شناسایی و تجزیه وتحلیل الگوهای سیکلی و سیستماتیک در نمودارهای کنترل فرایند

افزایش سطح حساسیت کیفی فرایندها برای بررسی الگوهای معنی دار در نمودارهای کنترل فرایند الزامی است. مدل های متعددی به منظور تجزیه و تحلیل رفتارهای غیرطبیعی در نمودارها ارایه شده اند. اغلب این مدل ها نمی توانند وقوع فازهای مختلف شکل گیری الگوهای سیکلی و سیستماتیک را هشدار دهند. معدود مدل های توسعه دهنده ی مولدهای الگوهای تناوبی، شبکه های عصبی را به عنوان ابزار شناسایی به کار گرفته اند. معماری های دشوار، آموزش های وقت گیر و از همه مهم تر کاهش قابلیت اطمینان در شناسایی و برآورد هنگام بالا بودن حساسیت فرایندها نسبت به رخداد الگوهای غیرتصادفی، از مشکلات مدل های مبتنی بر شبکه ها بوده است. پژوهش جاری مدل جدیدی را برای تشخیص صحیح تر الگوهای تناوبی و تخمین دقیق تر پارامترهای متناظر آنها از طریق محاسبه ی منحنی کسینوسی برازش نمونه ها معرفی می کند. این مدل با مقایسه ی کلیه ی آلترناتیوهای تناوبی، بهترین منحنی کسینوسی برازش نمونه ها را تعیین و تصمیم گیری می کند. الگوریتم پیشنهادی خطای طبقه بندی نادرست الگوهای تناوبی و نیز متوسط خطای تخمین پارامترهای متناظرشان را در فازهای مختلف شکل گیری کاهش داده است.