DOI: https://doi.org/10.3934/math.2025184
تاريخ النشر: 2025-01-01
المؤلف: Khanittha Talordphop وآخرون
الموضوع الرئيسي: مراقبة العمليات الإحصائية المتقدمة
نظرة عامة
تناقش هذه الفقرة تطوير وتقييم طريقة جديدة للتحكم الإحصائي في العمليات (SPC)، تُسمى EEWMA-TCC، والتي تدمج مخطط التحكم EEWMA مع مخطط التحكم Tukey (TCC). تهدف هذه المجموعة إلى تعزيز الكشف عن التحولات في متوسطات العمليات، خاصة عندما تكون التوزيعة الأساسية للخاصية النوعية غير معروفة. تم تقييم أداء EEWMA-TCC باستخدام مقاييس متنوعة، بما في ذلك متوسط طول التشغيل (ARL) ونسبة التخفيض في ARL (PDARL)، مما يظهر تفوقها على مخططات التحكم التقليدية مثل TCC وEWMA وEEWMA في تحديد التحولات بسرعة.
تؤكد النتائج على قوة مخططات التحكم غير المعلمية في تقييم الجودة، خاصة في السيناريوهات التي تفتقر إلى معرفة التوزيع الفعلي. من خلال محاكاة مونت كارلو المستندة إلى التوزيعات المتماثلة، تؤكد الدراسة أن مخطط EEWMA-TCC المقترح يكشف بفعالية عن أنواع مختلفة من التحولات، مما يقدم مزايا عملية في التطبيقات الواقعية، مثل مراقبة بيانات الأجزاء الميكانيكية. يقترح المؤلفون أن البحث المستقبلي يمكن أن يحسن معلمات المخطط لتحولات محددة ويستكشف فعاليته في مراقبة تشتت العمليات.
مقدمة
تناقش مقدمة هذه الورقة البحثية أهمية مخططات التحكم في التحكم الإحصائي في العمليات (SPC)، مع تسليط الضوء على أنواع مختلفة مثل مخطط شيوارت، ومخطط المتوسط المتحرك ذو الوزن الأسي (EWMA)، ومخطط المتوسط المتحرك (MA). يشير المؤلفون إلى أنه تم تطوير العديد من مخططات التحكم الهجينة لتعزيز الكشف عن التغيرات الصغيرة إلى المتوسطة في جودة العمليات، بما في ذلك EWMA الهجينة (HEWMA) وEWMA المعدلة (MEWMA) وEWMA المزدوجة (DEWMA) وEWMA الموسعة (EEWMA). تهدف هذه التطورات إلى تحسين حساسية ومتانة مخططات التحكم، خاصة في تحديد التحولات المفاجئة ومراقبة العمليات ذات التوزيعات غير الطبيعية.
تستعرض الورقة أيضًا المنهجيات المتكاملة التي تجمع بين الأساليب المعلمية وغير المعلمية، مشيرة إلى دراسات متنوعة تظهر فعالية مخططات التحكم المختلطة، مثل تلك التي تتضمن تقنيات CUSUM وEWMA. بشكل ملحوظ، يتم تقديم مخطط التحكم غير المعلمي EEWMA-TCC كنهج جديد يدمج مخطط EEWMA مع مخطط التحكم Tukey (TCC) لمراقبة متوسطات العمليات. يقترح المؤلفون تقييم أداء هذا المخطط الجديد من خلال مقاييس متوسط طول التشغيل (ARL) ومحاكاة مونت كارلو، مع توضيح التطبيقات العملية في سيناريو واقعي. يتم توضيح هيكل الورقة، مما يشير إلى استكشاف شامل للمنهجية ونتائج المحاكاة والاستنتاجات في الأقسام التالية.
طرق
في قسم الطرق، يوضح المؤلفون مكونات تصميم مخططات التحكم المختلفة ويقيمون فعاليتها. يقدمون خمسة أنواع من مخططات التحكم: المتوسط المتحرك ذو الوزن الأسي (EWMA)، مخطط التحكم Tukey (TCC)، المتوسط المتحرك ذو الوزن الأسي الموسع (EEWMA)، مخطط التحكم EWMA-Tukey (EWMA-TCC)، ومخطط التحكم EEWMA-Tukey المقترح (EEWMA-TCC).
بالإضافة إلى ذلك، يصف المؤلفون منهجية القياس المستخدمة في تقييمهم، والتي تعتبر حاسمة لتحديد أداء وموثوقية مخططات التحكم المقدمة. يسمح هذا النهج المنظم بإجراء تحليل شامل لتقنيات الرسم المختلفة وتطبيقاتها في مراقبة العمليات.
نتائج
تقيم نتائج دراسة المحاكاة فعالية مخططات التحكم المختلفة—EWMA وEEWMA وEWMA-TCC وTCC—في الكشف عن التحولات في متوسط العملية عبر توزيعات مختلفة: Normal(0,1) وLaplace(0,1) وLogistic(6,2). تشير النتائج إلى أن ثوابت حدود التحكم لمخططات غير المعلمية المختلطة (EWMA-TCC وEEWMA-TCC) أعلى بكثير من تلك الخاصة بنظيراتها المعلمية، مع وجود اتجاه ملحوظ لزيادة حدود التحكم مع زيادة أحجام المجموعات الفرعية. بشكل ملحوظ، بينما تؤدي قيم التنعيم الأكبر إلى زيادة حدود التحكم للمخططات المعلمية، فإنها تؤدي إلى تقليل الحدود للمخططات غير المعلمية. بالإضافة إلى ذلك، يتأثر متوسط طول التشغيل (ARL1) بحجم المجموعة الفرعية، حيث ينخفض مع الأحجام الأكبر ولكنه يزيد مع قيم التنعيم الأعلى.
يتم تفصيل أداء المخططات المقترحة من خلال مقارنات ARL عبر أحجام المجموعات الفرعية المختلفة والتوزيعات. بالنسبة للتحولات الصغيرة إلى المتوسطة في التوزيع الطبيعي، يتفوق المخطط المقترح على الآخرين، خاصة في التحولات الأكبر (shift = 3) حيث يظهر مخطط EWMA-TCC أداءً متفوقًا. في التوزيع اللابلاسي، يظهر مخطط EEWMA-TCC باستمرار قيم ARL1 أقل عبر جميع التحولات. كما تفضل النتائج الخاصة بالتوزيع اللوجستي المخطط المقترح، الذي يتفوق على TCC وEWMA وEWMA-TCC للتحولات التي تتراوح من 0.25 إلى 3.00، بينما يبقى مخطط EWMA-TCC تنافسيًا للتحولات التي تبلغ 2.00 و3.00. بشكل عام، تؤكد نتائج المحاكاة على مزايا مخططات التحكم المقترحة في سيناريوهات متنوعة.
مناقشة
في قسم المناقشة من الورقة البحثية، يتم تقييم مخططات التحكم المختلفة لفعاليتها في مراقبة العمليات التي تتميز بمتغيرات عشوائية موزعة بشكل طبيعي. يستخدم مخطط المتوسط المتحرك ذو الوزن الأسي (EWMA)، الذي قدمه روبرتس، معلمة تنعيم $\eta$ لتتبع المتوسط والتباين للعملية. يتم تعريف حدود التحكم لهذا المخطط من حيث المتوسط $\mu$ والانحراف المعياري $\sigma$. مخطط التحكم Tukey (TCC)، وهو بديل غير معلمي، يستخدم النطاق الربعي (IQR) لحدوده، مما يجعله مناسبًا للتوزيعات البيانية غير المحددة.
يعزز مخطط المتوسط المتحرك ذو الوزن الأسي الموسع (EEWMA)، الذي طوره نافيد وآخرون، الحساسية تجاه التحولات في متوسط العملية من خلال دمج معلمتين للتنعيم. يجمع مخطط التحكم EEWMA-Tukey المقترح (EEWMA-TCC) بين نقاط القوة لكل من EEWMA وTCC، مما يظهر أداءً متفوقًا في الكشف عن التحولات مقارنة بالمخططات التقليدية. تشير نتائج المحاكاة إلى أن مخطط EEWMA-TCC يقلل بشكل كبير من متوسط طول التشغيل (ARL) عبر سيناريوهات متنوعة، متفوقًا على كل من مخططات TCC وEWMA. تدعم النتائج مثال عملي، يوضح قدرة EEWMA-TCC على الكشف عن التغيرات في عملية التصنيع، مما يثبت فعاليتها كأداة مراقبة قوية.
DOI: https://doi.org/10.3934/math.2025184
Publication Date: 2025-01-01
Author(s): Khanittha Talordphop et al.
Primary Topic: Advanced Statistical Process Monitoring
Overview
The section discusses the development and evaluation of a novel statistical process control (SPC) method, termed EEWMA-TCC, which integrates the extended exponentially weighted moving average (EEWMA) control chart with the Tukey control chart (TCC). This combination aims to enhance the detection of shifts in process means, particularly when the underlying distribution of the quality characteristic is unknown. The performance of the EEWMA-TCC was assessed using various metrics, including average run length (ARL) and percentage reduction in ARL (PDARL), demonstrating its superiority over traditional control charts such as TCC, EWMA, and EEWMA in quickly identifying shifts.
The findings underscore the robustness of nonparametric control charts in quality assessment, particularly in scenarios lacking knowledge of the actual distribution. Through Monte Carlo simulations based on symmetric distributions, the study confirms that the proposed EEWMA-TCC chart effectively detects different types of shifts, offering practical advantages in real-world applications, such as monitoring machined part data. The authors suggest that further research could optimize the chart’s parameters for specific shifts and explore its effectiveness in monitoring process dispersion.
Introduction
The introduction of this research paper discusses the significance of control charts in statistical process control (SPC), highlighting various types such as the Shewhart chart, exponentially weighted moving average (EWMA) chart, and moving average (MA) chart. The authors note that numerous hybrid control charts have been developed to enhance the detection of small to moderate changes in process quality, including hybrid EWMA (HEWMA), modified EWMA (MEWMA), double EWMA (DEWMA), and extended EWMA (EEWMA) charts. These advancements aim to improve the sensitivity and robustness of control charts, particularly in identifying abrupt shifts and monitoring processes with non-normal distributions.
The paper also reviews integrated methodologies that combine parametric and nonparametric approaches, citing various studies that demonstrate the effectiveness of mixed control charts, such as those incorporating CUSUM and EWMA techniques. Notably, the introduction of the EEWMA-TCC nonparametric control chart is presented as a novel approach that merges the EEWMA chart with Tukey’s control chart (TCC) for monitoring process means. The authors propose to evaluate the performance of this new chart through average run length (ARL) metrics and Monte Carlo simulations, with practical applications illustrated in a real-world scenario. The structure of the paper is outlined, indicating a comprehensive exploration of methodology, simulation results, and conclusions in subsequent sections.
Methods
In the Methods section, the authors detail the design components of various control charts and assess their effectiveness. They introduce five types of control charts: the Exponentially Weighted Moving Average (EWMA), Tukey Control Chart (TCC), Extended Exponentially Weighted Moving Average (EEWMA), EWMA-Tukey Control Chart (EWMA-TCC), and their proposed EEWMA-Tukey Control Chart (EEWMA-TCC).
Additionally, the authors describe the measurement methodology employed in their evaluation, which is crucial for determining the performance and reliability of the control charts presented. This structured approach allows for a comprehensive analysis of the different charting techniques and their applications in monitoring processes.
Results
The results of the simulation study evaluate the effectiveness of various control charts—EWMA, EEWMA, EWMA-TCC, and TCC—in detecting shifts in the process mean across different distributions: Normal(0,1), Laplace(0,1), and Logistic(6,2). The findings indicate that the control limit constants for the mixed nonparametric charts (EWMA-TCC and EEWMA-TCC) are significantly higher than those of their parametric counterparts, with an observable trend of increasing control limits as subgroup sizes grow. Notably, while larger smoothing values lead to increased control limits for parametric charts, they result in decreased limits for nonparametric charts. Additionally, the average run length (ARL1) is influenced by subgroup size, decreasing with larger sizes but increasing with higher smoothing values.
The performance of the proposed charts is further detailed through ARL comparisons across different subgroup sizes and distributions. For small to moderate shifts in the normal distribution, the suggested chart outperforms others, particularly excelling for larger shifts (shift = 3) where the EWMA-TCC chart shows superior performance. In the Laplace distribution, the EEWMA-TCC chart consistently exhibits lower ARL1 values across all shifts. The results for the Logistic distribution also favor the proposed chart, which outperforms TCC, EWMA, and EWMA-TCC for shifts ranging from 0.25 to 3.00, while the EWMA-TCC chart remains competitive for shifts of 2.00 and 3.00. Overall, the simulation results underscore the advantages of the proposed control charts in various scenarios.
Discussion
In the discussion section of the research paper, various control charts are evaluated for their effectiveness in monitoring processes characterized by normally distributed random variables. The Exponentially Weighted Moving Average (EWMA) control chart, introduced by Roberts, utilizes a smoothing parameter $\eta$ to track the mean and variance of the process. The control limits for this chart are defined in terms of the mean $\mu$ and standard deviation $\sigma$. The Tukey Control Chart (TCC), a non-parametric alternative, employs interquartile range (IQR) for its control limits, making it suitable for unspecified data distributions.
The Extended Exponentially Weighted Moving Average (EEWMA) control chart, developed by Naveed et al., enhances the sensitivity to shifts in the process mean by incorporating two smoothing parameters. The proposed EEWMA-Tukey Control Chart (EEWMA-TCC) combines the strengths of both EEWMA and TCC, demonstrating superior performance in detecting shifts compared to traditional charts. Simulation results indicate that the EEWMA-TCC chart significantly reduces the Average Run Length (ARL) across various scenarios, outperforming both the TCC and EWMA charts. The findings are supported by a practical example, illustrating the EEWMA-TCC’s capability to detect changes in a manufacturing process, thereby validating its effectiveness as a robust monitoring tool.