Çoklu Yanıt İstatistiksel Proses Kontrolü — Çok Değişkenli SPC
Multi-response Statistical Process Control · Ayrıca şöyle bilinir: Multivariate SPC, MSPC, Multi-response SPC, Multivariate statistical process control
Çoklu yanıt istatistiksel proses kontrolü (çok değişkenli SPC), iki veya daha fazla ilişkili kalite özelliğinin eş zamanlı olarak izlenmesi gereken süreçlere klasik tek değişkenli kontrol çizelgelerini genişletir. Tüm yanıtları ortak bir dağılım olarak ele alarak, her yanıt bağımsız olarak çizelgelendiğinde görünmez olan kaymaları tespit eder, yanlış alarmları azaltır ve üretim ve hizmet bağlamlarında süreç izlemenin duyarlılığını iyileştirir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir sürecin tümünün kararlı kalması gereken iki veya daha fazla ilişkili kalite özelliği ürettiği ve bireysel bir özelliğin kendi tek değişkenli limitini aşmasa bile ortak dağılımdaki bir değişikliğin operasyonel olarak anlamlı olduğu durumlarda çoklu yanıt SPC'yi kullanın. Tipik ortamlar arasında işleme, kimyasal işlem, farmasötik üretim ve gıda üretimi yer alır. Yöntem, sürekli ölçüm verileri ve kontrol altında bir Faz I referans veri kümesi gerektirir. Yanıtların ilişkisiz olduğu bilindiğinde, tek değişkenli çizelgelerin basit bir ikamesi olarak kullanmayın — bu durumda, bağımsız Shewhart çizelgeleri daha yorumlanabilirdir. Yanıt sayısı p, Faz I örneklem boyutuna yaklaştığında veya aştığında bundan kaçının, çünkü kovaryans matrisi kötü koşullu hale gelir; bunun yerine boyut azaltmayı (örneğin, PCA tabanlı MSPC) düşünün.
Güçlü yönler & sınırlılıklar
- Yanıtlar arasındaki korelasyonı hesaba katar: bağımsız tek değişkenli çizelgelerden oluşan bir bataryadan görünmeyen çok değişkenli kaymaları tespit eder.
- İzlenen yanıt sayısı ne olursa olsun, genel yanlış alarm oranını istenen seviyede kontrol eder.
- Tek bir çizelge birden fazla bireysel çizelgenin yerini alır, yüksek boyutlu süreçlerde operatör izlemesini basitleştirir.
- MYT ayrıştırması, kontrol dışı bir sinyali yönlendiren yanıtları belirleyen yorumlanabilir teşhisler sağlar.
- Küçük veya kademeli süreç kaymalarının tespitini iyileştirmek için CUSUM ve EWMA varyantlarına genişletilebilir.
- Kovaryans matrisini güvenilir bir şekilde tahmin etmek için yeterince büyük bir Faz I veri kümesi gerektirir; Faz I örneklem boyutu yanıt sayısına göre küçük olduğunda performans düşer.
- Kalite özelliklerinin çok değişkenli normal dağılımını varsayar; normal olmayan süreçler parametrik olmayan veya dönüştürülmüş varyantlar gerektirir.
- Tek bir T² sinyali bir şeylerin değiştiğini gösterir ancak sorumlu yanıtı hemen tanımlamaz; ek ayrıştırma gereklidir.
- Kovaryans tahmini ve UCL hesaplaması, tek değişkenli çizelgelemeden daha karmaşıktır, istatistiksel yazılım ve uzman bilgisi gerektirir.
SSS
Her yanıt için ayrı tek değişkenli kontrol çizelgeleri yerine ne zaman çoklu yanıt SPC kullanmalıyım?
Yanıtlar ilişkiliyse. Bağımsız tek değişkenli çizelgeler, ortak yanlış alarm oranını (Bonferroni etkisiyle) artırır ve korelasyon yapısındaki kaymaları kaçırabilir. Yanıtlar ilişkisizse, bağımsız çizelgeler daha basittir ve eşit derecede etkilidir. Faz I korelasyon matrisini kontrol edin; çapraz olmayan girişler mutlak değerce büyükse, çok değişkenli SPC gereklidir.
Kovaryans matrisini tahmin etmek için kaç Faz I alt grubuna ihtiyacım var?
Pratik bir kural olarak, en az 20–30 alt grup toplayın ve her durumda yanıtlardan (m >> p) çok daha fazla alt grup toplayın. Çok az alt grupla, tahmin edilen kovaryans matrisi tekildir veya neredeyse tektir, bu da kararsız kontrol limitlerine yol açar. Faz I verileri kıt olduğunda önyüklenmiş veya büzülme tahmincileri yardımcı olabilir.
Bir T² sinyali ateşlendiğinde ne yapmalıyım?
T² değerini her yanıttan gelen koşulsuz ve koşullu katkılara ayırmak için MYT (Mason–Young–Tracy) ayrıştırmasını uygulayın. Bir yanıt için koşullu T², diğer yanıtları hesaba kattıktan sonra yanıtın katkısını ölçer ve kontrol dışı durumdan sorumlu olan değişkeni veya değişken kombinasyonunu doğrudan işaret eder.
Çoklu yanıt SPC'yi normal olmayan verilerle kullanabilir miyim?
Standart T² çizelgesi çok değişkenli normal dağılımı varsayar. Hafif normal olmayan veriler için çizelge, orta düzey alt grup boyutlarıyla (n ≥ 4–5) makul derecede sağlamdır. Ciddi şekilde normal olmayan veya sayım türü yanıtlar için, parametrik olmayan çok değişkenli çizelgeler (örneğin, veri derinliği tabanlı çizelgeler) kullanın veya çizelgelemeden önce varyans stabilize edici dönüşümler uygulayın.
PCA tabanlı MSPC, T² çizelgesinden nasıl farklıdır?
Yanıt sayısı örneklem boyutuna göre büyük olduğunda (örneğin, p > 20), kovaryans matrisi güvenilir bir şekilde tersine çevrilemeyeceği için doğrudan T² çizelgelemesi imkansızdır. PCA tabanlı MSPC, önce boyutu küçük bir dizi ana bileşene indirger, ardından skorlara T² ve artıklarına ayrı bir Q (SPE) çizelgesi uygular. Çok yüksek boyutlu ölçüm alanlarını işleyebilme yeteneği için bazı yorumlanabilirliklerden ödün verir.
Kaynaklar
- Lowry, C. A., & Montgomery, D. C. (1995). A review of multivariate control charts. IIE Transactions, 27(6), 800–810. DOI: 10.1080/07408179508936797 ↗
- Mason, R. L., & Young, J. C. (2002). Multivariate Statistical Process Control with Industrial Applications. ASA-SIAM. ISBN: 978-0898715033
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Multi-response Statistical Process Control. ScholarGate. https://scholargate.app/tr/experimental-design/multi-response-statistical-process-control
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Kontrol GrafiğiDeney tasarımı↔ karşılaştır
- Hata Türü ve Etki Analizi (HTEA)Deney tasarımı↔ karşılaştır
- Çoklu Yanıt Deney TasarımıDeney tasarımı↔ karşılaştır
- Çok Yanıtlı Tepki Yüzeyi MetodolojisiDeney tasarımı↔ karşılaştır
- Süreç Yetenek Analizi (Cp, Cpk)İstatistik↔ karşılaştır
- İstatistiksel Süreç KontrolüDeney tasarımı↔ karşılaştır