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。     

一种可用于检测过程尺度参数的非参数控制图

传统的控制图多数是在已知过程分布的假设下构建的,这种控制图被称为参数控制图。然而,在实际应用中,大多数过程因为其数据的复杂性导致他们的精确分布往往难以确定。当预先指定的参数分布无效时,参数控制图的结果将不再可靠。为了解决这个问题,通常考虑非参数控制图,因为非参数控制图比参数控制图更加稳健。近年来对非参数控制图的研究越来越多,但大多数现有的控制图主要是用于检测位置参数的变化。本文提出一个新的非参数Shewhart控制图(称为LOG图),可用来检测未知连续过程分布的尺度参数。文中依据运行长度分布的均值,方差和分位数,分析了LOG图在过程受控和失控时的性能表现,并与其他非参数控制图进行比较。模拟结果表明,LOG图在不同过程分布下对检测尺度参数的漂移都具有很好的性能。最后用一个实例来说明LOG图在实际中的应用。     

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。     

带马尔可夫均值估计量的非参数自适应CUSUM控制图

本文提供了一个带马尔可夫均值估计量的非参数自适应CUSUM控制图用于监测位置参数的持续性漂移。它可以通过马尔可夫均值估计量预测未知的漂移大小,自适应的调整控制图参数,来对不同大小的未知漂移进行一个很好的监控。这是一个自启动非参数控制图,可以用于监控开始阶段,并且不需要依赖于任何样本的分布.通过数据模拟研究显示出这个控制图不仅在各种不同分布下具有很好的稳健性,并且对各种大小的漂移都很有效。     

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。     

基于尺度赋权方差的有偏总体EWMA均值控制图

基于尺度赋权方差法给出总体分布有偏并假定总体分布未知情况下休哈特均值控制图的控制限.基于此研究结果,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.     

基于拟合优度检验的非参数EWMA控制图

文章提出了一种基于拟合优度检验的非参数控制图,以实现对连续型数据的监控.所提出的方法不仅适用于单值观测的情况,也可用于分组样本.不同于传统的控制图要求数据服从正态分布,文章的方法不限制数据的分布,可用于正态以及非正态的任意分布;并且能够监控数据分布的变化,例如分布中的位置参数、尺度参数、以及形状参数等.仿真结果表明,文章提出的控制图计算迅速、使用方便,在各种分布下都表现稳健,对分布变化的监控非常有效.     

过程参数未知时的连续检验问题

对连续检验问题,Page(Page,1954）提出的累积和控制图（CUSUM）已被证明在检测小的漂移时效果很好,然而,当受控过程的参数未知时,CUSUM的应用受到限制,Quensenberyy（1991）提出用变换的方法将观测值中的未知参数消去,在原假设“过程保持一致”成立的条件下,变换得到的Q统计量为独立同分布的标准正态变量,这里有二个问题：问题之一是,如果过程中有一漂移发生,变换得到的Q统计量的分布就很复杂,漂移对Q统计量的均值的影响是非时间齐次的,随着过程的推移,漂移对Q的均值的影响越来越小,因此,基于Q统计量的检验问题与一般的连续检验问题是不同的,好的检验方法应将这种不同反映出来,因此,基一种基于Q的新的累积和检验统计量,模拟结果显示,这种统计量的效果是不错的,问题之二是,当过程方差未知时,Q统计量的值的计算很难,它需要计算t分布的分布函数和正态分布函数的逆函数,这在实际使用中几乎是做不到的,本文提出一种近似方法,它不需计算复杂的分布函数,而是给出近拟服从标准正态分布的统计量为作为检验统计量,模拟研究的结果显示,这种近似的效果很好,它的各项指标与精确方法的相应指标非常接近。     

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.     

几类正态过程的CUSUM图

本文针对呈正态分布的过程数据, 讨论当过程参数$(\mu,\sigma^2)$已知或未知时单参数变化、双参数变化的过程控制问题. 针对均值未知情况,利用Quesenberry提出的$Q$统计量构造了一系列标准化的CUSUM图;对于方差未知时的复杂情形, 给出了一种构造更为简单的CUSUM图的方法;对于未知(或不关心) $(\mu,\sigma^2)$中何者变化的特殊情形, 文章提出了纯变化的概念, 给出了相应统计量及由该统计量构造的CUSUM-D图, 针对每个考虑的情形, 通过模拟计算本文给出了相应于统计量的条件期望延时(CED), 同时在文章最后给出了本文提出的CUSUM图与已有的CUSUM图($Q$图)的模拟比较, 结果表明新的CUSUM图是可行的.