Statistisk proceskontrol bruges til at overvåge og derefter styre processen, der overvåges. For komplekse systemer kan det være nødvendigt at generere en model for at bestemme, hvordan SPC-diagrammet vil se ud i betragtning af specifikke variable tilstande. Dette gør det også muligt for ledelsen at beregne en gennemsnitlig og forventet afvigelse for at oprette et SPC-kontroldiagram for specifikke inputvariabler, i stedet for at lade systemet køre og oprette et nyt diagram hver gang procesinputene ændres.
Oversigt over statistisk proceskontrol
SPC indsamler en række værdier på egenskaberne (højde, vægt, dimensioner), der observeres. Disse værdier er kortlagt. Processens middel er beregnet. Dette bruges som midtlinjen i SPC-diagrammet. Derefter beregnes standardafvigelsen. En øvre og nedre kontrolgrænse bestemmes og placeres derefter på diagrammet. SPC-diagrammet overvåges derefter. Eventuelle tendenser registreres. Eventuelle tendenser, der nærmer sig de øvre eller nedre kontrolgrænser, vil resultere i korrigerende handlinger.
Time-Series Modeling
Tidsseriemodeller måler en proces ved bestemte tidsintervaller. En række trendlinier eller kurver beregnes derefter for de eksisterende tidsseriedata. Trendlinjen er en simpel algebraisk ligning. En tidsseriemodel kan derefter forudsige, hvilken trendlinie der vil være i fremtiden. En trendlinie kan være flad, trending op eller nedadgående.
Multivariate modellering
Multivariate betyder mange variabler. En multivariativ model har flere variabler, alle med deres egne associerede ligninger. Disse variabler kan omfatte tid, proceshastighed, materialevariationer og enhver anden procesvariabel. En multivariabel model oprettes ud fra at tage hensyn til alle disse faktorer. En multivariativ model til statistisk proces kontrol diagram vil derefter blive oprettet ved at indtaste forskellige tidspunkter. Denne model kan så vise, hvordan SPC-diagrammet skal se over tid for forskellige variable værdier.
Stokastiske modeller
Stokastiske processer er i det væsentlige tilfældige. Disse processer er modelleret ved at tildele en sandsynlighed for hvert muligt resultat. Modellen skabes derefter ved at køre ligningen mange gange for at skabe et mest sandsynligt udfald og sandsynligheder for andre resultater. Stokastiske modeller kaldes også Monte Carlo-simuleringer.
Kunstige neurale netværk
Denne type statistisk processtyringsmodel forkortes til ANNs. ANNs er den mest komplekse form for statistiske processtyringsmodeller. De simulerer processer med flere input, der kan variere, mellemliggende trin, der kan variere og forskellige resulterende output. ANN vil derefter give de resulterende resultater. Hvis processen har nogle stokastiske processer sammen med variabler defineret af lineære ligninger, kan ANN give en række resultater. Hvis der køres mange gange, vil dette give det mest sandsynlige og dermed "betydelige" resultat for et SPC diagram for en så kompleks proces.
