An ปรับตัว ชี้แจง ถัว เฉลี่ยเคลื่อนที่ ควบคุม แผนภูมิ สำหรับ การตรวจสอบ กระบวนการ แปรปรวน

บทคัดย่อ: ในกระบวนการผลิตเมื่อการควบคุมกระบวนการทางสถิติ (SPC) เกี่ยวข้องกับคุณลักษณะด้านคุณภาพ (เช่นมิติข้อมูล) ที่เป็นตัวแปรก็มักจะเป็น จำเป็นต้องตรวจสอบทั้งค่าเฉลี่ยของลักษณะคุณภาพและความแปรปรวนของมัน โครงการ CUSUM ซึ่งประกอบไปด้วยแผนภูมิ CUSUM แบบมีส่วนร่วมไม่น้อยกว่าแผนภูมิ Shewhart ampS แบบดั้งเดิมเพื่อจุดประสงค์นี้ อย่างไรก็ตามการออกแบบและการวิเคราะห์แผน CUSUM แบบหลายแผนภูมินั้นมีความซับซ้อนทางคณิตศาสตร์และการดำเนินการนั้นลำบากมาก จากบทความเรื่อง Weighted Loss Function บทความนี้เสนอแผนภูมิ CUSUM (เรียกว่าแผนภูมิ WLC) ซึ่งจะตรวจจับการเปลี่ยนแปลงค่าเฉลี่ยและการแปรปรวนโดยการตรวจสอบสถิติ WL (Weighted Loss Function) คุณลักษณะที่มีประโยชน์มากที่สุดของแผนภูมิ WLC คือความเรียบง่ายในการใช้งานและการออกแบบเทียบกับรูปแบบ CUSUM โดยใช้แผนภูมิ CUSUM จำนวนไม่กี่ นี่เป็นส่วนใหญ่เนื่องมาจากการใช้ WL สถิติเดียว นอกจากนี้จากผลการทดลองแฟคทอเรียลพบว่าแผนภูมิ WLC มีค่ามากกว่าค่าเฉลี่ยของแผนภูมิแอมป์สและแผนภูมิ CUSUM แบบหลายแผนภูมิประมาณ 30 และ 14 ตามลำดับ มีการนำเสนอขั้นตอนทีละขั้นตอนเพื่ออำนวยความสะดวกในการออกแบบกราฟ WLC บทคัดย่อ: มีอยู่สอง EWMA ชนิดแผนภูมิการกระจายตัวสำหรับการติดตามการกระจายตัวเพิ่มขึ้นในวรรณคดี หนึ่งรีเซ็ตสถิติ EWMA เป็นศูนย์เมื่อใดก็ตามที่อยู่ต่ำกว่าศูนย์ ข้ออื่นตัดทอนการสังเกตเชิงลบเชิงลบไปเป็นศูนย์ในสถิติ EWMA บทความนี้เสนอแผนภูมิ EWMA แบบสองด้านเพื่อตรวจหาการกระจายตัวที่เพิ่มขึ้นและลดลงตามลำดับและแผนภูมิ EWMA สองด้านสำหรับการตรวจสอบการกระจายตัวเพิ่มขึ้นหรือลดลงพร้อม ๆ กัน การศึกษาแบบจำลองแสดงให้เห็นว่ากราฟ EWMA ด้านบนที่มีประสิทธิภาพดีกว่าทั้งสองคู่ที่มีอยู่สำหรับการตรวจจับการกระจายตัวที่เพิ่มขึ้นและแผนภูมิ EWMA ด้านล่างที่เสนอจะมีประสิทธิภาพดีกว่าแผนภูมิ EWMA แบบสองด้านที่พัฒนาขึ้นโดยทั่วไปคล้ายคลึงกับโครงสร้าง E - ด้าน EWMA สำหรับการตรวจหาการลดลงของการกระจายตัว นอกจากนี้แผนภูมิ EWMA แบบสองด้านที่เสนอจะให้ความไวที่ดีกว่าทั้งสองด้านของแผนภูมิ EWMA สองด้านจากแผนภูมิ EWMA ด้านบนสองด้านที่มีอยู่เพื่อตรวจจับการเปลี่ยนแปลงโดยรวมในการกระจายตัว บทความนี้ถูกแปลโดยซอฟต์แวร์เครื่องแปลภาษาคลิกที่นี่เพื่อรับภาษาอังกฤษบทความที่เกี่ยวข้องกับบทความนี้: บทสรุป: ในทางปฏิบัติเมื่อความกะพริบของค่าเฉลี่ยในอนาคตไม่เป็นที่รู้จักจะต้องมีการออกแบบแผนภูมิควบคุมเพื่อให้มีประสิทธิภาพดีในช่วง ของการเปลี่ยนแปลงมากกว่าเพื่อเพิ่มประสิทธิภาพในการตรวจจับระดับของการเปลี่ยนแปลงที่เฉพาะเจาะจง เมื่อเทียบกับแผนภูมิควบคุมแบบรวมสะสม (CUSUM) แบบสะสม (CUSUM) ที่ออกแบบขึ้นโดยอาศัยการเปลี่ยนแปลงค่าเฉลี่ยที่กำหนดไว้แผนภูมิ CUSUM (ACUSUM) ที่ปรับให้เหมาะสมโดย Sparks (2000) สามารถตรวจจับช่วงค่าเฉลี่ยที่กว้างขึ้นได้ บทความนี้พัฒนาแบบจำลอง Markov chain แบบสองมิติเพื่อวิเคราะห์ประสิทธิภาพของแผนภูมิ ACUSUM นอกจากนี้ยังมีรูปแบบการดำเนินงานทั่วไปสำหรับกราฟปัจจุบันของ ACUSUM เพื่อลดความซับซ้อนในการใช้งาน บทความ เม. ย. 2549 LJ Shu W. JiangAn แผนภูมิการควบคุมค่าเฉลี่ยเคลื่อนที่เชิงเส้นแบบถ่วงน้ำหนักที่ปรับเปลี่ยนค่าทางลาดแบบเมตริกซ์เพื่อตรวจสอบความแปรปรวนของกระบวนการแผนภูมิควบคุมแบบถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบทวีคูณ (EWMA) มีประสิทธิภาพในการตรวจจับการเปลี่ยนแปลงขนาดเล็กของพารามิเตอร์กระบวนการ แต่มีประสิทธิภาพน้อยลงเมื่อการเปลี่ยนแปลงมีขนาดค่อนข้างใหญ่ สิ่งที่เรียกว่าปัญหาความเฉื่อย เพื่อลดความเฉื่อยแผนภูมิ EWMA (AEWMA) แบบปรับตัวได้รับการเสนอเพื่อตรวจสอบสถานที่ของกระบวนการต่างๆเพื่อปรับปรุงในแผนภูมิ EWMA แบบเดิม ความคิดพื้นฐานของโครงการ AEWMA คือการวัดการสังเกตการณ์ในอดีตแบบไดนามิกตามฟังก์ชันที่เหมาะสมของข้อผิดพลาดในการคาดการณ์ในปัจจุบัน บทความนี้จะขยายแนวคิดของแผนภูมิ AEWMA สำหรับการตรวจสอบสถานที่ของกระบวนการในกรณีของการตรวจสอบการกระจายตัวของกระบวนการ แบบโซ่ Markov ถูกสร้างขึ้นเพื่อวิเคราะห์และออกแบบกราฟที่แนะนำ แสดงให้เห็นว่าแผนภูมิกระจายตัวของ AEWMA มีประสิทธิภาพดีกว่า EWMA และแผนภูมิการแพร่กระจายอื่น ๆ ในแง่ของความสามารถในการทำงานได้ดีเมื่อมีการเปลี่ยนแปลงทั้งในขนาดและเล็กในกระบวนการกระจายตัว คุณต้องการอ่านส่วนที่เหลือของบทความนี้ quotEyvazian et al. (2008) ได้เสนอแผนภูมิความแปรปรวนของการเคลื่อนย้ายตัวอย่างที่มีการถ่วงน้ำหนักแบบพหุคูณเพื่อตรวจสอบความแปรปรวนของกระบวนการเมื่อขนาดตัวอย่างเป็นหนึ่ง Shu (2008) ได้ขยายแผนภูมิ EWMA แบบปรับตัวสำหรับตำแหน่งกระบวนการเพื่อตรวจสอบการกระจายตัวของกระบวนการ Razmy และ Peiris (2013) ได้ออกแบบกราฟ EWMA เพื่อตรวจสอบความแปรปรวนของกระบวนการมาตรฐาน บทคัดย่อ: การออกแบบที่เหมาะสมที่มีอยู่ของแผนภูมิควบคุม S-2-EWMA ในช่วงเวลาคงที่เพื่อตรวจสอบความแปรปรวนของตัวอย่างของกระบวนการขึ้นอยู่กับเกณฑ์ความยาวเฉลี่ยของการทำงาน (ARL) เนื่องจากรูปของการกระจายระยะการทำงานเปลี่ยนแปลงไปตามขนาดของการเปลี่ยนแปลงความแปรปรวนความยาวเฉลี่ย (MRL) จะให้คำอธิบายที่มีความหมายมากขึ้นเกี่ยวกับการควบคุมในและการควบคุมที่ไม่อยู่ในการควบคุมของแผนภูมิควบคุม บทความนี้เสนอการออกแบบที่ดีที่สุดของแผนภูมิ S-2-EWMA ตาม MRL ใช้เทคนิค Markov chain เพื่อคำนวณค่า MRLs การประเมินผลการปฏิบัติงานของแผนภูมิ S-2-EWMA การสุ่มตัวอย่าง (DS) S-2 และแผนภูมิ S จะถูกนำมาเปรียบเทียบ ผลการทดสอบ MRL แสดงให้เห็นว่าแผนภูมิ S-2-EWMA ให้ประสิทธิภาพที่ดีขึ้นสำหรับการตรวจจับการเปลี่ยนแปลงความแปรปรวนในขนาดเล็กและปานกลางขณะเดียวกันก็รักษาความไวเช่นเดียวกับแผนภูมิ DS S-2 และ S ไปสู่การเปลี่ยนแปลงที่มีนัยสำคัญโดยเฉพาะอย่างยิ่งเมื่อขนาดตัวอย่างเพิ่มขึ้น บทความกรกฎาคม 2015 quotEyvazian et al. (2008) ได้เสนอแผนภูมิความแปรปรวนของการเคลื่อนย้ายตัวอย่างที่มีการถ่วงน้ำหนักแบบพหุคูณเพื่อตรวจสอบความแปรปรวนของกระบวนการเมื่อขนาดตัวอย่างเป็นหนึ่ง Shu (2008) ได้ขยายแผนภูมิ EWMA แบบปรับตัวสำหรับตำแหน่งกระบวนการเพื่อตรวจสอบการกระจายตัวของกระบวนการ Razmy และ Peiris (2013) ได้ออกแบบกราฟ EWMA เพื่อตรวจสอบความแปรปรวนของกระบวนการมาตรฐาน บทคัดย่อ: การออกแบบที่เหมาะสมที่มีอยู่ของแผนภูมิควบคุม S2-EWMA ช่วงเวลาคงที่เพื่อตรวจสอบความแปรปรวนของตัวอย่างของกระบวนการขึ้นอยู่กับเกณฑ์ความยาวเฉลี่ยของการทำงาน (ARL) เนื่องจากรูปของการกระจายระยะการทำงานเปลี่ยนแปลงไปตามขนาดของการเปลี่ยนแปลงค่าความแปรปรวนความยาวเฉลี่ย (MRL) จะให้คำอธิบายที่มีความหมายมากขึ้นเกี่ยวกับการควบคุมในและการควบคุมนอกแผนภูมิควบคุมของแผนภูมิควบคุม บทความนี้เสนอการออกแบบที่ดีที่สุดของแผนภูมิ S2-EWMA ตาม MRL ใช้เทคนิค Markov chain เพื่อคำนวณค่า MRLs การประเมินผลการปฏิบัติงานของแผนภูมิ S2-EWMA การสุ่มตัวอย่าง (DS) S2 chart และ S chart ผลการทดสอบ MRL แสดงให้เห็นว่าแผนภูมิ S2-EWMA ให้ประสิทธิภาพที่ดีขึ้นสำหรับการตรวจจับการเปลี่ยนแปลงความแปรปรวนในระดับปานกลางและปานกลางขณะเดียวกันก็รักษาความไวเช่นเดียวกับแผนภูมิ DS S2 และ S ไปสู่การเปลี่ยนแปลงที่มีนัยสำคัญโดยเฉพาะอย่างยิ่งเมื่อขนาดตัวอย่างเพิ่มขึ้น บทความฉบับเต็มกรกฎาคมปี ค. ศ. 2015 การประยุกต์ใช้แผนภูมิแอ็ตทริบิวชันอย่างกว้างขวางมีสาเหตุมาจากหลายปัจจัยเช่นความเรียบง่ายในการจัดการคุณลักษณะคุณภาพของแอตทริบิวต์ความสะดวกในการติดต่อสื่อสารระหว่างคนในระดับต่างๆและความแพร่หลายของข้อมูลนับในการผลิตที่ไม่ใช่จำนวนมาก ภาค ในช่วงไม่กี่ปีที่ผ่านมาได้มีการนำเสนอแผนภูมิควบคุมใหม่ ๆ และเทคนิคการควบคุมกระบวนการทางสถิติ (SPC) อื่น ๆ ด้วยความเร็วที่เพิ่มขึ้น 123 ในกระบวนการ multiettribute ส่วนใหญ่จะต้องมีการควบคุมลักษณะคุณภาพของแอตทริบิวต์หลายอย่างพร้อมกันเนื่องจากคุณภาพของผลิตภัณฑ์ขึ้นอยู่กับผลิตภัณฑ์ทั้งหมด บทสรุป: ในช่วงสองสามทศวรรษที่ผ่านมาแผนภูมิควบคุมหลายรายการได้รับการแนะนำอย่างกว้างขวางในทางปฏิบัติ พวกเขาดีกว่าแผนภูมิ uniattribute พร้อมกันสำหรับการตรวจสอบกระบวนการหลายขั้นตอนในหลายแอ็พพลิเคชัน Jolayemi แบบจำลองทางสถิติสำหรับการออกแบบแผนภูมิการควบคุม multiattribute อินเดีย J Stat 199961: 351365 ได้พัฒนาแบบจำลองทางสถิติสำหรับการออกแบบแผนภูมิ multimetyl Node (Mnp) ตามรูปแบบนี้แผนภูมิ multithtribute สังเคราะห์ (MSyn) ถูกนำเสนอในบทความนี้ นอกจากนี้คุณสมบัติหลักของแผนภูมิ MSyn และแผนภูมิ Mnp ถูกรวมเข้าด้วยกันเพื่อสร้างแผนภูมิ Syn-np (multyntribute Syndope) (MSyn-np) ผลการศึกษาเปรียบเทียบแสดงให้เห็นว่าแผนภูมิ MSyn-np ใหม่มีผลดีกว่าแผนภูมิ Mnp และ MSyn มากที่สุดจาก 83 และ 27 ตามลำดับในแง่ของค่าเฉลี่ยจำนวนข้อบกพร่องที่เกิดขึ้นในช่วงเวลาที่เปลี่ยนแปลงไปภายใต้สถานการณ์ที่ต่างกัน บทความฉบับเต็มกันยายน 2557 การประเมินการกระจายระยะยาวของแผนภูมิการควบคุม Shewhart-EWMA รวมบทความนี้: Capizzi, G. Masarotto, G. Stat Comput (2010) 20: 23 doi: 10.1007s11222-008-9113 -8 มีการใช้อัลกอริธึมง่ายๆในการคำนวณการกระจายระยะการวิ่งของโครงการตรวจสอบซึ่งรวมแผนภูมิ Shewhart ที่มีแผนภูมิควบคุมการถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบเลขยกกำลัง อัลกอริทึมจะขึ้นอยู่กับการประมาณค่าเชิงตัวเลขของสมการเชิงอนุพันธ์และความสัมพันธ์ของการเกิดซ้ำอีกครั้งที่เกี่ยวข้องกับการกระจายระยะการวิ่ง โดยเฉพาะอย่างยิ่งกฎการรวมผลิตภัณฑ์ Clenshaw-Curtis ใช้สำหรับการจัดการความไม่ต่อเนื่องในฟังก์ชัน integrand เนื่องจากมีการใช้แผนการควบคุมทั้งสองแบบพร้อม ๆ กัน อัลกอริธึมที่นำเสนอใน R และแบบสาธารณะใช้ได้เปรียบเทียบกับวิธี Markov Chain ที่ใช้ในการประมาณค่าความยาวของ Shewhart-EWMA แผนภูมิการควบคุมแผนภูมิการควบคุมการควบคุมกระบวนการทางสถิติการวิจัยนี้ได้รับทุนสนับสนุนบางส่วนจากทุนสนับสนุนของอิตาลี MIUR-Cofin 2006 Brook, D. Evans, D. วิธีการกระจายความน่าจะเป็นของระยะเวลาการวิ่ง CUSUM Biometrika 59. 539549 (1972) MATH CrossRef MathSciNet Google Scholar Capizzi, G. Masarotto, G. แผนภูมิการควบคุมการถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบ วิชาเทคโนโลยี 45 199207 (2003) CrossRef MathSciNet Google Scholar Champ, C. W. Rigdon, S. E. การเปรียบเทียบสมการของ Markov chain กับสมการหนึ่งสำหรับการประเมินการกระจายระยะการทำงานของแผนภูมิการควบคุมคุณภาพ commun สถิติ งิ้ว คอมพิวเต 20. 191204 (1991) MATH CrossRef Google Scholar Champ, C. W. Rigdon, S. E. Scharnag, K. A. วิธีการหาสมการเชิงอนุพันธ์ที่เป็นประโยชน์ในการวิเคราะห์สมรรถนะของแผนภูมิควบคุม เชิงเส้นที่ไม่เป็นเชิงเส้น ทฤษฎีวิธีการ Appl. 47. 20892101 (2001) MATH CrossRef Google Scholar Clenshaw, C. W. Curtis, A. R. วิธีการรวมตัวเลขบนคอมพิวเตอร์อัตโนมัติ numer คณิตศาสตร์. 2. 197205 (1960) MATH CrossRef MathSciNet Google Scholar Crowder, S. V. วิธีง่ายๆในการศึกษาการแจกแจงแบบยาวที่มีความยาวเฉลี่ยของแผนภูมิการเคลื่อนที่แบบถ่วงน้ำหนักแบบเลขยกกำลัง Technometrics 29. 401407 (1987) MATH CrossRef MathSciNet Google Scholar Kang, S. H. Koltracht, I. Rawitscher, G. Nystrom-Clenshaw-Curtis การสร้างพื้นที่สี่เหลี่ยมจัตุรัสสำหรับสมการหนึ่งกับเมล็ดที่ไม่ต่อเนื่อง คณิตศาสตร์. คอมพิวเต 72. 729756 (2002) CrossRef MathSciNet Google Scholar Knoth, S. spc: การควบคุมกระบวนการทางสถิติ (2004) R รุ่นแพ็คเกจ 0.2 Lucas, J. M Saccucci, M. S. แผนการควบคุมค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักที่เป็นรูปธรรมโดยการทดแทน: คุณสมบัติและการปรับปรุงคุณภาพ Technometrics 32. 129 (1990) CrossRef MathSciNet Google Scholar Luceno, A. Puig-Pey, J. การประเมินการกระจายความน่าจะเป็นระยะเวลายาวนานสำหรับแผนภูมิ CUSUM Technometrics 42 411416 (2000) CrossRef Google Scholar Luceno, A. Puig-Pey, J. อัลกอริธึมที่ถูกต้องในการคำนวณการแจกแจงความน่าจะเป็นระยะเวลาการวิ่งและ convolutions ของแผนภูมิ CUSUM เพื่อควบคุมค่าเฉลี่ยปกติ คอมพิวเต สถิติ ข้อมูล Anal 38. 249261 (2002a) MATH CrossRef MathSciNet Google Scholar Luceno, A. Puig-Pey, J. การคำนวณการกระจายความน่าจะเป็นระยะเวลาในการจัดทำแผนภูมิ CUSUM J. Qual. วิทยาศาสตร์และเทคโนโลยี 34. 209215 (2002b) Google Scholar Montgomery, D. C. บทนำเกี่ยวกับการควบคุมคุณภาพทางสถิติ, 5th edn. Wiley, New York (2004) Google Scholar Nelder, J. A. Mead, R. อัลกอริธึม simplex สำหรับการลดฟังก์ชัน คอมพิวเต เจ 7. 308313 (1965) MATH Google Scholar Piessens, R. Computing การแปลงและแก้สมการเชิงอนุพันธ์โดยใช้ Chebyshev พหุนามประมาณ J. Comput Appl คณิตศาสตร์. 121 113124 (2000) MATH CrossRef MathSciNet Google Scholar Piessens, R. de Doncker-Kapenga, E. Uberhuber, C. W. Kahaner, D. K. QUADPACK แพคเกจย่อยสำหรับการรวมระบบอัตโนมัติ Springer, Berlin (1983) MATH ทีมงานพัฒนา Google Scholar R: R: ภาษาและสิ่งแวดล้อมสำหรับการคำนวณทางสถิติ R มูลนิธิเพื่อการคำนวณทางสถิติเวียนนา, ออสเตรีย (2008) URL R-project. org Shu, L. กราฟการควบคุมการเคลื่อนที่แบบถ่วงน้ำหนักที่มีการแจกแจงแบบเสิรมเป็นเส้นสมมุติฐานสำหรับการตรวจสอบความแปรปรวนของกระบวนการ J. Stat คอมพิวเต งิ้ว 30. 415428 (2008) Google Scholar Sloan, I. H. วิธีการสร้างพื้นที่สี่เหลี่ยมจัตุรัสสำหรับสมการหนึ่งของชนิดที่สองในช่วงอนันต์ คณิตศาสตร์. คอมพิวเต 36. 511523 (1978) MathSciNet Google Scholar Sloan, I. H. การวิเคราะห์วิธีการสร้างพื้นที่สี่เหลี่ยมผืนผ้าทั่วไปสำหรับสมการหนึ่งของชนิดที่สอง numer คณิตศาสตร์. 38. 263278 (1981) MATH CrossRef MathSciNet Google Scholar Sloan, I. H. Smith, W. E. ผลิตภัณฑ์รวมกับ Clenshaw และ Curtis และประเด็นที่เกี่ยวข้อง numer คณิตศาสตร์. 30. 415428 (1978) MATH CrossRef MathSciNet Google Scholar Sloan, I. H. Smith, W. E. การผนวกรวมผลิตภัณฑ์กับ Clenshaw และ Curtis points: การใช้งานและข้อผิดพลาด numer คณิตศาสตร์. 34. 387401 (1980) MATH CrossRef MathSciNet Google Scholar Sloan, I. H. Smith, W. E. คุณสมบัติของกฎการบูรณาการผลิตภัณฑ์ interpolatory SIAM J. จำนวน ทางทวารหนัก 19. 427442 (1982) MATH CrossRef MathSciNet Google Scholar ข้อมูลลิขสิทธิ์ Springer ScienceBusiness Media, LLC 2009 ผู้เขียนและ บริษัท ในเครือ Giovanna Capizzi 1 ผู้เขียนอีเมล Guido Masarotto 1 1. ภาควิชาสถิติศาสตร์มหาวิทยาลัย Padua Padova อิตาลีเกี่ยวกับบทความนี้แผนภูมิการควบคุมค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนักแบบ แผนภูมิการควบคุมค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนักแบบถ่วงน้ำหนัก (EWMA) แสดงให้เห็นประสิทธิภาพในการตรวจจับการเปลี่ยนแปลงขนาดเล็กในพารามิเตอร์ของกระบวนการ แต่มีประสิทธิภาพน้อยลงเมื่อการเปลี่ยนแปลงมีขนาดใหญ่มากเนื่องจากสิ่งที่เรียกว่าปัญหาความเฉื่อย เพื่อลดความเฉื่อยกราฟ EWMA (AEWMA) แบบปรับตัวได้รับการเสนอเพื่อตรวจสอบสถานที่ของกระบวนการต่างๆเพื่อปรับปรุงในรูปแบบ EWMA แบบเดิม ความคิดพื้นฐานของโครงการ AEWMA คือการวัดการสังเกตการณ์ในอดีตแบบไดนามิกตามฟังก์ชันที่เหมาะสมของข้อผิดพลาดในการคาดการณ์ในปัจจุบัน บทความนี้จะขยายแนวคิดของแผนภูมิ AEWMA สำหรับการตรวจสอบสถานที่ของกระบวนการในกรณีของการตรวจสอบการกระจายตัวของกระบวนการ แบบโซ่ Markov ถูกสร้างขึ้นเพื่อวิเคราะห์และออกแบบกราฟที่แนะนำ แสดงให้เห็นว่าแผนภูมิกระจายตัวของ AEWMA มีประสิทธิภาพดีกว่า EWMA และแผนภูมิการแพร่กระจายอื่น ๆ ในแง่ของความสามารถในการทำงานได้ดีเมื่อมีการเปลี่ยนแปลงทั้งในขนาดและเล็กในกระบวนการกระจายตัว ข้อมูลเพิ่มเติมของผู้แต่ง Lianjie Shu ข้อเขียนของบทความเข้าสู่ระบบผ่านทางสถาบันการศึกษาของคุณเข้าสู่ระบบ Taylor Francis Online หรือซื้อบทความซื้อ 24 ชั่วโมงสำหรับการเข้าถึง 50.00 เหรียญสหรัฐภาษีท้องถิ่นจะถูกเพิ่มตามที่ผู้อ่านยังอ่านเผยแพร่ออนไลน์: 1 ม. ค. 2012 เผยแพร่ออนไลน์: 12 มี.ค. 2012 การสื่อสารในสถิติ - ทฤษฎีและวิธีการเผยแพร่ทางออนไลน์: 8 ก. พ. 2010 เผยแพร่เมื่อ: 14 Aug 2008 เผยแพร่เมื่อ: 12 มีนาคม 2012 วารสารการคำนวณและการจำลองทางสถิติตีพิมพ์เผยแพร่เมื่อ: 16 ก. พ. 2016 เรียกดูวารสารตามหัวเรื่องข้อมูลสำหรับการเข้าถึงแบบเปิดความช่วยเหลือและข้อมูลเชื่อมต่อ กับ Taylor Francis ที่ลงทะเบียนไว้ใน England Wales หมายเลข 3099067 5 Howick Place London SW1P 1WG เว็บไซต์นี้ใช้คุกกี้เพื่อให้แน่ใจว่าคุณจะได้รับประสบการณ์ที่ดีที่สุดจากเว็บไซต์ของเรา