Quality Loss Functions for Optimization across Multiple Response Surfaces

Ames, Allan E.; Mattucci, Neil; MacDonald, Stephen; Szonyi, Geza; Hawkins, Douglas M.

doi:10.1080/00224065.1997.11979775

Cited by 142 publications

(86 citation statements)

References 9 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…• Vining and Mayers (VM) method (Vining & Myers, 1990) • Lin and Tu (LT) method (Lin & Tu, 1995) • Copeland and Nelson (CN) method (Copeland & Nelson, 1996) • Quality loss function (QLP) method (Ames et al, 1997).…”

Section: Methodsmentioning

confidence: 99%

A dual response surface optimization methodology for achieving uniform coating thickness in powder coating process

John¹

2015

10.5267/j.ijiec

View full text Add to dashboard Cite

The powder coating is an economic, technologically superior and environment friendly painting technique compared with other conventional painting methods. However large variation in coating thickness can reduce the attractiveness of powder coated products. The coating thickness variation can also adversely affect the surface appearance and corrosion resistivity of the product. This can eventually lead to customer dissatisfaction and loss of market share. In this paper, the author discusses a dual response surface optimization methodology to minimize the thickness variation around the target value of powder coated industrial enclosures. The industrial enclosures are cabinets used for mounting the electrical and electronic equipment. The proposed methodology consists of establishing the relationship between the coating thickness & the powder coating process parameters and developing models for the mean and variance of coating thickness. Then the powder coating process is optimized by minimizing the standard deviation of coating thickness subject to the constraint that the thickness mean would be very close to the target. The study resulted in achieving a coating thickness mean of 80.0199 microns for industrial enclosures, which is very close to the target value of 80 microns. A comparison of the results of the proposed approach with that of existing methodologies showed that the suggested method is equally good or even better than the existing methodologies. The result of the study is also validated with a new batch of industrial enclosures.

show abstract

Section: Methodsmentioning

confidence: 99%

A dual response surface optimization methodology for achieving uniform coating thickness in powder coating process

John¹

2015

10.5267/j.ijiec

View full text Add to dashboard Cite

show abstract

“…Se han propuesto otros enfoques basados en la deseabilidad para corregir algunos detalles de la propuesta original, como en Ch'ng et al, (2005) y Del Castillo et al, (1996). Ames et al, (1997) proponen las funciones de pérdida para optimizar múltiples características de calidad. Mencionan que las funciones de pérdida proveen un marco conceptual que permite combinar criterios diferentes en una función objetivo única.…”

Section: Introductionunclassified

“…Estas funciones de pérdida se deben minimizar para obtener las mejores condiciones de operación del proceso ya que esto minimizaría la pérdida del cliente o de la sociedad. Según Ames et al, (1997), al minimizar la función de pérdida además de la calidad más alta, también se produce la mayor estabilidad o robustez en el proceso contra las variaciones en la calidad debida a las variables de entrada. Peterson (2004) menciona que actualmente existen enfoques basados en la función cuadrática de pérdida que consideran la estructura de correlaciones entre los diferentes tipos de respuestas, sin embargo, también menciona que esta técnica tiene dos inconvenientes serios, primero, no considera la incertidumbre de la matriz de varianzas-covarianzas de los errores en los modelos de regresión y segundo, en algunas ocasiones la función cuadrática de pérdida, especialmente alguna que se base en una forma cuadrática multivariada puede ser difícil de entender para algunos investigadores.…”

Section: Introductionunclassified

Metodología bayesiana para la optimización simultánea de múltiples respuestas

Limón¹,

Rodríguez²,

Sánchez³

et al. 2012

Inf. tecnol.

View full text Add to dashboard Cite

ResumenSe muestra la aplicación de una metodología bayesiana para la optimización simultánea de múltiples respuestas. Se modifica una propuesta anterior, introduciendo una modificación que la hace más flexible, ya que permite trabajar con el caso en que no todas las variables consideradas en el estudio son igualmente importantes. Para incorporar estas diferencias en cuanto a la relevancia de las variables de respuesta analizadas se utiliza la media geométrica ponderada de las probabilidades de que cada variable cumpla con su especificación. Con esto, las múltiples variables a optimizar se convierten en una sola. Mediante un ejemplo se muestra como la modificación propuesta ayuda a obtener distintos escenarios óptimos para considerar en la toma de decisiones. Palabras clave: múltiples respuestas, optimización, metodología bayesiana, media geométrica ponderada Bayesian methodology for simultaneous optimization of multiple responses AbstractThe application of a bayesian methodology for simultaneous optimization of multiple responses is presented. A previous proposal is modified by introducing a modification that makes it more flexible, allowing working with the case in which not all the variables considered in the study are equally important. To incorporate in the methodology these differences related to the analyzed response variables the weighted geometric mean of the probabilities that each variable meets its own specification is used. With this change, the multiple optimization variables are converted into only one. An example to show how the proposed modification helps in achieving different optimal scenarios to consider in making decisions is discussed.

show abstract

“…The multi-performance characteristic optimization using Taguchi's quality loss function employs the weighting factors in total loss function (Ames et al, 1997). Taguchi used a loss function to determine the deviation between the experimental and desired values.…”

Section: Multi-response Optimization Using Quality Loss Functionmentioning

confidence: 99%

“…Several modifications were suggested to original Taguchi method for multi response optimization (Jeyapaul et al, 2005). The methodology of Taguchi's quality loss function has proved to be an attractive and efficient optimization tool for multiple performance characteristics (Ames et al, 1997). The multi-performance characteristic optimization using Taguchi's quality loss function employs the weighting factors in the total loss function to obtain multi-response signal to noise (S/N) ratio.…”

Section: Introductionmentioning

confidence: 99%