小批量生产的贝叶斯质量控制模型

本应用贝叶斯统计推断方法，研究了基于正态共轭先验分布和正态——逆伽玛共轭先验分布的小批量生产下的质量控制模型问题，根据不同控制对象的预报分布密度函数，分别构造了方差已知时的贝叶斯均值控制图和方差未知时的贝叶斯均值——标准差控制图，并与经典质量控制模型进行了比较。     

样本数较少时的极值控制图

「１」中研究了样本数较少时中位值和极差控制图。本文研究样本数较少时极值控制图的制定方法，给出与极值有关的统计量的分布，建立极值图的控制限，极值图不需计算，有关集中和分散的信息在一个图上给出，且可画上规格限，在实践中应用方便，本文制定的极值控制可应用于小批量生产的生产过程。     

基于贝叶斯估计的中国人均GDP之时序模型

本文应用SAS软件对1952-2009年的中国人均GDP建立时间序列模型并对2010-2013年的中国人均GDP进行了预测;在此基础上建立了以时间序列模型得到的参数信息作为先验信息的两种贝叶斯修匀模型与算法。由此所得的参数贝叶斯估计及预测,能充分利用样本信息和参数的先验信息,因而具有更小的方差或平方误差,估计参数更科学。为了检验该方法对先验分布的灵敏性,我们做了基于两种先验分布的模拟预测。将预测结果与传统时间序列预测相比,发现单一正态观测值、方差已知的先验分布的贝叶斯模型得到的预测值更准确,而基于先验分布为指数分布的贝叶斯模型的预测误差较大,预测效果差。     

小批量生产时的中位数控制图

设计总体服从正态分布的小批量生产中位数控制图的控制限,首先导出与中位数有关的统计量的分布,然后将中位数标准化,找出标准化中位数的分布和近似正态分布,最后分别基于标准差和极差给出小批量生产中位数控制图作出了讨论,给出了随着样本组数可变的控制界限.     

合成控制图

本文提出了一种新的组合控制图 ,介绍了它的用法 ,导出了控制限常数 ,并将它和传统的 X图与 X-EWMA 图作了比较。模拟研究表明 ,新图更有效     

修正贝叶斯控制图与累积和控制图的比较分析

面向多品种、小批量制造过程的小波动检验是目前统计过程控制图发展和研究的方向.在对修正贝叶斯控制图与累积和控制图原理进行比较后,通过一组过程仿真数据对两种控制图进行了分析,指出了两种控制图的特性和应用前景.     

基于贝叶斯时序模型的甘肃省人均GDP预测

本文应用Eviews软件对甘肃省1953-2010年人均GDP数据建立时序模型,利用模型的先验信息给出两种先验分布下的贝叶斯模型与算法,并依次计算出2011-2015年的甘肃省人均GDP的预测值,结果显示,两种贝叶斯模型的拟合效果都优于传统模型。与经典时序模型相比,贝叶斯时间序列模型能充分利用样本信息和参数的先验信息,因而具有更小的平方误差,估计参数更科学。文章最后运用稳健先验的贝叶斯模型对甘肃省"十三五"时期人均GDP进行了预测。     

联合检测过程位置参数和尺度参数的非参数Cusum控制图

用于检测生产过程的多数传统控制图都假定过程的受控分布是已知的,并假定数据服从正态分布。然而在很多情况下,由于没有足够的数据来估计过程的分布,这种假定就变得不现实,而非参数控制图却不需要任何关于分布的特殊形式的假定。另外,多数的已有控制图都是使用两个单独的均值与方差控制图来同时检测生产过程.本文中,我们提出一个新的基于Cramer-von-Mises(CvM)检验的非参数累积和控制图(称为CvM图)来同时检测过程位置参数和尺度参数。文中给出了基于不同受控平均运行长度(ARL)下的CvM图的控制限,通过步长的均值、方差及分位数来研究控制图的性能表现。最后用一个实例来说明CvM图的实际应用。     

合格品链长控制图

在生产过程中不合格品率(p)很低的情况下,利用两个连续不合格品之间的合格品数(合格品链长)控制图来监督过程不合格品率能克服传统的p图所遇到的困难,为生产者提供产品质量改良的信息。本文研究两种合格品链长(CRL)控制图的制定方法,对这些控制图的效率进行了比较,并说明其实际应用。所研究的CRL控制图特别适用于自动化生产过程的100%检验的质量控制。     

基于先验信息的社会碳成本贝叶斯不确定性分析

针对气候变化及经济影响存在的巨大不确定性,研究了气候变化不确定性以及先验信息对社会碳成本的影响.在贝叶斯理论框架下,采用指数分布刻画气候变化的分布特征,假设尾部变化率是一个随机变量,给出其伽玛先验分布,推导了气候变化分布的贝叶斯先验预测分布.并分别基于指数分布以及帕累托先验预测分布计算了社会碳排放成本.模拟分析发现,在未融合先验信息的情况下,由于尾部概率很小,不管是否修正消费与气候变化之间的关系,截尾社会碳成本和未截尾社会碳成本几乎重合.然而,在利用贝叶斯方法融合先验信息的情况下,社会碳成本容易受到先验信息的影响.但是,通过修正消费与气候变化之间的关系后,发现社会碳成本受先验信息的影响比较少.     

基于测量质量损失函数的控制图控制界限的优化

控制界限和抽样间隔是控制图的两个基本参数。常规控制图是基于3σ原理确定的控制界限,该控制界限是在大量试验基础上依据经验确定的,并没有精确的公式推导.对于抽样间隔,常规控制图也没有明确的规定。田口博士的质量损失函数可以很好的解决质量经济性方面的一些问题.利用田口博士的理论,通过确定适宜的二次测量质量损失函数,可以确定控制图的最佳控制界限和最佳抽样间隔.文章简要介绍了常规控制图原理和田口博士的质量损失函数,重点叙述了田口博士反馈控制系统的测量质量损失函数,在此基础上,研究了控制图最佳控制界限和最佳抽样间隔,并且通过具体实例验证了该控制图良好的经济性.     

可变抽样区间的二项EWMA控制图

在制造过程中,对产品的不合格品数进行监控时,通常选用计数性控制图-np图,它是基于过程服从二项分布建立的,一般对于过程中出现的较大波动效果明显。为了提高控制图对不合格品数较小波动的监控效果,本文设计了产品不合格品数服从二项分布的EWMA控制图。提出可变抽样区间的二项EWMA控制图,并采用马可夫链法计算其平均报警时间。对固定抽样区间以及可变抽样区间二项EWMA控制图对比研究,表明当过程失控时,可变抽样区间二项EWMA控制图具有较小的失控平均报警时间,能够迅速监测出过程中的异常波动,明显优于固定抽样区间的二项EWMA控制图。     

Multivariate Bayesian process control for a finite production run

Most industrial products and processes are characterized by several, typically correlated measurable variables, which jointly describe the product or process quality. Various control charts such as Hotelling’s T², EWMA and CUSUM charts have been developed for multivariate quality control, where the values of the chart parameters, namely the sample size, sampling interval and the control limits are determined to satisfy given economic and/or statistical requirements. It is well known that this traditional non-Bayesian approach to a control chart design is not optimal, but very few results regarding the form of the optimal Bayesian control policy have appeared in the literature, all limited to a univariate chart design. In this paper, we consider a multivariate Bayesian process mean control problem for a finite production run under the assumption that the observations are values of independent, normally distributed vectors of random variables. The problem is formulated in the POMDP (partially observable Markov decision process) framework and the objective is to determine a control policy minimizing the total expected cost. It is proved that under standard operating and cost assumptions the control limit policy is optimal. Cost comparisons with the benchmark chi-squared chart and the MEWMA chart show that the Bayesian chart is highly cost effective, the savings are larger for smaller values of the critical Mahalanobis distance between the in-control and out-of-control process mean.     

联合监测过程位置参数和尺度参数的非参数Shewhart控制图

用于检测生产服务过程的传统控制图多数都假定过程的分布是已知的。这些控制困经常是在正态分布的假设下构建的,然而在服务质量实时监控中数据往往是非正态的。在这种情况下,基于正态分布假设的控制图的结果是不可靠的。为了解决这个问题,通常考虑非参数方法,因为在过程分布未知情况下,非参数控制图比参数图更加稳健有效。本文提出一个新的基于Van der Waerden和Klotz检验的Lepage型非参数Shewhart控制图(称为LPN图)用于同时检测未知连续过程分布的位置参数和尺度参数。文中给出了LPN图在不同参数下的控制限。依据运行长度分布的均值,方差和分位数,分析了LPN图在过程受控和失控时的性能,并与其他一些现有的非参数控制图进行比较。基于蒙特卡洛的模拟结果表明,LPN图对非正态分布具有很好的稳健性,并且在不同的过程分布下对检测位置参数和尺度参数,尤其对检测尺度参数的漂移都具有很好的性能。最后通过监控出租车服务质量说明LPN图在实际中的应用。     

自相关对常规控制图影响的模拟研究与案例分析

常规统计控制图的基本假设前提是观测值独立同分布,而在实际生产过程中,质量指标值常表现出自相关现象,违背独立性假定。本文运用平均链长(ARL)研究自相关过程为AR(1)时对常规控制图的影响,并比较了常规控制图和残差控制图对序列相关过程的控制效果。模拟结果和实例分析表明:当过程序列相关时,使用常规作图法估计出的标准差是有偏的,致使控制限设置错误和常规控制图检测能力降低。因此,在一些统计过程控制中,须考虑自相关现象并采用适当的控制图方法。     

自相关过程的质量控制图

常规控制图应用的基本假设是从过程得到的测量值彼此独立,但许多连续型的制造业生产过程(例如化学和制药)往往存在自相关,此时常规控制图容易虚发警报。基于数据的样本自相关函数,本文改进了常规控制图的控制界限,使之适用于自相关过程,并运用常规X-s控制图和本文修正的X控制图对一个实际案例进行了比较分析,结果表明本文修正的X控制图可正确地判断过程是否处于受控状态。     

基于粒子滤波的改进型单值控制图

针对高度复杂小批量生产环境下的统计过程控制问题,提出基于粒子滤波的改进型单值控制图。通过状态空间模型描述过程运行特征,并运用粒子滤波技术估计过程的运行状态,以状态粒子群的均值为对象,运用平均移动极差控制图对正态分布过程的漂移进行监控。研究结果表明,该方法是小批量生产过程质量控制的有效工具。     

具有可变样本容量的非正态EWMA控制图

为了提高控制图的监控效率,本文研究非正态分布下,EWMA控制图的可变样本容量设计问题。首先利用Burr分布近似各种非正态分布,构造可变样本容量的非正态EWMA控制图;其次运用马尓科夫链法计算可变样本容量非正态EWMA控制图的平均运行长度;然后与传统的非正态EWMA控制图进行比较得出:当过程中出现小波动时,可变样本容量的非正态EWMA控制图能够更快地发现过程中的异常波动,具有较小的平均运行长度,其监控效率明显优于传统的非正态EWMA控制图。     

Control charts based on randomized quantile residuals

In practice, quality characteristics do not always follow a normal distribution, and quality control processes sometimes generate non‐normal response outcomes, including continuous non‐normal data and discrete count data. Thus, achieving better results in such situations requires a new control chart derived from various types of response variables. This study proposes a procedure for monitoring response variables that uses control charts based on randomized quantile residuals obtained from a fitted regression model. Simulation studies demonstrate the performance of the proposed control charts under various situations. We illustrate the procedure using two real‐data examples, based on normal and negative binomial regression models, respectively. The simulation and real‐data results support our proposed procedure.