هر فرایند، گرفتار نوسانات از دو نوع متفاوت است؛ نوسانات طبیعی و نوسانات غیرطبیعی. نوسانات طبیعی، ذاتی فرایند و اجتناب ناپذیر هستند. در مقابل، نوسانات غیرطبیعی، نشان دهنده یک عامل اختلال خارجی هستند که بایست هرچه سریعتر شناسایی و حذف شود. نوسانات غیرطبیعی در انواع مختلف بر روی نمودار کنترل بروز می کند. شناسایی نوع نوسان غیرطبیعی می تواند ما را به شناسایی مسأله موجود در فرایند هدایت کند. بنابراین، مسأله کشف و شناسایی نوسانات غیرطبیعی، به مقوله ای مهم در حوزه کنترل آماری فرایند تبدیل می شود. در مواجهه با این مسأله، روش های تحلیلی و غیرتحلیلی مختلفی ارائه شده است. روش-های تحلیلی، بر صریح بودن قضاوت تأکید داشته عمدتاً مبتنی بر رویکردهای آماری هستند. عمده پژوهش های تحلیلی، یا فاقد توان شناسایی نوع نوسان غیرطبیعی هستند و یا بر فرضیات بعضاً غیرکاربردی بنا شده اند. بعلاوه مسأله عدم کشف و شناسایی اشتباهی گریبانگیر اکثر این روش هاست. در مقابل روشهای غیرتحلیلی که مبتنی بر هوش مصنوعی (ai) و یادگیری هستند، به این مسأله در قالب مسأله تشخیص الگو نگاه می کنند. در این گروه روش ها، علاوه بر دشواری های مرحله آموزش و طراحی ساختار، بدلیل ماهیت جعبه سیاهی سیستم، جواب ضمنی ارائه می شود و امکان تفسیر صریح جواب خروجی فراهم نیست. در این پژوهش یک روش تحلیلی جدید مبتنی بر رویکرد تصمیم گیری بر روی حدس ها ارائه شد. مدل ارائه شده، با اقتباس قواعد آماری به تفسیر رفتار فرایند و شناسایی الگوهای نمودار کنترل می پردازد. رویکرد پیشنهادی، به دو صورت خالص و ادغام با شبکه عصبی، مورد بررسی قرار گرفت. برخلاف عمده مطالعات انجام شده در این حوزه، این پژوهش بر اساس رویکرد پنجره متحرک که کاربردی تر و برای حالت آنلاین مناسب تر می باشد، انجام گرفت. به منظور تدارک مثال های آموزشی شبکه، رویکردی جدید ارائه شد که قابلیت بهتری در شبیه-سازی شرایط آنلاین، فراهم می آورد. با استفاده از شبیه سازی، عملکرد روش پیشنهادی بر اساس مجموعه ای از شاخص ها، مورد ارزیابی قرار گرفت که نتایج بدست آمده، توجیه پذیری رویکرد پیشنهادی را نشان می دهد.

چکیده ندارد.