66. Noorossana, R . and Nikou, M. (2010), Application of Wavelet in Profile Monitoring, Statistics Conference, Iran. 67. Rezazade Niavarani, M. Noorossana, R . and Abbasi, B. (2010), Process Capability Analysis in Multivariate Environment, IIE Annual Conference and Expo, Mexico. 68. Saghaei, A. Noorossana, R. . Saifoudinpor, F. and Izadbakhsh, H. (2010), Application of AHP in Claim Management for Construction Projects, The 1st Process Management Conference, Iran. 69. Noorossana, R . and Shekary, M. (2011), Cause-Selecting Control Charts with Variable Parameters, Proceedings of the 41st International Conference on Computers and Industrial Engineering, USA. 70. N oorossana, R. Deheshvar, A. and Shekary, M. (2011), Developing Variable Sample Size and Sampling Interval QUOTE 12Xquotgt 12X quotgt Chart, Proceedings of the 41st International Conference on Computers and Industrial Engineering, USA. 71. Soleimani, P. Noorossana, R . and Narvand, A. (2011), Phase II Monitoring of MA (1) Linear Profiles, Proceedings of the 41st International Conference on Computers and Industrial Engineering, USA. 72. Dokouhaki, P., Noorossana, R . and Fatahi, A. A. (2011), A Markov-based control chart for dependent binary data, Proceeding of the 2011 IEEE ICQR, Thailand. 73. Izadbakhsh, H. Noorossana, R . Zarinbal, A. Safaian, M. and Chegeni, M. (2011), An EWMA - Based Method for Monitoring Polytomous Logistic Profiles, Proceeding of the 2011 IEEE IEEM, Singapore. 74. Toosheghanian, M. and Noorossana, R . (2011), A DEA Approach for Solving Multi-Criteria Design of VSI QUOTE 12 75. Noorossana, R. . Irannejad, H. Jahanshahi, M. and Izadbakhsh, H. (2011), Using a Statistical Control Model for Performance Monitoring of Maintenance Units in Sarcheshmeh Copper Company, 1st World Copper Congress, Iran. 76. Noorossana, R. . Rezazadeh Saghaei, M. and Yazdan Panah, A. (2011), Optimizing Conveyor Mechanical Maintenance Using Lean Six Sigma Methodology, 1st World Copper Congress, Iran. 77. Noorossana, R . Rezaeian, S. and Memarzadeh, M. (2011), Reducing Cold Material in the Smelter Plant of Sarcheshmeh Copper Complex Using Lean Six Sigma Methodology, 1st World Copper Congress, Iran. 78. Noorossana, R. . Saghaei, A. Rezaeian, S. and Jahanshahi, M. (2011), Developing a Model to Measure Healthcare Service Quality and Prioritizing Improvement Opportunities (Case Study - Sarcheshmeh Copper Complex Clinic), 9th International Management Conference, Iran. 79. Noorossana, R . and Shekary, M. (2011), Challenges in Using Adaptive Control Charts in Practice Advantages and Disadvantages, 9th International Management Conference, Iran. 80. Noorossana, R . Deheshvar, A. and Shekary, M. (2011), Comparison of the Performances of VSS, VSI, and VSSI Control Charts, 9th International Management Conference, Iran. 81. Noorossana, R . Izadbakhsh, H. Moeni, A. Rahimi, A. Memarzadeh, M. and Mortezavi, A. (2012), Using Discrete Event Simulation to Model Smelting Process with Complex Constrains, International Conference on Industrial Engineering and Operations Management, Turkey. 82. Noorossana, R . Izadbakhsh, H. Esmaelian, M. and Ghasemi, M. (2012), Effect of Managerial Changes on the Corporation Performance: DEA based Method, International Conference on Industrial Engineering and Operations Management, Turkey. 83. Noorossana, R. . Izadbakhsh, H. Mahmoudabadi, M. and Kafi, R. (2012), An EWMA Based Method for Monitoring Polytomous Logistic Profiles (Case Study: Alloy Fasteners Manufacturing Process), International Aluminum Conference, Iran. 84. Noorossana, R . Memarzadeh, M. Izadbakhsh, H. Rezaeian, S. and Nemati, H. (2012), Discrete Event Simulation of Melting Process with Complex Constraints, The 8th International Industrial Engineering Conference, Iran. 85. Noorossana, R. . and Izadbakhsh, H. (2012), Application of Lean Six Sigma Methodology in Abouraihan Pharmaceutical Company, 1st International Seminar on Pharmacoeconomics and Pharmacy Management, Iran. 86. Noorossana, R . Jafari, M. Saleh Oliya, M. Hosseyni Ezabadi, J. and Dehghani Seryazdi, M. (2012), Analysis of Knowledge Management Effects on Organizational Excellence using Systems Dynamic, 1st National Conference on System Approach, Iran. 87. Deheshvar, A. Shekary, M. and Noorossana, R . (2012), A Three stage Variable Parameters Adaptive Control Chart, The 8th International Industrial Engineering Conference, Iran. 88. Forouzandeh Shahraki, A. and Noorossana, R . (2012), Reliability-Based Robust Design Optimization Using Genetic Algorithm, International Conference on Nonlinear Modeling and Optimization, Iran. 89. Noorossana, R . Rezaeian, S. Jahanshahi, M. Izadbakhsh, H. R. Memarzadeh, H. R. (2012), Using Six Sigma and Discrete Simulation to Improve Quality and Reduce Waste in the Smelting Factory of Sarcheshmeh Copper Complex, 1st International Quality Engineering Conference, Iran. 90. Noorossana, R . and Izadbakhsh, H. R. (2012), Using Six Sigma in Pharmaceutical Processes of Abourayhan Company, 1st Economics Management of Drugs Conference, Iran. 91. Noorossana, R . Izadbakhsh, H. R. Ghasemi, R. (2012), An Integrated Model to Evaluate Performances of Holding Companies, 10th International Management Conference, Iran. 92. Noorossana, R . Ghasemi, R. and Izadbakhsh, H. R. (2012), Evaluating Effect of Management Changes on the performance of Banks Using Data Envelopment Analysis and Ordinal Logistic Regression, 10th International Management Conference, Iran. 93. Noorossana, R . Izadbakhsh, H. R. and Jahanshahi, M. (2012), An EWMA based Method for Monitoring Polytomous Logistic Profiles in Alloy Fasteners Manufacturing Processes, International Aluminum Conference, 2012, Iran. 94. Noorossana, R . and Izadbakhsh, H. R. (2012), Monitoring Multinomial Logit Profiles via Log-Linear Models, 1st International Quality Engineering Conference, Iran. 95. Izadbakhsh, H. R. and Noorossana, R . (2012), Using Discrete Event Simulation to Model Smelting Process with Complex Constrains, International Conference on Industrial Engineering and Operations Management, Turkey. 96. Noorossana, R . and Izadbakhsh, H. R. (2012), Effect of Managerial Changes on the Corporation Performance: a DEA Based Method, International Conference on Industrial Engineering and Operations Management, Turkey. 97. Noorossana, R . Izadbakhsh, H. R. Nayebpour, M. R. and Saghaei, A. (2012), A LRT Approach to Profile Monitoring in Tourism Industry, Academy of Business Research Conference, New Jersey, USA. 98. Noorossana, R . Mohammadi, M. Khosravi, F. and Nayebpour, M. R. (2012), Using Rank Transformation in Phase I of Profile Monitoring, Academy of Business Research Conference, New Jersey, USA. 99. Noorossana, R. . Noorossana, P. Nayebpour, M. R. and Moradimanesh, M. (2012), Estimating Time of a Monotonic Change in High Yield Processes, Academy of Business Research Conference, New Jersey, USA. 100. Noorossana, R . Nayebpour, M. R. and Izadbakhsh, H. (2013), Monitoring Multinomial Logistic Profiles in Phase I Using Log-Linear Models, International Academy of Business Disciplines (IABD) 25th Annual Conference, Atlanta, USA. 101. Noorossana, R . Aminmadani, M. and Nayebpour, M. R. (2013), Effect of Estimation Error on the Phase II Monitoring of Simple Linear Profiles, International Academy of Business Disciplines (IABD) 25th Annual Conference, Atlanta, USA. 102. Noorossana, R . Sedighi Maman, Nayebpour, M. R. (2013), Optimal Design of Nonparametric Sign Control Chart with Variable Sampling Interval, Academy of Business Research Conference, San Antonio, USA. 103. Noorossana, R . Nayebpour, M. R. Gharaei, A. (2013), Supply Chain Robustness by Identifying and Improving Standard Processes, Academy of Business Research Conference, San Antonio, USA. 104. Noorossana, R . Noori, S. and Akbari, A. (2013), A Feasibility Analysis for the Implementation of Evaluation Management System in Human Resource Department, 10th International Management Conference, Tehran, Iran. 105. Gharaei, A. and Noorossana, R . (2013), Performance Delivery Model in Supply Chain: Problem of Allocating Mean and Variance of the Lead Time, Second International Operations Research Conference, Tehran, Iran. 106. Hosseini Azabadi, J, Owlia, M. S. and Noorossana, R . (2013), Evaluation of Knowledge Management Effects on the Organizational Excellence using Dynamic System, 11th International Management Conference, Tehran, Iran. 107. Noorossana, R . Noori, S. and Akbari, A. (2013), A Feasibility Study on the Implementation of Performance Management System in Human Resource Departments, 11th International Management Conference, Tehran, Iran. 108. Noorossana, R. . Nayebpour, M. R. Aminmadany, M. and Zerehsaz, Y. (2014), Effect of Estimation Error on the Performance of EWMAR Control Charts when Monitoring Simple Linear Profiles, 45th South West Decision Science Institute, Dallas, Texas, USA. 109. Noorossana, R . Niaki, S. T.A, Nayebpour, M. R. and Ershadi, M. J. (2014), Economic-Statistical Design of Variable Sample Size Simple Linear Profiles in Phase II, 45th South West Decision Science Institute, Dallas, Texas, USA. 110. Noorossana, R . Nayebpour, M. R. and Fathizadan, S. (2015), Exponentially Weighted Moving Average Control Chart Performance with Estimated Parameters and Non-Normal Observations, 46th South West Decision Science Institute, Houston, Texas, USA. 111. Noorossana, R. and Mohamadpanah, M. (2015), New Method for Designing X-bar Control Chart with Variable Sample Size, 11 th International Industrial Engineering Conference, Tehran, Iran. 1. Noorossana, R. (1998), Introduction to Statistical Quality Control . Iran University of Science and Technology Press (Award Winner). 2. Noorossana, R. (2000), Introduction to Design of Experiments . Institute of Industrial Management Press. 3. Noorossana, R. Salehipour, A. and Saghaei, A. (2004), What is Six Sigma . Iran University of Science and Technology Press. 4. Noorossana, R. and Saghaei, A.(2005), What is Lean Six Sigma . Termeh Press. 5. Noorossana, R. Saghaei, A. and Evazian, M. (2005), Six Sigma with Minitab . Termeh Press. 6. Noorossana, R. (2006), Design and Analysis of Experiments . Iran University of Science and Technology Press. 7. Saghaei, A. and Noorossana, R. (2007), Probability and Statistics in Cartoon . Termeh Press. 8. Noorossana, R. (2008), Introduction to Design and Analysis of Experiments . Iran University of Science and Technology Press. 9. Noorossana, R. Saghaei, A. and Amiri, A. (2008), Design for Six Sigma . Iran University of Science and Technology Press. 10. Noorossana, R. Saghaei, A. and Amiri, A. (2010), Statistical Analysis of Profile Monitoring, To be published by John Wiley and Sons . 1. A Mathematical Model for the Zone Control Chart , Research Office, Iran University of Science and Technology, Iran, 1993. 2. Evaluating the Impact of ISO 9000 Certifications on the Performance of the Manufacturing Companies in Iran , Research Office, Iran University of Science and Technology, Iran, 1996. 3. Economic Designs of Multivariate Control Charts , Research Office, Iran University of Science and Technology, Iran, 1998. 4. A Multiple Criteria Decision Making Approach to Design of Experiments , Research Office, Iran University of Science and Technology, Iran, 2000. 5. Improving Quality of Products Using Quality Function Deployment , Research Office, Iran University of Science and Technology, Iran, 2001. 6. quot Improving Quality and Reducing Waste Using Design of Experiment squot Research Office, Iran University of Science and Technology, Iran, 2001. 7. Customer Satisfaction Measurement in Iran Postal Services , Iran Postal Company, Tehran, Iran, 2004. 8. quot Inspection Bodies Assessment and Qualifications and Legal Aspects .,quot Iran Standards Institute, Tehran, Iran, 2005. 9. quot Effect on Autocorrelation in Multivariate Cumulative Sum Control Chart quot Research Office, Iran University of Science and Technology, Iran, 2005. 10. quot Using Neural Networks to Identify and Classify Signals in Autocorrelated Processe squot Research Office, Iran University of Science and Technology, Iran, 2005. 11. quot Identifying Change Point Using Geometric Control Chart quot, Research Office, Iran University of Science and Technology, Iran, 2006. 12. Identifying the Time of Change in Production Processes, Iran National Science Foundation, Tehran, Iran, 2007. 13. Designing a Zero Acceptance Number Sampling Plan, Defense Standard Institute, Tehran, Iran, 2007. 14. Effect of Autocorrelation on Profile Monitoring, Research Office, Azad University, Tehran, Iran, 2008. 15. Process Control Using Profile Monitoring, Iran National Science Foundation, Tehran, Iran, 2008.