The results of different performanc

The results of different performance measures advocate the following:
In the aymmertic class of distribution like normal,logistic, and t distribution,the proposed Tukey-CUSUM chart offers better preformance as compared to TCC for smaller shifts, while for larger shifts TCC gets superior in general. It is evidenced by different measures such as ARL MDRL EQL and other performance measure
The supporting results provided in tables I-V and Figure2 may be seen inthe form of different individual and overall performance measures
The ACL structuer of the proposed Tukey-CUSUM is more effective espective especially for skwed distributions. Table I-V and fiiguer 1 may be seen in favor of these findings in the form of different measures such as . We see Tukey-CUSUM offers poor ARL other hand, for positive shifts Tukey-CUSUM offers better ARL performance
In asymmetric class of distribution, Tukey-CUSUM offer depending upon the amount of Skewness, as may be seen in Figuer2 and table I-V using different RL based measures
TCC and Tukey-CUSUM offer relatively better ARL performance for negative shifts. At positive shift CUSUM and Tukey-CUSUM compete quite closely. TCC has relatively better ARL1 performance at negative shift while Tukey-CUSUM is dominating at positive shift. It may be observed in tableI-V and figure2

Sample selection criteria
In practical applications, sample selection is of greater concern in process monitoring. We may have less number of observations or a huge set of data. An appropriate sample size may be the one such that the underlying process behavior is identifiend. According to Quesenberry, 300 sample are sufficient for the construction of control limits. They developed the correction terms for the accurate control limits. Albers and Kallenberg also indicated 300 sample that mat be reduced to 40 samples uder corrective actions. Lee applied the asymmetrical control limits using 100 observation to the in control process. For our study proposal we have followed the same inspirations to select such samples so that an efficient performance of proposed design is achieved. We have selectsd different sample of size n for Phase-l estimation and ARL performance of the proposed design is evaluated at pre-specified. The results are reported in table VI. From these results, it is observed that our proposed design requires approximately 100to200 observation to reasonably match the expected outcomes. The larger the ARL0 value, the more observations we need to have smaller duscrepancy from the expected outcomes and ti achieve an efficient performance by the proposed scheme
The specific steps for Phase1 and Phase 2
step1 : select Phase-1 data set, fit an appropriate distribution, and estimate its parameter from the data set
Step2: construct Phase-1 chart using the limits LCL where mu and sigma refer to mean and standard deviation estimated from the data set. These estimatirs may be some efficient and robust estimators like Q2 and IQR.
Step3: screen the unusual samples points by plotting theme against the estimated control limits and discarding any data points falling outside the limits. repeat all these setps until all points show stability
Step4: after screening, obtain the final parameter estimate Q1 and using the clean data set.
Using the final estimaties, construct Phase-2 Tukey-CUSUM chart in the form of Cpi ,Cni and also the decision interval of the chart.
Periodically collect the new data set and use the Phase-2 Tukey-CUSUM chart for online monitoring of process parameter

ผลลัพธ์ (ไทย) 1:

ผลของการวัดแตกต่างกันสนับสนุนต่อไปนี้: ใน aymmertic ระดับของการกระจายเช่นปกติ โลจิสติก และ t แจก แผนภูมิ Tukey CUSUM เสนอมี preformance ดีกว่าเมื่อเทียบกับ TCC สำหรับกะขนาดเล็ก ในขณะที่สำหรับใหญ่กะ TCC ได้รับเหนือกว่าทั่วไป มันเป็นหลักฐาน โดยมาตรการต่าง ๆ เช่น ARL MDRL EQL และวัดประสิทธิภาพการทำงานอื่น ๆ ผลสนับสนุนให้ในตารางผม-V และ Figure2 อาจเห็นได้ในรูปแบบของการวัดประสิทธิภาพโดยรวม และแต่ละที่แตกต่างกันStructuer ACL ของเสนอ Tukey CUSUM เป็น espective มีประสิทธิภาพมากขึ้นโดยเฉพาะอย่างยิ่งสำหรับการกระจาย skwed ตารางฉัน-V และ fiiguer 1 อาจเห็นสามารถค้นพบเหล่านี้ในรูปแบบของมาตรการต่าง ๆ เช่นการ เราเห็น Tukey CUSUM มี ARL ไม่ดีอีก การบวกกะ Tukey CUSUM มีประสิทธิภาพ ARL ในคลาส asymmetric กระจาย Tukey CUSUM มีขึ้นอยู่กับจำนวนของความเบ้ เป็นอาจดูได้ใน Figuer2 และตารางฉัน-V ใช้ RL ที่แตกต่างกันตามมาตรการ ไทยคันทรีคลับและ Tukey CUSUM มีประสิทธิภาพที่ค่อนข้างดี ARL สำหรับกะลบ ที่บวกกะ CUSUM และ Tukey CUSUM แข่งขันค่อนข้างใกล้ชิด TCC มีประสิทธิภาพ ARL1 ค่อนข้างดีที่ลบกะขณะ Tukey CUSUM จะมีอำนาจเหนือที่บวกกะ อาจสังเกต tableI V และ figure2 เกณฑ์การเลือกตัวอย่างในการประยุกต์ใช้งานจริง การเลือกตัวอย่างคือความกังวลมากขึ้นในกระบวนการตรวจสอบ เราอาจสังเกตจำนวนน้อยหรือชุดของข้อมูลขนาดใหญ่ มีขนาดตัวอย่างที่เหมาะสมอาจจะเป็นหนึ่งที่ลักษณะการทำงานกระบวนการต้นแบบเป็น identifiend ตาม Quesenberry, 300 ตัวอย่างมีเพียงพอสำหรับการก่อสร้างของขีดจำกัดควบคุม พวกเขาพัฒนาแก้ไขเงื่อนไขสำหรับการจำกัดควบคุมที่ถูกต้อง Albers และ Kallenberg ยังระบุ 300 ชิ้นงานตัวอย่างพรมที่จะลดลงเป็น uder ตัวอย่าง 40 การดำเนินการแก้ไข ลีใช้ขีดจำกัดควบคุม asymmetrical ใช้สังเกต 100 การควบคุมในกระบวนการ สำหรับข้อเสนอของเราศึกษา เรามีตามโลดแล่นเหมือนกับการเลือกตัวอย่างดังกล่าวเพื่อให้บรรลุประสิทธิภาพการนำเสนอการออกแบบ เรามี selectsd อย่างแตกต่างกันของขนาด n สำหรับการประเมินระยะ l และ ARL ประสิทธิภาพของการออกแบบที่นำเสนอเป็นประเมินที่ระบุไว้ล่วงหน้า มีรายงานผลลัพธ์ในตาราง VI จากผลลัพธ์เหล่านี้ มันจะสังเกตว่า การออกแบบการนำเสนอของเราต้องการประมาณ 100to200 สังเกตให้สมเหตุสมผลตรงกับผลลัพธ์ที่คาดไว้ ใหญ่มาก ARL0 ค่า สังเกตเพิ่มเติมที่เราจำเป็นต้องมี duscrepancy เล็กจากผลลัพธ์ที่คาดไว้และตี้ให้มีประสิทธิภาพตามแผนงานที่เสนอ ขั้นตอนที่กำหนดของ Phase1 และเฟส 2 ขั้นที่ 1: เลือกชุดข้อมูลระยะที่ 1 การกระจายที่เหมาะสมพอดี และพารามิเตอร์จากชุดข้อมูลของประเมิน Step2: สร้างระยะที่ 1 แผนภูมิโดยใช้วงเงินโดยมิที่หมู่และซิกมาหมายถึงหมายถึงและส่วนเบี่ยงเบนมาตรฐานโดยประมาณจากชุดข้อมูล Estimatirs นี้อาจ estimators บางแข็งแกร่ง และมีประสิทธิภาพเช่นไตรมาสที่ 2 และ IQR ขั้นตอนที่ 3: หน้าจอตัวอย่างผิดปกติจุดพล็อตธีมกับขีดจำกัดควบคุมประเมิน และละทิ้งจุดข้อมูลใดตกอยู่นอกขีดจำกัด ทำซ้ำ setps เหล่านี้จนกระทั่งจุดที่แสดงความมั่นคง Step4: หลังจากคัดกรอง รับประเมินพารามิเตอร์สุดท้ายไตรมาสที่ 1 และชุดข้อมูลสะอาดใช้ ใช้ estimaties สุดท้าย สร้างเฟส 2 Tukey CUSUM แผนภูมิในรูปแบบของ Cpi, Cni และช่วงการตัดสินใจของแผนภูมิ รวบรวมชุดข้อมูลใหม่เป็นระยะ ๆ และใช้เฟส 2 Tukey CUSUM แผนภูมิสำหรับการตรวจสอบออนไลน์ของพารามิเตอร์กระบวนการ

ผลลัพธ์ (ไทย) 3:

ผลการวัดผลการปฏิบัติงานที่แตกต่างกันสนับสนุนต่อไปนี้ :
ในชั้นเรียน aymmertic กระจายเหมือนปกติ , โลจิสติกและการเสนอข้อเสนอที่ดีกว่าคู่ cusum แผนภูมิการปฏิบัติงาน เปรียบเทียบกับ ทีซีซี ทำงาน มีขนาดเล็กลง ในขณะที่ขนาดกะ TCC ได้รับที่เหนือกว่าทั่วไป มันเป็นหลักฐานโดยมาตรการต่าง ๆเช่น อาร์ล mdrl eql และวัดสมรรถนะอื่นๆ
สนับสนุนให้ และภาพที่ 2 ผลตารางไฟฟ้าอาจจะเห็นได้ในรูปของบุคคลและการวัดผลการปฏิบัติงานโดยรวมแตกต่างกัน
Structuer ACL ของเสนอเป็นราย cusum มีประสิทธิภาพ espective โดยเฉพาะอย่างยิ่งสำหรับ skwed การแจกแจง . ตารางไฟฟ้า fiiguer 1 และอาจจะเห็นในความโปรดปรานของการค้นพบเหล่านี้ในรูปแบบของมาตรการต่าง ๆเช่นเราเห็นมีคู่ cusum ARL จนมืออื่น ๆ , บวกกะคู่ cusum เสนอดีกว่า
ในชั้นเรียนอสมมาตรของ ARL ประสิทธิภาพการวิจย cusum เสนอขึ้นอยู่กับปริมาณความเบ้ ที่อาจจะเห็นใน figuer2 ไฟฟ้าที่แตกต่างกันโดยใช้ตารางและ RL ตามมาตรการ
ทีซีซี แล้วทดสอบ cusum เสนอค่อนข้างดีกว่า ARL สมรรถนะกะลบที่ cusum กะบวกและคู่ cusum แข่งขันค่อนข้างใกล้ชิด TCC ได้ค่อนข้างดีกว่า arl1 ประสิทธิภาพลบในขณะที่คู่กะ cusum เป็น dominating ที่เปลี่ยนเป็นบวก มันอาจจะพบใน tablei-v และภาพที่ 2


ตัวอย่างเกณฑ์ในการปฏิบัติงาน การเลือกตัวอย่างเป็นกังวลมากขึ้นในการตรวจสอบกระบวนการ เราอาจจะมีจำนวนน้อยกว่า สังเกตหรือชุดขนาดใหญ่ของข้อมูลขนาดตัวอย่างที่เหมาะสมอาจเป็นเช่นที่ พื้นฐาน กระบวนการ พฤติกรรม identifiend . ตาม quesenberry 300 ตัวอย่างที่เพียงพอสำหรับการ จำกัด การควบคุม พวกเขาพัฒนาแก้ไขเงื่อนไขในการควบคุมแม่นยำจำกัด และยังพบ kallenberg Albers 300 ตัวอย่างที่เสื่อจะลดลงถึง 40 ตัวอย่าง 2534 การดำเนินการแก้ไขลี ใช้ควบคุมสมดุล จำกัด ใช้ 100 สังเกตในกระบวนการควบคุม สำหรับข้อเสนอของการศึกษาเราต้องทำตามแรงบันดาลใจเดียวกันเพื่อเลือกตัวอย่างเช่นเพื่อให้ประสิทธิภาพของการออกแบบที่นำเสนอได้ เรามีตัวอย่างต่างๆของ selectsd n ขนาดประมาณ phase-l ARL และประสิทธิภาพของการออกแบบที่นำเสนอคือการประเมินก่อนที่ระบุผลจะมีการรายงานในตารางที่ 6 ผลการวิจัยพบว่า การนำเสนอการออกแบบของเรา ต้องคอยสังเกตประมาณ 100to200 พอสมควรตรงกับผลที่คาดหวัง . ขนาดใหญ่มูลค่า arl0 ยิ่งสังเกตเราต้อง duscrepancy ขนาดเล็กจากผลที่คาดหวังและตีให้เกิดประสิทธิภาพ โดยเสนอโครงการ
ขั้นตอนที่เฉพาะเจาะจงสำหรับ phase1 และเฟส 2
Step1 : เลือกชุดข้อมูล phase-1 พอดีการกระจายที่เหมาะสม และประมาณค่าจากข้อมูลชุด
Step 2 : สร้างแผนภูมิ phase-1 ใช้ขอบเขต LCL ที่หมู่และ Sigma ดูค่าเฉลี่ย และส่วนเบี่ยงเบนมาตรฐานคำนวณได้จากข้อมูลการตั้งค่า estimatirs เหล่านี้อาจจะมีบางอย่างมีประสิทธิภาพ และมีประสิทธิภาพประมาณเหมือนไตรมาส 2 และ iqr .
ที่ :หน้าจอปกติจุดตัวอย่าง โดยวางแผนรูปแบบกับการควบคุมและจำกัดการประมาณจุดข้อมูลใด ๆ สายนอกเขต ย้ำ setps เหล่านี้จนกว่าทุกจุดแสดง step4 เสถียรภาพ
: หลังจากที่คัดกรองให้ได้สุดท้าย Q1 และประมาณค่าโดยใช้ข้อมูลความสะอาดชุด
ใช้ estimaties สุดท้ายเป็นราย phase-2 cusum สร้างแผนภูมิในรูปแบบของ CPI ,cni และยังการตัดสินใจช่วงเวลาแผนภูมิ .
เป็นระยะเก็บใหม่ชุดข้อมูลและใช้ phase-2 เป็นราย cusum แผนภูมิออนไลน์ตรวจสอบพารามิเตอร์ของกระบวนการ