《GB∕T 17989.9-2022 生产过程质量控制统计方法 控制图 第 9 部分：平稳过程控制图.pdf》由会员分享，可在线阅读，更多相关《GB∕T 17989.9-2022 生产过程质量控制统计方法 控制图 第 9 部分：平稳过程控制图.pdf（24页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、ICS03.120.30CCSA41中 华 人 民 共 和 国 国 家 标 准GB/T17989.92022/ISO7870-9:2020生产过程质量控制统计方法控制图第9部分：平稳过程控制图StatisticalmethodofqualitycontrolinproductionprocessControlchartsPart9:Controlchartsforstationaryprocesses(ISO7870-9:2020，ControlchartsPart9:Controlchartsforstationaryprocesses9IDT)2022-03-09发 布2022-10-01
2、实 施1III1I11II发 布GB/T17989.92022/ISO7870-9:2020次目刖 目引言ni范围2规范性引用文件3术语和定义、符号和缩略语4监测自相关过程均值的控制图4.1概 述4.2残差图4.3调整控制限的控制图4.4监测自相关数据的控制图比较5平稳过程散度的监测6监测自相关过程的其他方法附录A(资料性）随机过程和时间序列附录B(资料性）传统控制图在自相关数据上的表现参考文献3335779111317GB/T17989.92022/ISO7870-9:2020言刖本文件按照GB/T1.1一2020标准化工作导则第1部分:标准化文件的结构和起草规则的规定起草。本文件是GB/T
3、17989的第9部分。GB/T17989已经发布了以下部分：控 制 图 第1部分:通用指南；控 制 图 第2部分:常规控制图；控 制 图 第3部分:验收控制图；控 制 图 第4部分：累积和控制图；生产过程质量控制统计方法控制图第5部分:特殊控制图；生产过程质量控制统计方法控制图第6部分:指数加权移动平均控制图；生产过程质量控制统计方法控制图第7部分:多元控制图；生产过程质量控制统计方法控制图第8部分:短周期小批量的控制方法；生产过程质量控制统计方法控制图第9部分:平稳过程控制图。本文件等同采用ISO7870-9:2020控 制 图 第9部分:平稳过程控制图。本文件做了下列最小限度的编辑性改动：
4、将标准名称改为生产过程质量控制统计方法控制图第9部分:平稳过程控制图。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由全国统计方法应用标准化技术委员会(SAC/TC21)提岀并归口。本文件起草单位：清华大学、中国标准化研究院、山西嘉世达机器人技术有限公司、内蒙古蒙牛乳业(集团）股份有限公司、聊城科创节能设备有限公司。本文件主要起草人：孙静、张昱妍、丁文兴、马岸原、牛立群、孙晓普、杨志刚、田桂艳、门广才。GB/T17989.92022/ISO7870-9:2020言引控制图是过程控制中常用的统计工具，用来监测过程中的偏移，保持过程稳定。GB/T17989控制图系
5、列标准分为以下9部分：控制图第1部分:通用指南。目的在于给出控制图基本术语、原理及分类，以及选择控制图的指南。控制图第2部分:常规控制图。目的在于确立使用常规控制图进行过程控制的指南。控制图第3部分:验收控制图。目的在于确立验收控制图进行过程控制的使用指南，并规定了确定子组样本量、行动限、和决策准则的一般程序。控制图第4部分：累积和控制图。目的在于确立应用累积和技术进行过程检测、控制和回顾性分析的统计方法。生产过程质量控制统计方法控制图第5部分：特殊控制图。目的在于确立理解和应用特殊控制图进行统计过程控制的指南。生产过程质量控制统计方法控制图第6部分：指数加权移动平均控制图。目的在于确立理解和
6、应用指数加权移动平均（EWMA)控制图进行统计过程控制的指南。生产过程质量控制统计方法控制图第7部分：多元控制图。目的在于确立构建和应用多元控制图进行统计过程控制的指南，并建立了使用和理解计量数据多元控制图的常规方法。生产过程质量控制统计方法控制图第8部分：短周期小批量的控制方法。目的在于确立子组大小为1时，应用常规计量控制图检测短周期和小批量生产过程的方法。生产过程质量控制统计方法控制图第9部分：平稳过程控制图。目的在于确立构建和应用控制图对平稳过程进行控制的指南。在工业生产中，统计过程控制（SPC)技术被广泛用于过程控制和质量提升。多种基于统计的控制图被提岀，用来监测过程的均值和散度。传统
7、的统计过程控制理论是基于“过程数据统计独立”这一基本假设而建立的。然而，过程数据并不总是彼此统计独立。在诸如化工这类连续生产的行业，大多数描述质量特性的过程数据存在自相关。总的来说，自相关性可能由测量系统、动态过程或二者共同引起的。多数情况，数据会产生漂移。生物学中，随机的生物性变化可能会带来持续的影响，以至于几次连续的测量都受到同一个随机现象的影响。例如，某些影响血压的物质的随机爆发式分泌。在数据采集过程中，当采样间隔较短时，数据的自相关性，尤其是正自相关性，就成为要注意的问题。这种情况下，传统的统计过程控制方法不再适用于过程质量的监测、控制和提升。根据是否平稳，自相关过程可以分为以下两类：
8、1)平稳过程独立同分布（U.d.)序列的直接延伸。若一个自相关过程处于“统计平衡”的状态，则是平稳的。这表明过程的基本表现不会随着时间而变化。特别是，平稳过程的均值和方差是不变的。2)非平稳过程关于随机过程和时间序列的详细信息请见附录A。为了监测自相关数据，提出了新的统计过程控制方法，主要分为两种：第一种方法是，先利用数据拟合时间序列模型或其他数学模型，然后利用过程的残差控制图进行监测。另一种更为直接的方法则是改进现有的控制图，例如，根据过程的自相关性，调整控制限。本文件旨在概述了监测平稳过程均值和方差的几种主要控制图。nGB/T17989.92022/ISO7870-9:2020生产过程质量
9、控制统计方法控制图第9部分：平稳过程控制图1范围本文件给岀了构建和应用控制图对平稳过程进行控制的指南。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T3358.2统计学词汇及符号第2部分：应用统计（GB/T3358.22009,ISO3534-2：2006,IDT)3术语和定义、符号和缩略语3.1术语和定义GB/T3358.2界定的以及下列术语和定义适用于本文件。3.1.1自t办A#autocovariance按时间顺序排列的观测值序列
10、中，观测值之间的内部协方差。3.1.2自相关过程的控制图controlchartsforautocorrelatedprocesses用于自相关过程进行统计过程控制的控制图。3.2符号和缩略语3.2.1符号F列符号适用于本文件。AR(1)过程中z时刻的随机变量a,Z,的控制限的参数值（以Z,的标准差的倍数表示)Lz均 值 为 方 差 为 的 正 态 分 布N(，a2)EWMS控制图的平滑参数t时刻的残差R,RRt的算术平均的标准差GB/T17989.92022/ISO7870-9:2020反的标准差SRS,2的初始值s?t时亥_EWMSSf随机过程的指标集Tt时刻的随机变量XX tX,的预测值
11、xtx的算术平均t时刻的EWMA统计量Z,的初值Zo自相关系数P自相关系数的估值P自协方差7自协方差的估值7均值的阶跃变化（以过程标准差的倍数表示)EWMA控制图的平滑参数A过程均值的真值过程标准差的真值EWMA统计量的标准差AR(1)过程的白噪声随机变量a,的标准差两个时间点之间的时间间隔AR(1)过程的相关系数3.2.2缩略语下列缩略语适用于本文件。ACFARLAR(1)CUSUMEWMAEWMAST自相关函数（autocorrelationfunction)平均链长（averagerunlength)阶向回归过程（firstorderautoregressiveprocess)累积和（c
12、umulativesum)指数加权移动平均（exponentiallyweightedmovingaverage)平稳过程的指数加权移动平均（exponentiallyweightedmovingaverageforastationaryprocess)指数力口权均方差(exponentiallyweightedmeansquareddeviation)独立同分布（independentandidenticallydistributed)统计过程控制（statisticalprocesscontrol)EWMSi.i.dSPC2GB/T17989.92022/ISO7870-9:20204监
13、测 自 相 关 过 程 均 值 的 控 制 图4.1概 述许多统计学家和从事统计过程控制的工作人员都发现，过程数据中存在的自相关会影响传统的用于统计过程控制的控制图的表现。类似于自协方差（见3.1.1)，自相关系数是以时间为序的观测数据内部的相关系数。测量系统、过程的动态属性，都可能导致自相关性。自相关为正时对多种传统控制图的影响见附录B。4.2残 差 图残差图用于监测过程均值可能发生的变化。若要构建残差图，则需要将时间序列或其数学模型用于过程数据的分析。构 建 残 差 图 前，需 要 对 过 程 数 据 建 模 以 得 到 过 程 的 残 差2。对 于 一 组 时 序 数 据，N，可建立时间
14、序列或数学模型去进行数据拟合。在f时刻的残差被定义为：oci;Z=1，2，Rt=其中，乞是基于时间序列或数学模型得到的z时刻的预测值。假设模型正确，则残差在统计意义上彼此独立。传统进行统计过程控制的控制图，如单值X图、CUSUM控制图、EWMA控制图，都能用来监测残差。若使用单值X图监测残差，就得到X残差图。一旦检测到残差过程中出现了均值变化，则判定过程本身的均值已处于失控状态。相似地，CUSUM残差图和EWMA残差图分别在参考文献3和参考文献4中提出。关于残差图和其他控制图之间的对比，见参考文献5。残差图的优势：残差图能用于任何自相关数据，包括非平稳序列。通常，使用软件来拟合时序模型。残差图
15、的劣势：残差图和传统控制图的性质不尽相同。AR(1)过程AR(1)过程见A.3.3的X残差图对均值变化的监测效果不佳。参考文献6表明当过程岀现正自相关时，X残差图的效果并不理想。参考文献7表明，与单值X图相比，X残差图的检测能力，有时更弱。构建残差图，需要用时间序列或模型来处理数据。残差图的使用者应不断检查模型的有效性，以减弱建模误差和过程变化带来的混合效果。为了更直观地说明，给出一个示例。通过对铝冷轧过程中冷却剂的黏度进行测量，得到一个样本量为50的数据集8。图1表明，数据呈现下降的趋势。然而，怀疑这些观测数据并不相互独立。图2为间隔取为0到12时，得到的样本自相关函数（ACF)的图像。对于
16、样本自相关和ACF，见附录A中的A.4.2、A.5和参考文献9。如A.5所述，基于独立同分布的正态序列的假设，间隔大于1的样本自相关系数应有约95%落在1.96/#之间。基于此，由图2可见，上述观测数据并不独立。参考文献8提供了一个预测z时刻冷却剂黏度的模型：xOCt+bxt-+CXt-2+dxt-+，=1，,50 xt=atA3GB/T17989.92022/ISO7870-9:2020Y3.83.63.4A3.2V32.82.62.42.203050X101520403545525标引序号说明：X观测序号黏度。;y图1示 例Ylliini0.80.60.40.20-0.20.4023456
17、89101112X标引序号说明:间隔X;自相关系数。y图2每 日 黏 度 的 观 测 序 列 的 自 相 关 函 数 及 近 似95%置 信 带参考文献8给出了a、b、c、d的估值，通过样地，为了检验残差是否彼此独立，可再利用带有置信带的自相关函数ACF图像，如图4所示。可证明残差不再存在自相关，可使用k控制限的单值X图（歹3SR，其中歹为序列只，的均值，SR是序列尺,的标准差）来监测残差。由图3可见，残差的均值以及过程的均值处于受控状态。，=1，46来计算残差，如图3所示。同=x,x4GB/T17989.92022/ISO7870-9:2020Y0.40.30.20.1.AYv肩M0V-0.
18、1-0.2-0.3-0.450X300102515203540455标引序号说明:时间X残差。y图3黏 度 序 列 的 残 差 以 及3r控制限的单值A：图Y0.80.60.40.20-0.20.423458910111206X标引序号说明:X间隔；自相关系数。y图4黏 度 序 列 残 差 的 自 相 关 函 数 及 其 近 似95%置 信 带4.3调 整 控 制 限 的 控 制 图4.3.1调整的EWMA控制图与残差图相比，更直接的方法是：不建立时序模型，而直接对控制图的控制限进行调整。基于此思路得到了一些方法，然而他们仅适用于一些特定的过程，如AR(1)过程1。参考文献11提出了平稳过程的
19、监测EWMA的方法，即EWMAST控制图，适用于常规意义的平稳过程。基于下面的统计量来5GB/T17989.92022/ISO7870-9:2020构建控制图11:Zt(1A)Zt-+XXt即过程的均值;A是平滑参数(0A1)。其中，Z假设过程序列X,j=l，2,，iV是均值为y方差为V的平稳序列。当值很大时，Z,的方差可近似为：0=fj-M()21+2(1A)1(1A)2(2(2)其中，M是整数，）是间隔为的过程自相关系数。注意，当过程不存在自相关性时，4与传统EWMA控制图相同。假设X,服从正态分布，那么也服从均值为p的正态分布。Z,在图上打点，得到EWMAST控制图，控制图的中心线位于p
20、的 位 置，且 控 制 限 由 下 式 给 出：士Lz50且N/4时，才能得到有效的）估值。因此，公式（2)中的M宜足够大，使得公式（2)给出的近似值可使用；同时M要小于iV/4,以避免自相关系数的估值有较大的误差。模拟研究表明，当100时，M=25是推荐的取值11。为了更直观地加以说明，以#=0.5、方差a2=l、链长为200的AR(1)过程的模拟数据为例。白噪声（见A.3.2)服从正态分布。前100个观测值的过程均值为0。从第101个观测值，过程均值出现从01(即Id的阶跃变化。图5给岀这些模拟数据的折线图。和自相关系数未知时，通常用过程处于160180200I60100120140080
21、2 040标引序号说明:X时间；Y观测值。图5列举EWMAST图对AR(1)过程的实现若将前100个数据构成的过程视为平稳的，据此对过程的均值、标准差和样本的自相关系数进行估，25)。取M=25,A=0.2,由公式（2)得到，Z,标准计，得到;Fo.io，s=o.9i，以及ga)a=i，2，差的估值h=0.24。图6为中心线为IMAST控制图。该控制图发岀警报：从第110个观测值开始，控制图监测到过程均值增大。0.10、3a控制限由X35z=(-0.81；0.60)给岀的EW6GB/T17989.92022/ISO7870-9:2020Y1.50.5hAAv07-0.5180200206080
22、040100120140160标引序号说明:X时间；YEWMA0图6用 于 图5均 值 增 大 的 模 拟 数 据 的EWMAST控 制 图4.3.2调整的CUSUM控制图参考文献13讨论了在过程自相关较弱时，用CUSUM控制图直接处理原始数据的效果。在过程自相关较强时，则考虑使用经过处理的观测数据。参考文献10和参考文献14还提出了将改进后的CUSUM控制图应用于AR(1)过程或其他时间序列过程的方法。4.4监 测 自 相 关 数 据 的 控 制 图 比 较关于监测自相关数据的控制图之间的比较，已有文献进行了讨论。参考文献10和参考文献5通过数据模拟，对比了平稳AR(1)过程的单值X控制图、
23、X残差图、CUSUM残差图、EWMA残差图，以及EWMAST控制图的效果。研究发现，EWMAST控制图的表现要优于CUSUM残差图和EWMA残差图。总体来看，EWMAST控制图的表现同样优于单值X控制图和X残差图。模拟结果还表明，CUSUM残差图和EWMA残差图的效果相差无几。当过程自相关不强时，CUSUM残差图和EWMA残差图的效果优于X残差图。与之相反，当过程自相关较强时，X残差图的效果则要优于其他残差图。当过程自相关很强时，此时过程已近乎不平稳，EWMAST控制图的表现相对来说仍优于其他控制图。应用EWMAST控制图的一个明显的优势，就是不需要为平稳过程数据构建时间序列模型。EW-MAS
24、T控制图的使用，仅需要对过程处于受控状态的过程均值、标准差和自相关系数进行估计。总之，当过程存在自相关且平稳时，宜使用EWMAST控制图来监测过程均值。5平 稳 过 程 散 度 的 监 测参考文献15讨论了两种可用于监测过程散度的控制图：一种是基于目标的指数加权均方差构建的，称为指数加权均方差（EWMS)控制图。另一种则是基于指数加权移动方差构建的，称为指数加权移动方差（EWMV)控制图，其过程均值由观测值的EWMA控制图估计得到。假设叉/二+丨是过程均值为/方差为且服从联合正态分布的过程序列。指数加权移动均方差的定义为：7GB/T17989.92022/ISO7870-9:2020Sf=(l
25、-r)S?_1+r(X,-/,)2为EWMS控制图的平滑参数（0r2A.3平稳时间序列和平稳时间序列模型A.3.1概 述如果一个时间序列处于“统计平衡”状态，则称该时间序列是平稳的。换言之，该时间序列的基本表现并不随时间而变化。在本文件中，若时间序列x/；eT满足下列条件，则称其是协方差平稳的或平稳的：a)E_X,=(即对所有值均为常数）；b)VX/=cx2oo(即对所有值均为有限常数）；c)7(iU2)只随间隔数r=匕一h而变化。于是，/(h山）可写作7(6山）=7(6G)=7(r)。条件1)和条件2)规定了时间序列必须有相同的均值和相同的方差。条件3)规定了自协方差函数必须仅随时间间隔数而
26、变化。如果上述条件中一个及多个没有被满足，则过程是不平稳的。对于平稳的时间序列，通常用7(r)来表示间隔数为r时的自协方差函数。一个平稳时间序列在间隔数为r时的自相关函数(ACF)由下式给岀：7(r)ia显然0)=1。由此引出一些简单的平稳时间序列模型，见A.3.2和A.3.3。A.3.2白 噪 声若某一时间序列满足下列条件，则称其为白噪声：a)Xt同分布，其均值相同，方差相同且有限b)对任意h，自协方差7(i2)=0o由条件2)可知，对任何间隔数不为0的情况，白噪声的自相关系数恒为0。若X,是服从正态分布的白噪声，则是一个独立同分布序列。;11GB/T17989.92022/ISO7870-
27、9:2020A.3.3阶自回归ARC1)过程离散时间序列X,；tG(0，1，2,）被称为一阶自回归AR(1)过程，若Xtfj.=(j)(X,-!/i)+其中彡是参数，取常数；，是均值为0、方差为w的白噪声组成的随机变量。当U|0时，通常称过程的测量值是正自相关的。反之，当iV，则自协方差的估值为09。特别是，当r=0时，（0)是过程方差的估值。实际工作中，通常用传统的样本方差S2估算公式的分母不是iV，而是（iV1)来替代7(0)。相应的自相关系数的估值，又称为样本自相关系数，通常用“二士7(r)进行估计。7(0)A.5时间序列数据的自相关性检验对过程数据的自相关性进行检验是非常重要的。下面是
28、两种常用的样本检验方法。a)利用带有置信带的样本自相关函数（ACF)图：在N较 大 时，有 限 方 差 的 独 立 同 分 布 序 列，X,的样本自相关系数g(r)，可以近似看作一个服从iV(0，l/iV)分布的独立同分布序列21。若现，则在间隔数大于1的样本自相关系数中，大约有95%落在1.96/#的范围内。这可用于检验过程数据是否存在自相关性22。5.2介绍了一个真实的示例，展示了带有置信带的样本自相关函数ACF在过程数据自相关性检验中的应用。b)游程检验：样本自相关函数ACF的使用，是基于平稳过程的假设，过程均值是一个常数。然而，如果过程的均值不是常数，自相关函数ACF图则可能错误地探测
29、岀强自相关性。在这种情况下，若仍使用自相关函数ACF来检验过程是否具有自相关性，就可能会得到错误的结果。而游程检验能对自相关函数ACF图进行补充。对随机性的游程检验是一种基于上下游程的非参数检验22。参考文献22的第99101页给出了一个使用游程检验的例子。是此序列一次实OCi,x2f，:Tn12GB/T17989.92022/ISO7870-9:2020附录B(资料性）传统控制图在自相关数据上的表现过程数据中的自相关性会影响传统控制图进行统计过程控制的表现。下面的例子展示了正自相关性对多种传统控制图的影响。模拟0#1、正态分布随机噪音的平稳一阶自回归AR(1)过程，生成自回归数据。所生成的均
30、值为0、白噪音方差为1、链长为100、#分别为0、0.25、0.5、0.75、0.9的AR(1)过程的五次实现，分别在图B.1到图B.5中进行了展示，以给岀自相关过程的影响。本附录用于展示在监测过程均值变化中，不同程度的自相关性对受控状态的平均链长（ARL)所代表的第一类错误以及对失控状态的平均链长所代表的第二类错误的影响。ARL是在出现一个信号之前采集的平均样本数（见GB/T17989.4：2020中的3.1.7)。理想的控制图期望受控状态的ARL尽可能大，失控状态的ARL尽可能小。也就是说，对理想的控制图而言，若过程均值未发生变化，ARL宜取较大值;若过程均值发生变化，ARL宜取较小值，以
31、快速提示过程均值出现了变动。在模拟中，自相关程度的变化通过改变AR(1)过程中的彡值实现。对于彡的每个取值，分别计算过程处于受控状态和失控状态下的ARL值。通过模拟，以研究AR(1)过程的每种情况的影响。每种情况至少生成2000个时间序列。对于均值未发生变化的过程，计算每个序列的链长并取平均，以得到受控状态的平均链长。对于不稳定的过程，均值在序列的模拟过程中会发生变化，然后据此计算链长。此时，只考虑过程均值的阶跃变化，以过程标准差倍数表示，即均值突然发生变化，然后稳定在一个新的水平上。计算2000个序列链长的平均值，以得到失控状态的平均链长。自相关性对单值X图、CUSUM图和EWMA图的影响亦
32、得到了研究。单值X图使用3a控制限。EWMA图的平滑参数A取0.2,同 样 使 用3a控制限。CUSUM图使用参考文献23和参考文献3里提到的ARL。表 格 化CUSUM图中的参数取A=5.0,=0.5。图B.1图B.5给岀了取值分别为0、0.25、0.5、0.75、0.9时ARC1)过程实现的图示。II1I-3010609020307080100X4050标引序号说明:X时间。图B.10=0时ARC1)过程的实现13GB/T17989.92022/ISO7870-9:20203060100X010204070809050标引序号说明:X时间。图B.2少=0.25时AR(1)过程的实现2I0K
33、)1illi-2-3-4100X7001090203040506080标引序号说明:X时间。图B.30=0.5时ARC1)过程的实现14GB/T17989.92022/ISO7870-9:20201002030607080900405010标引序号说明:X时间。图B.4=0.75时AR(1)过程的实现10207080100X03040609050标引序号说明:X时间。图B.50=0.9时ARC1)过程的实现表B.1研 究 结 果X图CUSUM图h=5.0k=0.5EWMA图A=0.2Lz=3以为单位表示的ZL=3370.40465.00547.7100.5155.2138.4044.60043
34、.8910.4010.75(无自相关)26.304.013.732.002.572.38315GB/T17989.92022/ISO7870-9:2020表B.1研 究 结 果（续)EWMA图A=0.2Lz=3X图CUSUM图h=5.0k=0.5以为单位表示的AL=3381.60119.35139.50030.0232.810.5160.530.2510.5810.7246.61(弱自相关)27.254.163.852.212.642.413400.7449.2356.000181.1525.7626.960.50.556.4211.4310.79(中等强度自相关)29.164.344.002
35、.602.642.50330.9831.450496.040.5235.9822.7421.820.7574.3312.6711.30(中等偏强自相关)214.424.734.562.832.5833.59833.5929.0226.2400.5413.0324.4021.090.9157.7215.3813.19(强自相关)227.095.845.086.242.852.723研究结果如表B.1所示。表中第一列是自相关的程度，从没有自相关0=0到0=0.9。第二列针对每个彡值，给岀了均值变化的程度，以过程标准差倍数表示（0、0.5、1.0、2.0、3.0个标准差）。第三列给岀了单值X图的表现
36、。自相关的存在不会对受控状态的ARL产生负面影响；当#0.5时，自相关对ARL影响较大；当#增大时，受控状态与失控状态的ARL都会增大；当均值变化较小时，这种影响更显著。总之，对于中等强度到高等强度的自相关，单值X图很难监测到均值的小幅变化。表中第四列和第五列分别给出了CUSUM图和EWMA图的表现。当过程数据呈正自相关时，即使必只有0.25这样弱的自相关，也会对受控状态的ARL产生负面影响；当0=0.25时，CUSUM图和EWMA图的受控状态ARL分别从多=0时的465.00和547.71减少到119.35和139.50，表明即使只岀现微弱的自相关，CUSUM图和EWMA图仍会频繁发岀错误警
37、报；另一方面，自相关性对CUSUM图和EWMA图的失控状态ARL的影响相对较小。因此，当过程岀现正自相关时，会严重影响CUSUM图和EWMA图的受控状态ARL，发岀错误警报。这里仅给出了正自相关序列的结果。因为实际工作中，正自相关性是最常见的情形，如生物学。对于负自相关性影响的研究，见参考文献5。同样，只考虑均值岀现的阶跃变化。16GB/T17989.92022/ISO7870-9:2020参考文献1GB/T17989.42020控 制 图 第4部分：累积和控制图2ALWANL.C.；ROBERTH.V.C1988?Time-seriesmodellingforstatisticalproce
38、sstrol,JournalofBusiness&EconomicStatistics,6(1,87-95.3RUNGERG.C.,WILLEMAINT.R.,PRABHUS.C1995),AverageSUMcontrolchartsappliedtoresiduals,CommunicationinStatiticsTheoryandMethods,24(1),273-282.4LuC.W.,REYNOLDSM.R.(1999)，EWMAcontrolchartsformonitoringtheautocorrelatedprocesses,JournalofQualityTechnolo
39、gy，31(2)，166-188.5ZHANGN.F.(2000),Statisticalcontrolchartsformonitoringtheprocess,JournalofStatisticalComputationandSimulation,66(3)，249-258.6WARDELLD.G.，MOSKOWWITZH.，PLANTER.D.C1994)，Run-lengthdistributionscontrolchartsforcorrelatedprocesses,Technometrics，36，3-17.7ZHANGN.F.(1997)，Detectioncapabilit
40、yofresidualchartforautocorrelatedjournalofAppliedStatistics，24(4)，475-492.8DODSONB.(1995;Controlchartingdependentdata：A7(4)，757-768.9WOODWARDW.A.,GRAYH，L.，ELLICOTTA.C.,(2012)Appliedtimeseriesanal-ysis.BocaRaton,FL：CRCPress.10VANBRACKLEL.，REYNOLDSM.R.C1997),EWMAandCUSUMcontrolchartsinthepresenceofcor
41、relation,CommunicationsinStatisticsSimulationandcomputation,26(3)，9794008.11ZHANGN.F.(1998，Astatisticalcontrolchartforstationaryprocessdata,Technomet-rics,40(1)，24-38.12BoxG.E.R,JENKINSG.M.，REINSSLG.C.,(1994)Timeseriesanalysis：Forecastingandcontrol(3rded.)，EnglewoodCliffs，NJ:PrenticeHall.13YASHCHINE
42、.(1993)，PerformanceofCUSUMcontrolschemesforseriallycorrelatedobservations,Technometrics,35(1)，37-52.14LuC.W.，REYNOLDSM.R.(2001),CUSUMchartsformonitoringprocess,JournalofQualityTechnology，33(3)，316-334.15MACGREGORJ.F.,HARRIST.J.(1993),TheexponentiallyweightedJournalofQualityTechnology,25(2)，106-118.1
43、6LuC.W.；REYNOLDSM.R.(1999)，Controlchartsformonitoringtheofautocorrelatedprocesses,JournalofQualityTechnology,31(2)，259-274.17ZHANGN.F.,PINTARA.L.(2015)，Monitoringprocessvariabilityforstationaryprocessdata，QualityandReliabilityEngineeringInternational，31(8)，1383-1396.18MACGREGORJ.F.(1976),Optimalchoi
44、ceofthesamplingintervalfordiscreteprocesscontrol，Technometrics，18(2)，151-160.19BRILLINGERD.R.C1973)，Estimationofthepling，JournalofAppliedProbability，10，419-431.20ZHANGN.F.(2006)；THEBATCHEDMOVINGAVERAGESOFMEASUREMENTofmeanofastationarymeanofspecialstudy,QualityEngineering,autocorrelatedanmovingvarian
45、ce,andthemeanva-rianceofastationarytimeseriesbymean17GB/T17989.92022/ISO7870-9:2020DATAANDTHEIRAPPLICATIONSINDATATREATMENT,MEASUREMENT,(39)，864-875.21BROCKWELLP.J.,DAVISR.A.，(1991)TIMESSERIES：THEORYANDMETHODS(2NDED.).NEWYORK,NY：SPRINGER-VERLAG.22WINKELP，ZHANGN.F.,(2007)STATISTICALDEVELOPMENTOFQUALIT
46、YINMEDICINE.CHICHESTER,UK：JOHNWILEY&SONS,LTD.23LUCASJ.M.(1976)，THEDESIGNANDOFV-MASKCONTROLSCHEMES,JOUR-NALOFQUALITYTECHNOLOGY,8(1)，1-12.18中华人民共和国国家标准生产过程质量控制统计方法控制图第9部分：平稳过程控制图GB/T17989.92022/ISO7870-9:2020中 国 标 准 岀 版 社 出 版 发 行北京市朝阳区和平里西街甲2号（100029)北京市西城区三里河北街16号（100045)网址：WWW服务热线：400-168-00102022年3月 第 一 版书号：1550661-69688版 权 专 有 侵 权 必 究6B/T17989.9-2022OCSJOTOZOOZ;OSI/CVJsCVJl6.686ZLH/ao