Statistikas procesa kontrole tiek izmantota, lai uzraudzītu un pārraudzītu uzraudzīto procesu. Sarežģītu sistēmu gadījumā var būt nepieciešams izveidot modeli, lai noteiktu, kā SPC diagramma izskatīs konkrētus mainīgos stāvokļus. Tas arī ļauj vadībai aprēķināt vidējo un sagaidāmo novirzi, lai izveidotu SPC kontroles diagrammu konkrētiem ievades mainīgajiem, nevis lai ļautu sistēmai darboties un izveidot jaunu diagrammu katru reizi, kad procesa ievades mainās.
Statistikas procesa kontroles pārskats
SPC apkopo virkni vērtību par novērotajiem raksturlielumiem (augstums, svars, izmēri). Šīs vērtības tiek attēlotas. Tiek aprēķināts procesa vidējais lielums. To izmanto kā SPC diagrammas centrālo līniju. Tad tiek aprēķināta standarta novirze. Tiek noteikta augšējā un apakšējā kontroles robeža un pēc tam ievietota diagrammā. Pēc tam tiek uzraudzīta SPC diagramma. Visas tendences tiek reģistrētas. Jebkuras tendences, kas vēršas pie augšējās vai apakšējās kontroles robežas, radīs koriģējošas darbības.
Laika sērijas modelēšana
Laika rindu modelēšana nosaka procesu noteiktā laika intervālā. Pēc tam aprēķina tendenču līnijas vai līknes esošajiem laikrindu datiem. Tendences līnija ir vienkāršs algebriskais vienādojums. Laika rindas modelis pēc tam var prognozēt, kāda būs šīs tendences līnija nākotnē. Tendences līnija var būt plakana, tendence uz augšu vai uz leju.
Daudzfaktoru modelēšana
Vairāku mainīgo lielums nozīmē daudzus mainīgos. Daudzfaktoru modelim ir vairāki mainīgie, visi ar saviem saistītiem vienādojumiem. Šie mainīgie var ietvert laiku, procesa ātrumu, materiālu variācijas un jebkuru citu procesa mainīgo. Daudzfaktoru modelis tiek izveidots, pamatojoties uz visiem šiem faktoriem. Pēc tam, izveidojot dažādus laikus, tiks izveidots statistisko procesu kontroles diagrammas daudzfaktoru modelis. Pēc tam šis modelis var parādīt, kā SPC diagrammai būtu jāpārbauda dažādi mainīgie lielumi.
Stohastiskie modeļi
Stohastiskie procesi būtībā ir nejauši. Šie procesi tiek modelēti, piešķirot varbūtību katram iespējamajam iznākumam. Pēc tam modelis tiek izveidots, izmantojot vienādojumu daudzas reizes, lai radītu visticamākos rezultātus un citu rezultātu iespējamību. Stohastiskos modeļus sauc arī par Monte Karlo simulācijām.
Mākslīgie neironu tīkli
Šāda veida statistikas procesa kontroles modelis ir saīsināts ar ANNs. ANNs ir vissarežģītākais statistikas procesu kontroles modeļu modelis. Tie simulē procesus ar vairākiem ievades procesiem, kas var atšķirties, starpposma soļi, kas var mainīties, un dažādi iegūtie rezultāti. Pēc tam ANN sniegs rezultātus. Ja procesam ir kādi stohastiski procesi kopā ar mainīgajiem lielumiem, ko nosaka lineārie vienādojumi, ANN var dot virkni rezultātu. Ja tas tiek izpildīts daudzas reizes, tas sniegs visticamākos un tādējādi „vidējos” rezultātus attiecībā uz SPC diagrammu šādam sarežģītam procesam.
