张 媛，陈 震，潘尔顺，奚立峰

(上海交通大学 机械与动力工程学院，上海 200240)

0 引言

统计过程控制(Statistical Process Control, SPC)是广泛应用于现代质量管理的控制方法，休哈特控制图是其中常用的工具。传统的SPC理论基于一个基本假设：过程的观测数据相互独立。然而在现代化的制造环境下，过程数据往往具有一定的自相关性，如果仍运用常规控制图进行过程监控，则会造成大量的虚发警报，对质量管理工作产生误导[1]。

自20世纪70年代，许多学者展开了对自相关过程进行有效统计控制的研究。文献[2]使用过程原始观测值构建控制图，通过调整控制限使数据间的自相关性消失。Alwan等[3]率先提出的残差控制图，通过对自相关数据拟合自回归移动平均模型(Auto-Regressive and Moving Average models, ARMA)，得到观测值与拟合值的残差序列，由时间序列理论可知，残差序列是独立同分布的，因此能够运用常规控制图进行分析监控，这也是该领域的主流研究方向。Lu等[4]对比分析了Shewhart、CUSUM控制图对一阶自相关过程数据的残差序列具有不同的检测效果;Dawod等[5]研究了基于鲁棒性和高效率的ARMA选型问题。此外，也有学者提出，结合使用SPC和工业过程控制(Engineering Process Control, EPC)，能更有效地提高过程质量并降低成本[6]。近些年，在自相关控制图的研究中加入贝叶斯理论和神经网络等技术成为一种趋势[7-8]。何桢等[9]以神经网络特有的模式识别技术监控自相关过程中的均值突变;Pan等[10]研究了用向量自回归模型拟合多元自相关过程;崔敬巍等[11]提出以贝叶斯动态模型为基础的自相关控制图，具有建模迅速的优势。……