Phase analysis and statistical modeling with limited batches for multimode and multiphase process monitoring

برای فرایندهای دسته ای چند متغیره، روش های مدل سازی متعارف به طور کلی نیازمند دسته های کافی برای هر حالت است که در عمل می تواند تضمین شود. ممکن است غیر عملی باشد که آزمایشهای کافی انجام شود و منتظر بمانید تا قبل از توسعه مدلهای نظارت برای هر حالت، دستههای کافی در دسترس باشند. از طریق دسته های محدود، چگونه می توان اطلاعات مربوط به پردازش قابل اعتماد و توسعه مدل های نظارت را برای نظارت بر فرآیند چند مرحله ای موفقیت آمیز آنلاین، یک مسئله مهمی بود. برای حل این مشکل، این مقاله یک تحلیل فاز و استراتژی مدل سازی آماری با دسته های محدود ارائه می دهد. یک حالت که دسته های کافی دریافت کرده است به عنوان حالت مرجع انتخاب می شود در حالی که حالت های دیگر که فقط می توانند دسته های محدود را به عنوان حالت های جایگزین کار کنند. الگوریتم پیشنهاد شده از دسته های محدود، از دو مسئله، پارتیشن بندی فاز همزمان و تجزیه و تحلیل تغییرات نسبی بین حالت ها رد می شود. اول، برای هر حالت جایگزین، برش زمان به طور کلی با ترکیب چندین بار برش زمانی در یک منطقه کوتاه مدت برای بررسی همبستگی های فرایند محلی صورت می گیرد. خصوصیات زمان متغیر سپس به طور همزمان در حالت ها تجزیه و تحلیل می شود تا فاز های متوالی متعدد برای تمام حالت ها به طور همزمان شناسایی شوند. سپس واحدهای داده ی نمایشی فاز به صورت متغیر نمایش داده می شوند و برش زمان معمول برای حالت مرجع و زمان برش کلی برای هر حالت جایگزین به ترتیب. تجزیه و تحلیل آماری بین حالت در هر مرحله انجام می شود که در آن تغییر نسبی از حالت مرجع به هر حالت جایگزین، تحلیل می شود. از دیدگاه بین حالت، انواع مختلف تغییرات نسبی در هر حالت جایگزین، برای نظارت آنلاین، مدل سازی می شوند. از دسته های محدود، از طریق نظارت بر فرآیند دسته ای آنلاین می تواند انجام شود، ارائه عملکرد تشخیص خطا قابل اعتماد. الگوریتم پیشنهادی با یک فرایند دسته ای چند مرحلهای با چند حالت نشان داده شده است.