一阶自回归泊松过程下的质量控制与控制图改进

本文主要探讨了一种名为Poisson INAR(1)过程的质量控制问题，该过程针对的是实际生产环境中常见的过程数据关联性问题。在许多情况下，生产过程中的数据并不满足独立性假设，这可能导致传统的控制图失效，导致过多的假警报。Poisson INAR(1)模型是一种结合了一阶自回归模型和泊松计数过程的统计模型，它考虑了数据的动态性和随机性。 作者们采用取整法对一阶自回归泊松模型进行改进，通过修正原有模型，使得控制图的设计能更好地适应这种具有相关性的过程。具体来说，他们重新构建了c控制图和残差控制图的控制限，这些控制限的设计旨在减少假警报的发生，提高监控过程的有效性。研究结果显示，这两种控制图并非普遍适用，而是需要根据特定的条件来使用，这意味着它们为处理复杂过程中的质量控制提供了一种更为精准的方法。 文章的重点在于性能评价和控制限的优化，其中泊松分布和INAR(1)过程的特性被用于估计和监控过程的稳定性。平均链长作为一个关键参数，在这个模型中扮演着重要角色，因为它反映了过程数据序列的依赖程度。此外，文章还提供了中图分类号、文献标志码和文章编号等信息，以便读者在学术检索时定位到这篇研究。 总结来说，本文的贡献在于提出了一种针对Poisson INAR(1)过程的质量控制方法，为处理具有相关性的统计过程提供了新的控制工具，并强调了在实际生产环境中的应用价值。这对于提升产品质量控制的精度和效率具有重要意义，有助于减少误判，确保生产过程的稳定性和效率。