Statistisk processkontroll används för att övervaka och sedan hantera processen som övervakas. För komplexa system kan det vara nödvändigt att generera en modell för att bestämma hur SPC-diagrammet kommer att se ut under specifika variabla tillstånd. Detta gör det också möjligt för ledningen att beräkna en genomsnittlig och förväntad avvikelse för att skapa ett SPC-kontrollschema för specifika ingångsvariabler, istället för att låta systemet springa och skapa ett nytt diagram varje gång processinmatningarna ändras.
Översikt över statistisk processkontroll
SPC samlar in en serie värden på egenskaperna (längd, vikt, dimensioner) som observeras. Dessa värden kartläggs. Processmedelvärdet beräknas. Detta används som mittlinjen i SPC-diagrammet. Därefter beräknas standardavvikelsen. En övre och nedre kontrollgräns bestäms och placeras sedan på diagrammet. SPC-diagrammet övervakas därefter. Eventuella trender registreras. Alla trender som närmar sig övre eller nedre kontrollgränserna kommer att resultera i korrigerande åtgärder.
Tidsseriemodellering
Tidsseriemodellering mäter en process vid specifika tidsintervaller. En serie trendlinjer eller kurvor beräknas sedan för befintliga tidsseriedata. Trendlinjen är en enkel algebraisk ekvation. En tidsseriemodell kan sedan förutse vilken trendlinje som kommer att vara i framtiden. En trendlinje kan vara platt, trending eller trending ner.
Multivariate Modeling
Multivariat betyder många variabler. En multivariativ modell har flera variabler, alla med egna associerade ekvationer. Dessa variabler kan inkludera tid, processhastighet, materialvariationer och någon annan processvariabel. En multivariabel modell skapas baserat på att ta hänsyn till alla dessa faktorer. En multivariativ modell för statistikprocessstyrschemat kommer då att skapas genom att ange olika tider. Denna modell kan sedan visa hur SPC-diagrammet ska se över tiden för olika variabla värden.
Stokastiska Modeller
Stokastiska processer är väsentligen slumpmässiga. Dessa processer modelleras genom att ge en sannolikhet för varje möjligt resultat. Modellen skapas sedan genom att köra ekvationen många gånger för att generera ett sannolikt resultat och sannolikheter för andra resultat. Stokastiska modeller kallas också Monte Carlo-simuleringar.
Artificiellt nervsystem
Denna typ av statistisk processkontrollmodell förkortas till ANNs. ANNs är den mest komplexa formen av statistiska processkontrollmodeller. De simulerar processer med flera ingångar som kan variera, mellanliggande steg som kan variera och olika resulterande utgångar. ANNEN kommer sedan att ge de resulterande resultaten. Om processen har några stokastiska processer tillsammans med variabler definierade av linjära ekvationer, kan ANNEN ge en rad resultat. Om det körs många gånger kommer detta att ge det mest troliga och därmed "genomsnittliga" resultatet för ett SPC-diagram för en så komplicerad process.
