Investigating the performance of the Phase II Hotelling T2 chart when monitoring multivariate time series observations
本文提出直接对多元自相关和互相关观测应用Hotelling T2控制图，基于VAR(p)模型，通过平均运行长度和首次报警指标证明其优于残差控制图，并用两个工业实例验证。
2025-01-20 stat.AP stat.ME
Exponentially weighted moving average chart using zero-inflated negative binomial distribution
针对含大量零值的过度离散计数数据，本研究提出用ZINB模型适配数据，设计Shewhart和EWMA控制图开展监测，经模拟与真实数据验证，EWMA控制图性能更优。
2025-09-03 stat.AP stat.ME
An Adaptive Multivariate Functional Control Chart
针对轮廓监测方法检测能力依赖参数选择且未考虑失控状态信息的问题，提出自适应多元函数控制图（AMFCC）框架，结合不同参数组合下Hotelling T²型统计量的p值，提升监测性能并应用于汽车点焊过程，已在R包funcharts中实现。
2025-04-13 stat.AP stat.ME
A Non-Parametric Control Chart For High Frequency Multivariate Data
SAS（赛仕软件）
支持向量数据描述（SVDD）是一种用于单类分类和离群点检测的机器学习技术。基于SVDD的K图是由Sun和Tsung首先提出的，用于当过程参数或质量特性的潜在分布偏离正态分布时监控多变量过程。该方法首先根据从过程的稳定或受控操作中获得的数据训练SVDD模型，以获得阈值$R^2$和内核中心a。对于每个新观测，计算其与核中心a的核距离。将核距离与阈值$R^2$进行比较，以确定观测值是否在控制限内。非参数K图提供了一个有吸引力的替代传统的控制图，如霍特林的$T^2$图时，潜在的多元数据的分布是非正态分布或未知的。但是K图在实际应用中存在着一些问题。K图要求计算每个新观测值的核距离，但没有关于如何解释核距离图和推断过程均值变化或过程变异变化的指导方针。这限制了K图在大数据应用中的应用，例如设备健康监测，其中观察结果以非常高的频率生成。在这种情况下，使用K图的分析师被非常高频率的核距离结果淹没，通常没有任何追索权来检测任何可分配的变异原因的存在。我们提出了一种新的基于SVDD的控制图，称为$K_T$图，它解决了使用K图时遇到的挑战，大数据应用。$K_T$图表可用于同时跟踪过程变化和集中趋势。以田纳西伊士曼过程数据为例说明了$K_T$图的成功应用。
2016-07-29 cs.LG stat.AP stat.ME
The Case against Generally Weighted Moving Average (GWMA) Control Charts
我们反对使用一般加权移动平均（GWMA）控制图。我们的主要原因如下：1）GWMA控制图统计量没有递归公式，因此必须存储所有以前的数据并用于每个图表统计量的计算。2)马尔可夫性质不适用于GWMA统计量，因此必须使用计算机模拟来确定控制限和统计性能。3)一个适当设计的，更简单的指数加权移动平均（EWMA）图表提供了良好或更好的统计性能。4)在某些情况下，GWMA图表给予过去数据值比当前值更多的权重。
2021-07-01 stat.ME
Stein EWMA Control Charts for Count Processes
针对受控时服从 Poisson 或（负）二项分布的独立或自相关计数过程，提出利用 Stein 恒等式构建可检测零膨胀及离散异常的 Stein EWMA 控制图，并经模拟和健康监控实例验证有效。
2024-01-22 stat.ME
Bayesian EWMA and CUSUM Control Charts Under Different Loss Functions
指数加权移动平均（EWMA）和累积和（Cumulative Sum）控制图已被用于剖面监控，以跟踪在监控过程中发生的漂移。我们使用不同的损失函数、先验分布和似然分布，根据后验和后验预测分布构建贝叶斯EWMA和贝叶斯CUSUM图表。进行模拟研究，并通过平均运行长度（ARL）、运行长度的标准差（SDRL）、平均信号时间（ATS）和信号时间的标准差（SDTS）评价图表的性能。敏感性分析使用平滑参数、失控偏移大小和分布的超参数的选择进行。根据所得结果，我们提供了使用贝叶斯EWMA和贝叶斯EWMA控制图的建议。
2020-07-20 stat.ME
Optimal Design and Analysis of the Exponentially Weighted Moving Average Chart for Exponential Data
本文研究了指数加权移动平均图（EWMA）的优化设计问题，即如何通过选择平滑因子和决策统计量的初始值（起始点）来实现EWMA图的优化设计。特别解决的问题是，最快的检测的离散时间指数模型的参数的突然变化。假设变更前和变更后的参数值都是已知的，但变更点是未知的。对于这种变点检测的情况下，我们研究了传统的单侧EWMA图的性能相对于两个最优性标准：波拉克的极大极小标准与最大条件的预期延迟检测和Shiryaev的多循环设置与固定的预期延迟检测。使用积分方程的方法，我们推导出所有所需的性能指标的精确的封闭形式的公式。在此基础上，通过求解相应的两个二元约束优化问题，得到了最优的平滑因子和最优的起始点。最后，优化的EWMA图的性能进行了比较，对Shiryaev-Roberts- $r$程序在极小极大设置，并对原来的Shiryaev-Roberts程序在多循环设置。主要结论是，EWMA图，当充分优化，原来是一个非常有竞争力的程序，与性能几乎没有区别的已知的最好的Shiryaev-罗伯茨- $r$和Shiryaev-罗伯茨程序。
2014-11-06 stat.AP stat.CO stat.ME
Statistical Monitoring of the Covariance Matrix in Multivariate Processes: A Literature Review
在现代制造业和服务业中，监控过程的几个相关质量特性是常见的。尽管人们对监控多变量过程均值给予了很多关注，但可用于监控协方差阵的控制图并不多。本文对多元统计过程监控（MSPM）框架中监控协方差阵的控制图的文献进行了全面的综述。它对以前出现在文献中的研究进行了分类。我们强调了具有挑战性的研究领域，并为未来的研究提供了一些方向。
2021-04-15 math.ST stat.AP stat.ME
A Change-Point Based Control Chart for Detecting Sparse Changes in High-Dimensional Heteroscedastic Data
由于高维过程的维数灾难性，传统的多变量统计过程监控（SPM）技术提出了挑战。此外，未知的潜在分布和变量之间的复杂相关性，如异方差，增加了估计参数的不确定性，降低了控制图的有效性。此外，对足够参考样本的要求限制了传统图表在高维低样本量场景（小n，大p）中的应用。在检测和诊断由一小组变量引起的异常行为时出现了更多的困难，即，稀疏的变化。在这篇文章中，我们提出了一个基于变点的控制图来检测高维异方差过程的均值向量的稀疏移位。我们提出的方法可以在观测值的数量比维数小得多时开始监测。仿真结果表明了该方法对非正态性和异方差的鲁棒性。一个实际数据的例子被用来说明所提出的控制图在高维应用的有效性。在线提供补充材料和代码。
2021-01-23 stat.ME
Control Charts for Poisson Counts based on the Stein-Chen Identity
针对泊松计数数据在分布族变化或泊松假设不成立时普通EWMA控制图性能下降的问题，本文基于Stein-Chen恒等式提出两类广义EWMA控制图，其中ABC-EWMA控制图在模拟中展现出优越的ARL性能，并在半导体制造计数数据中验证了其实用性。
2023-05-30 stat.ME
Controlling the EWMA $S^2$ control chart false alarm behavior when the in-control variance level must be estimated
在参数不确定的情况下，研究控制限的设置问题在监控方差时更容易，因为只有一个参数需要估计。简单地忽略诱导的不确定性往往会导致控制图的虚警性能差。调整无条件受控（IC）平均游程长度（ARL）会使情况变得更糟。保证最小条件IC ARL与一些给定的概率是另一个非常流行的方法来解决这些困难。然而，它是非常保守的，也更复杂，更难以沟通。我们利用在控制图上绘制的计划点数内的虚警概率。事实证明，与控制无条件IC ARL相比，调整此概率产生显著不同的限制调整。然后，我们开发数值算法，以确定相应的修改的上限和双侧指数加权移动平均（EWMA）图表的基础上，正态分布数据的样本方差。这些算法在R包中可用。最后，研究了EWMA平滑常数和初始样本大小对控制图设计及其性能的影响。
2021-01-11 stat.ME
A Critique of a Variety of "Memory-Based'' Process Monitoring Methods
许多扩展和修改已经作出了标准的过程监控方法，如指数加权移动平均（EWMA）图和累积和（EWMA）图。此外，还提出了基于对过去数据的其他加权的新办法，通常是更加重视过去数据，而较少重视当前和最近的数据。在其他情况下，一种过程监控方法（如EWMA统计量）的输出用作另一种方法（如EWMA图）的输入。通常，控制图统计量的递归公式本身递归地用于形成新的控制图统计量。我们认为使用这些临时方法是不合理的。证明使用这些方法的统计性能比较要么是有缺陷的，只专注于零状态运行长度指标，或通过比较不必要的弱竞争对手。
2021-10-20 stat.ME
On Monitoring High-Dimensional Processes with Individual Observations
现代的数据采集方法和计算工具使得监测高维过程成为可能。在这篇文章中，第二阶段的高维过程的监测调查时，在第一阶段收集的样本的数量是有限的变量的数量相比。本文提出了一种基于协方差阵对角元素的高维多变量过程的新的图表统计量，并提出了采用自启动控制图对阶段I和阶段II进行统一的方法。为了弥补离群值的影响，我们在第一阶段采用了稳健的参数估计方法，并引入了适当的相合估计量。所提出的方法的统计性能进行了评估，在第二阶段通过平均运行长度（ARL）标准的存在和不存在离群值，并揭示了所提出的控制图计划有效地检测各种变化的过程中的意思。最后，我们通过一个真实的例子说明了我们所提出的方法的适用性。
2023-01-23 stat.ME
Derivations for the Cumulative Standardized Binomial EWMA (CSB-EWMA) Control Chart
Kennesaw State University（肯尼索州立大学）
本文提出了一种基于精确时间变化方差计算的CSB-EWMA控制图，用于多流过程中二项比例监控，克服了早期阶段监控中渐近近似限制。
2026-01-15 stat.AP stat.ME
Monitoring of process and risk-adjusted medical outcomes using a multi-stage MEWMA chart
医疗保健中的大多数统计过程控制程序都侧重于监测程序最后阶段的结果，例如死亡率或失败率。这种方法忽略了这些程序的多阶段性质，其中患者在最后阶段之前经历几个阶段。在本文中，我们开发了一个多阶段控制图的基础上，多元指数加权移动平均（EWMA）检验统计量得分方程推导。这允许同时监测医疗保健过程的所有中间和最终阶段的结果，并对潜在的患者风险因素和结果变量之间的依赖性进行调整。使用EWMA检验统计量可以快速检测过程中任何部分的微小渐变。该方法的三个优点是：更好地了解不同阶段的结果如何相互关联，明确监测上游阶段的结果可能有助于遏制导致最终阶段结果较差的趋势，了解每个阶段的影响有助于确定质量改进资源的最有效分配。进行模拟，以测试各种类型的假设的变化下的控制图，并使用失控的平均运行长度的结果进行了总结。
2020-06-26 stat.ME stat.OT
Online network monitoring
本文提出一种结合网络建模与统计过程控制的在线网络监控方法，应用基于指数平滑和累积和的多变量控制图监控TERGM网络，有效克服维数灾难并降低监控参数，实证证明能准确检测美国每日航班的异常模式。
2021-05-14 stat.ME
Bootstrapped Control Limits for Score-Based Concept Drift Control Charts
Northwestern University（西北大学）
本文提出一种改进的基于得分的控制图方法，通过引入嵌套Bootstrap技术提高控制限的准确性，减少对大量保留集的依赖，提升计算效率。
2026-03-21 stat.ME stat.ML
