Bayesian Statistical Process Control

In der klassischen SPC legen Sie Kontrollgrenzen fest, indem Sie eine Schätzung der Varianz des in-Kontrolle-Prozesses verwenden, und beobachten dann, ob zukünftige Punkte diese festen Linien überschreiten. Das Problem ist, dass, wenn Ihre anfängliche Schätzung verrauscht ist, Ihre Grenzen falsch sind – und sie bleiben falsch. Bayesian SPC behandelt Prozessparameter als unsichere Größen und pflegt eine A-priori-Annahme darüber – zum Beispiel eine Verteilung über den Prozessmittelwert. Jede neue Beobachtung aktualisiert diese Annahme über den Satz von Bayes und erzeugt eine A-posteriori-Verteilung. Ein Alarm wird nicht ausgelöst, wenn ein einzelner Punkt eine Linie überschreitet, sondern wenn die A-posteriori-Wahrscheinlichkeit einer Prozessverschiebung einen Schwellenwert überschreitet. Dies ermöglicht es dem Diagramm, aus den überwachten Daten zu lernen, was es besonders leistungsfähig während des Prozessstarts oder bei knappen historischen Daten macht.