有偏总体的EWMA均值控制图

基于总体分布有偏并假定总体分布未知情况下均值-极差控制图的控制限的研究结果,将其推广到EWMA均值控制图,给出总体分布有偏并假定总体分布未知情况下EWMA均值控制图的控制界限,并以质量特性值服从对数正态分布为例,给出EWMA均值控制图的控制效果的模拟分析.     

基于未知分布的均值和方差的稳健EWMA图

研究了当待监控质量特性所服从的分布类型和分布参数未知时的EWMA控制图的构建问题。通过仿真分析对几种分别用于监控过程均值和过程方差的EWMA控制图方法的运行长度进行比对,用以评价控制图的效率以及对未知分布的稳健性,根据效率评价的结果获得了适用于分布未知情况下的均值和方差的稳健EWMA控制图。最后分别提出了这两种均值和方差的稳健EWMA图的优化设计方法.     

基于条件表现的EWMA-Maxwell控制图精确设计

多数控制图设计均基于过程服从正态分布,且受控过程参数已知的假定,然而实际中,过程真实分布常常偏态,且过程参数也经常未知。本文首先设计了等尾和平均链长无偏(无偏)EWMA图用于偏态Maxwell分布的监控,接着从条件视角出发推导出了条件平均链长的精确分布,讨论了参数估计对所提控制图的影响,并基于超越概率准则给出为将参数估计所引致的伪警报率降低到合理水平所需的第I阶段最小样本数。为弥补实际应用中第I阶段样本数据的不足,提出精确修正方法设计具有理想条件表现的等尾和无偏EWMA图用于早期过程的监控。结果表明,相较于未修正图,修正图发现过程失控的能力略有下降。另外,修正无偏图整体上优于等尾图。最后通过实例说明所设计控制图的实际执行。     

带参数估计的EWMA方差控制图稳健性分析

EWMA方差控制图是一种有效用于检验过程方差漂移的统计工具.实践中,过程参数多数是未知的,需要对过程的均值与方差等参数在过程阶段Ⅰ通过历史的受控数据进行估计.文章主要研究带参数估计的EWMA方差控制图.首先梳理了常用的7种标准差的估计,考虑阶段Ⅰ常见的4类干扰项,使用均方误差作为估计量有效性评价准则.对7种参数估计的EWMA方差控制图,在4类干扰项情况下,设计控制图的控制上限参考表,并比较失控平均运行长度和运行长度的标准差在阶段Ⅱ监控方差不同漂移幅度的表现.发现在均值干扰项的情况下,7种标准差的估计中经过样本筛选后的中位数绝对偏差均值估计ADM'的表现较优;而在方差干扰项的情况下,7种标准差的估计中中位数绝对偏差中位数估计MDM的表现较优.     

监测均值变动的多重控制图方法

本文证明了当受控平均运行长度充分大时, 多重控制图有两个优点: 一是相比较GLR (广义似然比) 和GEWMA (广义指数权重移动平均)控制图它可以大大降低运算的复杂性; 二是能够较快地监测均值变化的大小. 数值模拟也表明: 多重控制图不仅优于其构成的单个控制图, 而且在监测未知的均值变动方面也优于单个的CUSUM, EWMA, 多重EWMA和GLR控制图.     

阶段Ⅱ联合检测过程位置和尺度的非参数EWMA控制图（英文）

本文提出了一个基于Cucconi检验的非参数指数加权移动平均(EWMA)控制图(简称为EC图)来同时检测过程位置参数和尺度参数.依据步长分布的均值、方差及分位数,给出了EC图与其他一些现有的非参数EWMA控制图的模拟比较.基于蒙特卡洛的模拟结果表明,EC图具有很好的性能.详细分析了阶段I中参考样本大小对EC图受控性能的影响.最后用一个实例来说明EC图的实际应用。     

基于经验似然比检验的高维非参EWMA控制图

随着传感技术和数据采集系统的逐渐完善,大量复杂高维数据可以被收集,对多变量和高维数据流进行监控往往是现代制造业和质量管理部门的一个基本要求.然而,在高维数据监控领域中,由于“维数的诅咒”以及变量的分布通常是复杂未知的,大多数传统的多元控制图不再适用.针对这种情况,一些研究者讨论了对分布未知且复杂高维数据的均值向量的各种检验,但这些检验很少适用于Phase II阶段的过程监控.文章提出了一种基于高维经验似然比检验的EWMA型非参数监控方案,该方案可用于多元过程和高维过程均值向量的监控,并且适用于子组数据流.所提出的控制图不仅易于实现和解释,而且蒙特卡罗数值模拟结果显示该控制图在对称、偏态、厚尾分布中都能有效地监测均值漂移.最后,将所提出的控制图应用于半导体制造过程,结果显示文章的方法对未通过测试的半导体具有良好的监控效果.     

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。     

有偏总体的极差控制图

根据加权标准差方法建立有偏总体的极差控制图,它基于有偏总体来计算对应于正态分布的控制图常数,根据样本数据的偏度来计算上下控制限,对于总体是对称分布,该控制图退化为标准的休哈特控制图.最后,用蒙特卡洛方法给出了改进的控制图常数.     

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。     

A Distribution-Free Phase II EWMA Control Chart for Joint Monitoring of Location and Scale

A single distribution-free (nonparametric) Phase II exponentially weighted moving average (EWMA) chart based on the Cucconi statistic, referred to as the EWMA-Cucconi (EC) chart, is considered here for simultaneously monitoring shifts in the unknown location and scale parameters of a univariate continuous process. A comparison with some other existing nonparametric EWMA charts is presented in terms of the average, the standard deviation and some percentiles of the run length distribution. Numerical results based on Monte Carlo analysis show that the EC chart provides quite a satisfactory performance. The effect of the Phase I (reference) sample size on the IC performance of the EC chart is studied in detail. The application of the EC chart is illustrated by two real data examples.     

�׶�II���ϼ�����λ�úͳ߶ȵķDz���EWMA����ͼ

??A single distribution-free (nonparametric) Phase II exponentially weighted moving average (EWMA) chart based on the Cucconi statistic, referred to as the EWMA-Cucconi (EC) chart, is considered here for simultaneously monitoring shifts in the unknown location and scale parameters of a univariate continuous process. A comparison with some other existing nonparametric EWMA charts is presented in terms of the average, the standard deviation and some percentiles of the run length distribution. Numerical results based on Monte Carlo analysis show that the EC chart provides quite a satisfactory performance. The effect of the Phase I (reference) sample size on the IC performance of the EC chart is studied in detail. The application of the EC chart is illustrated by two real data examples.     

具有可变抽样区间的EWMA标准差控制图

对指数加权滑动平均即EWM A标准差控制图进行了可变抽样区间设计,用M arkov-cha in方法给出了该控制图的平均报警时间的计算公式,并同固定抽样区间的常规EWM A标准差控制图进行比较,数据显示,所设计的控制图能较快的发现过程变化从而减少产品的不合格率.     

稀土分离联产品质量控制研究

以稀土分离企业为背景,抽取联产品特点及质量属性,绘制单一产品的指数加权移动平均控制图和联产品的多元残差T²控制图,并将两类控制图进行对比分析,分析表明和EWMA控制图相比,联产品多元残差T²控制图能降低控制图虚发警报的概率。针对多元残差T²控制图发现的异常模式,采用支持向量机模型对异常模式进行分类处理,寻找分类规则,构造PSO-SVM分类器,运用粒子群算法对SVM参数寻优,并对得出的结果进行对比分析。分析表明该分类器能提高分类正确率,模式识别可以用于诊断稀土企业引起联产品多元残差T²控制图出现异常的原因,从而提高过程质量管理水平。     

EWMA control charts for autoregressive processes

Many processes must be monitored by using observations that are correlated. An approach called algorithmic statistical process control can be employed in such situations. This involves fitting an autoregressive/moving average time series model to the data. Forecasts obtained from the model are used for active control, while the forecast errors are monitored by using a control chart. In this paper we consider using an exponentially weighted moving average (EWMA) chart for monitoring the residuals from an autoregressive model. We present a computational method for finding the out-of-control average run length (ARL) for such a control chart when the process mean shifts. As an application, we suggest a procedure and provide an example for finding the control limits of an EWMA chart for monitoring residuals from an autoregressive model that will provide an acceptable out-of-control ARL. A computer program for the needed calculations is provided via the World Wide Web.     

Individuals control schemes for monitoring the mean and variance of processes subject to drifts

This paper investigates control chart schemes for detecting drifts in the process mean μ and/or process standard deviation σ when individual observations are sampled. Drifts may be due to causes such as gradual deterioration of equipment, catalyst aging, waste accumulation, or human causes, such as operator fatigue or close supervision. The standard Shewhart X chart and moving range (MR) chart are evaluated, as well as several types of exponentially weighted moving average (EWMA) charts and combinations of charts involving these EWMA charts. We show that the combinations of the EWMA charts detect slow-rate and moderate-rate drifts much faster than the combined X and MR charts. We also show that varying the sampling interval adaptively as a function of the process data results in notable reductions in the detection delay of drifts in μ and/or σ.     

自相关过程的改进型EWMA控制图

常规指数加权移动平均(EWMA)控制图的假设前提是观测数据相互独立,但在实际生产过程中,数据相关违背假设条件。本文首先讨论了序列自相关对常规EWMA控制图的影响,结果表明其检测效能降低。因此,重新估计了平稳过程的σz并在此基础上建立了改进型EWMA控制图。然后运用平均链长比较了改进型EWMA控制图与休哈特图和残差控制图,模拟研究说明当过程非强相关且过程均值发生中小偏移条件下。改进型EWMA控制图的检测效果要优于其他两种控制图。最后,通过一个实例验证了该方法的有效性。     

Multivariate nonparametric control chart with variable sampling interval

This paper proposes an adaptive, multivariate, nonparametric, exponentially weighted moving average control chart with variable sampling interval. A number of studies have discussed multivariate nonparametric control charts. However, the proposed multivariate nonparametric control charts usually have strict requirements. In this paper, we construct a control chart for multivariate processes that is based on the Mahalanobis depth. Specifically, we use the concept of the Mahalanobis depth to reduce each multivariate measurement to a univariate index. It is worth mentioning that this approach is completely nonparametric. We also discuss the optimal strategy for the parameters. This chart is an adaptive chart and has a variable sampling interval. A simulation study demonstrates that the proposed chart is efficient in detecting various magnitudes of shifts. A gravel data and a wine quality detection example are given to introduce the proposed control chart.