شناسایی و تجزیه‌وتحلیل الگوهای سیکلی و سیستماتیک در نمودارهای کنترل فرایند

افزایش سطح حساسیت کیفی فرایندها برای بررسی الگوهای معنی‌دار در نمودارهای کنترل فرایند الزامی است. مدل‌های متعددی به منظور تجزیه و تحلیل رفتارهای غیرطبیعی در نمودارها ارائه شده‌اند. اغلب این مدل‌ها نمی‌توانند وقوع فازهای مختلف شکل‌گیری الگوهای سیکلی و سیستماتیک را هشدار دهند. معدود مدل‌های توسعه‌دهنده‌ی مولدهای الگوهای تناوبی، شبکه‌های عصبی را به عنوان ابزار شناسایی به کار گرفته‌اند. معماری‌های دشوار، آموزش‌های وقت‌گیر و از همه مهم‌تر کاهش قابلیت اطمینان در شناسایی و برآورد هنگام بالا بودن حساسیت فرایندها نسبت به رخداد الگوهای غیرتصادفی، از مشکلات مدل‌های مبتنی بر شبکه‌ها بوده است. پژوهش جاری مدل جدیدی را برای تشخیص صحیح‌تر الگوهای تناوبی و تخمین دقیق‌تر پارامترهای متناظر آنها از طریق محاسبه‌ی منحنی کسینوسی برازش نمونه‌ها معرفی می‌کند. این مدل با مقایسه‌ی کلیه‌ی آلترناتیوهای تناوبی، بهترین منحنی کسینوسی برازش نمونه‌ها را تعیین و تصمیم‌گیری می‌کند. الگوریتم پیشنهادی خطای طبقه‌بندی نادرست الگوهای تناوبی و نیز متوسط خطای تخمین پارامترهای متناظرشان را در فازهای مختلف شکل‌گیری کاهش داده است.