Statistisk prosesskontroll brukes til å overvåke og administrere prosessen som overvåkes. For komplekse systemer kan det være nødvendig å generere en modell for å bestemme hvordan SPC-diagrammet vil se gitt bestemte variable tilstander. Dette gjør det også mulig for ledelsen å beregne en gjennomsnittlig og forventet avvik for å opprette et SPC-kontrollskjema for spesifikke inputvariabler, i stedet for å la systemet gå, og opprette et nytt diagram hver gang prosessinngangene endres.
Oversikt over statistisk prosesskontroll
SPC samler inn en serie verdier på egenskaper (høyde, vekt, dimensjoner) som observeres. Disse verdiene er kartlagt. Prosessmiddelet er beregnet. Dette brukes som midtlinjen i SPC-diagrammet. Deretter beregnes standardavviket. En øvre og nedre kontrollgrense bestemmes og plasseres deretter på diagrammet. SPC-diagrammet overvåkes deretter. Eventuelle trender er registrert. Eventuelle trender som nærmer seg øvre eller nedre kontrollgrenser, vil resultere i korrigerende tiltak.
Tidsseriemodellering
Tidsseriemodellering måler en prosess ved bestemte tidsintervaller. En serie av trendlinjer eller kurver beregnes deretter for eksisterende tidsseriedata. Treningslinjen er en enkel algebraisk ligning. En tidsseriemodell kan da forutse hva denne trendlinjen vil være i fremtiden. En trendlinje kan være flat, trending opp eller trending ned.
Multivariate Modeling
Multivariate betyr mange variabler. En multivariativ modell har flere variabler, alle med sine egne tilhørende ligninger. Disse variablene kan inkludere tid, prosesshastighet, materialvariasjoner og annen prosessvariabel. En multivariate modell er opprettet basert på å ta hensyn til alle disse faktorene. En multivariativ modell for statistisk prosess kontroll diagram vil da bli opprettet ved å skrive inn forskjellige tider. Denne modellen kan da vise hvordan SPC-diagrammet skal se over tid for forskjellige variabelverdier.
Stokastiske modeller
Stokastiske prosesser er i hovedsak tilfeldige. Disse prosessene er modellert ved å gi en sannsynlighet for hvert mulig utfall. Modellen blir da opprettet ved å kjøre ligningen mange ganger for å generere et mest sannsynlig utfall og sannsynligheter for andre utfall. Stokastiske modeller kalles også Monte Carlo-simuleringer.
Artificial Neural Networks
Denne typen statistisk prosesskontrollmodell forkortes til ANNs. ANN er den mest komplekse formen for statistiske prosesskontrollmodeller. De simulerer prosesser med flere innganger som kan variere, mellomliggende trinn som kan variere og forskjellige resulterende utganger. ANN vil da gi de resulterende resultatene. Hvis prosessen har noen stokastiske prosesser sammen med variabler definert av lineære ligninger, kan ANN gi en rekke utfall. Hvis det kjøres mange ganger, vil dette gi den mest sannsynlige og dermed "betydelige" utfallet for et SPC-diagram for en så kompleks prosess.
