స్టాటిస్టికల్ ప్రాసెస్ కంట్రోల్ పర్యవేక్షించటానికి ప్రక్రియను పర్యవేక్షించడానికి మరియు నిర్వహించడానికి ఉపయోగిస్తారు. సంక్లిష్ట వ్యవస్థల కోసం, SPC చార్ట్ ప్రత్యేకమైన వేరియబుల్ రాష్ట్రాలు ఎలా ఇవ్వబడుతుందో గుర్తించడానికి ఒక మోడల్ను సృష్టించడం అవసరం కావచ్చు. ఇది వ్యవస్థను అమలు చేయడానికి మరియు ప్రాసెస్ ఇన్పుట్లను మార్చడానికి ప్రతిసారీ కొత్త చార్ట్ను రూపొందించడానికి బదులుగా, నిర్దిష్ట ఇన్పుట్ వేరియబుల్స్ కోసం ఒక SPC నియంత్రణ చార్ట్ను రూపొందించడానికి ఒక సగటు మరియు ఊహించిన విచలనాన్ని లెక్కించడానికి నిర్వహణను అనుమతిస్తుంది.
స్టాటిస్టికల్ ప్రాసెస్ కంట్రోల్ యొక్క అవలోకనం
SPC లక్షణాలు (ఎత్తు, బరువు, కొలతలు) గమనించదగ్గ శ్రేణుల విలువలను సేకరిస్తుంది. ఈ విలువలు చార్టు చేయబడ్డాయి. ప్రక్రియ సగటు లెక్కించబడుతుంది. ఇది SPC చార్ట్ యొక్క కేంద్ర లైన్గా ఉపయోగించబడుతుంది. అప్పుడు, ప్రామాణిక విచలనం లెక్కించబడుతుంది. ఒక ఎగువ మరియు దిగువ నియంత్రణ పరిమితి నిర్ణయించబడుతుంది మరియు తరువాత చార్ట్లో ఉంచబడుతుంది. SPC చార్ట్ అప్పుడు పర్యవేక్షించబడుతుంది. ఏదైనా పోకడలు నమోదు చేయబడ్డాయి. ఎగువ లేదా తక్కువ నియంత్రణ పరిమితులను చేరుకోవడానికి ఏవైనా ధోరణులు సరైన చర్యకు దారి తీస్తాయి.
టైం-సీరీస్ మోడలింగ్
టైం సిరీస్ మోడలింగ్ నిర్దిష్ట సమయ వ్యవధిలో ఒక విధానాన్ని కొలుస్తుంది. ధోరణి రేఖలు లేదా వక్రరేఖల శ్రేణిని ప్రస్తుతం ఉన్న సమయ శ్రేణి డేటా కోసం లెక్కించబడుతుంది. ధోరణి రేఖ అనేది సాధారణ బీజగణిత సమీకరణం. భవిష్యత్లో ఆ ధోరణి రేఖ ఏమిటో అంచనా వేయడానికి ఒక సమయ శ్రేణి నమూనా అంచనా వేయవచ్చు. ఒక ట్రెండ్ లైన్ ఫ్లాట్ కావచ్చు, అప్ ట్రెండింగ్ లేదా డౌన్ ట్రెండింగ్.
మల్టీవిటరేట్ మోడలింగ్
బహుళవాది అంటే అనేక వేరియబుల్స్. ఒక బహువిధి నమూనా అనేక వేరియబుల్స్ను కలిగి ఉంది, అన్ని వాటికి సంబంధించిన సమీకరణాలతో. ఈ వేరియబుల్స్ సమయం, ప్రక్రియ వేగం, పదార్థ వైవిధ్యాలు మరియు ఏ ఇతర ప్రక్రియ వేరియబుల్ను కలిగి ఉంటాయి. ఈ కారకాలన్నింటికీ పరిగణనలోకి తీసుకొని ఆధారంగా ఒక బహువిధి నమూనా రూపొందించబడింది. వివిధ సార్లు ప్రవేశించడం ద్వారా గణాంక ప్రక్రియ నియంత్రణ చార్ట్ కోసం ఒక బహువిధి నమూనా రూపొందించబడుతుంది. ఈ మోడల్ అప్పుడు SPC చార్ట్ వివిధ వేరియబుల్ విలువలు కోసం సమయం చూడండి ఎలా చూపవచ్చు.
యాదృచ్ఛిక నమూనాలు
యాదృచ్ఛిక ప్రక్రియలు తప్పనిసరిగా యాదృచ్ఛికంగా ఉంటాయి. ఈ ప్రక్రియలు ప్రతి సాధ్యం ఫలితానికి సంభావ్యతను కేటాయించడం ద్వారా రూపొందించబడతాయి. మోడల్ తరువాత చాలా సమయము మరియు ఇతర ఫలితాల సంభావ్యతలను ఉత్పత్తి చేయుటకు సమీకరణమును చాలా సార్లు నడుపుట ద్వారా సృష్టించబడుతుంది. యాదృచ్ఛిక నమూనాలు మోంటే కార్లో అనుకరణలు అని కూడా పిలుస్తారు.
కృత్రిమ నాడీ నెట్వర్క్లు
ఈ రకమైన గణాంక ప్రక్రియ నియంత్రణ నమూనా ANN లకు సంక్షిప్తీకరించబడింది. ANN లు గణాంక ప్రక్రియ నియంత్రణ నమూనాల అత్యంత క్లిష్టమైన రూపం. వారు మారగల బహుళ ఇన్పుట్లతో ప్రక్రియలను అనుకరిస్తారు, మధ్యస్థ దశలు మారుతూ ఉంటాయి మరియు విభిన్న ఫలితాలను అందిస్తుంది. అప్పుడు ANN ఫలిత ఫలితాలను ఇస్తుంది. సరళ సమీకరణాల ద్వారా నిర్వచించబడిన వేరియబుల్స్తో పాటు ఏదైనా యాదృచ్ఛిక ప్రక్రియలు ఉంటే, ANN పరిధిని అనేక రకాల ఫలితాలను ఇస్తుంది. అనేక సార్లు అమలు చేస్తే, ఇది ఒక సంక్లిష్ట విధానంలో SPC చార్టు కోసం ఎక్కువగా మరియు అందువలన "అర్థం" ఫలితాన్ని ఇస్తుంది.
