📊 statistics

Monitoring Multivariate Categorical Processes in Phase II: An Economic–Statistical Design of the GLT Control Chart

यह अध्ययन आवश्यक सांख्यिकीय प्रदर्शन को बनाए रखते हुए अपेक्षित कुल लागत को कम करने के लिए एक EWMA-GLT नियंत्रण चार्ट के डिज़ाइन को अनुकूलित करके, फेज़ II में बहुभिन्नरूपी श्रेणीबद्ध प्रक्रियाओं की निगरानी के लिए एक एकीकृत आर्थिक-सांख्यिकीय ढांचे का प्रस्ताव करता है।

मूल लेखक: Kiana Atoofi¹, Reza Kamranrad

प्रकाशित 2026-07-14

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kiana Atoofi¹, Reza Kamranrad

मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक विशाल, उच्च-तकनीकी फैक्ट्री शिप के कप्तान हैं। आपका काम केवल यह सुनिश्चित करना नहीं है कि इंजन चल रहा है; आपको एक हजार अलग-अलग छोटे डायल, स्विच और रंग-कोडित लाइटों पर नज़र रखनी है जो एक-दूसरे से बात करते हैं। कभी-कभी, एक लाइट लाल रंग में टिमटिमाती है क्योंकि इंजन खराब नहीं हुआ है, बल्कि इसलिए क्योंकि दो विशिष्ट स्विच तालमेल से बाहर हो गए हैं। यह मल्टीवेरिएट कैटेगोरिकल प्रोसेस (multivariate categorical processes) की दुनिया है: एक फैंसी तरीका यह कहने का कि "एक साथ कई अलग-अलग गुणवत्ता श्रेणियों की निगरानी करना।"

लंबे समय से, फैक्ट्री मैनेजर कंट्रोल चार्ट का उपयोग एक सुरक्षा कैमरे की तरह करते आए हैं। यदि कोई लाइट लाल हो जाती है, तो वे उसकी जाँच करते हैं। लेकिन इनमें से अधिकांश कैमरे सरल, निरंतर चीजों (जैसे सूप के बर्तन का तापमान) के लिए डिज़ाइन किए गए थे, न कि जटिल पैटर्न जैसे "हाँ/नहीं," "लाल/नीला/हरा," या "दोष/कोई दोष नहीं" के लिए।

समस्या: "बहुत महंगा" बनाम "बहुत अंधा" दुविधा

इस शोध पत्र के लेखकों ने इस बात पर ध्यान दिया कि इन फैक्ट्रियों की निगरानी में एक अजीब सा अंतर है।

सांख्यिकीविद् (Statisticians): वे सुपर-सेंसिटिव कैमरे बनाते हैं जो सूक्ष्म से सूक्ष्म हलचल को भी पकड़ लेते हैं। लेकिन वे अक्सर लागत को अनदेखा कर देते हैं। यह एक सुरक्षा गार्ड को काम पर रखने जैसा है जो हर एक सेकंड में सामने के दरवाजे के ताले की जाँच करता है। यह सुरक्षित तो है, लेकिन आप बिना किसी कारण के वेतन में बहुत अधिक पैसा खर्च कर रहे हैं।
अर्थशास्त्री (Economists): वे कम बार जाँच करके या सस्ते गार्डों का उपयोग करके पैसा बचाने की कोशिश करते हैं। लेकिन इससे वास्तविक समस्या बिना किसी सूचना के तब तक निकल सकती है जब तक कि बहुत देर न हो जाए।

लेखक तर्क देते हैं कि आप केवल एक पक्ष नहीं चुन सकते। आपको खराब चीजों को पकड़ने और पैसे बर्बाद न करने के बीच संतुलन बनाने वाले सिस्टम की आवश्यकता है।

नया समाधान: "स्मार्ट मेमोरी" वाला जासूस

लेखकों ने EWMA–GLT कंट्रोल चार्ट नामक एक नया उपकरण प्रस्तावित किया है। आइए इसे एक सरल उपमा का उपयोग करके समझते हैं।

कल्पना कीजिए कि आप भीड़ भरे कमरे में एक चालाक चोर को पकड़ने की कोशिश कर रहे हैं।

GLT (जनरलाइज्ड लीनियर टेस्ट): यह एक ऐसे जासूस की तरह है जो भीड़ के पैटर्न को देखता है। केवल एक व्यक्ति को देखने के बजाय, वे देखते हैं कि सभी लोग एक साथ कैसे खड़े हैं। यदि समूह अचानक एक अजीब तरीके से बदल जाता है (जैसे कि अगर सब सामान्य रूप से दाईं ओर झुकते हैं, तो अचानक बाईं ओर झुकने लगें), तो GLT उस "संरचनात्मक परिवर्तन" (structural change) को पहचान लेता है। यह चीजों के आपस में जुड़े होने के बड़े चित्र को देखने में माहिर है।
EWMA (एक्सपोनेंशियलली वेटेड मूविंग एवरेज): यहाँ पेचीदा हिस्सा है। कभी-कभी चोर अचानक कोई बड़ी हरकत नहीं करता; वह बस धीरे-धीरे गलत दिशा में चलना शुरू कर देता है। एक मानक जासूस इसे मिस कर सकता है। EWMA एक सुपर-मेमोरी वाले जासूस की तरह है। केवल अभी क्या हुआ उस पर ध्यान देने के बजाय, वे याद रखते हैं कि एक क्षण पहले क्या हुआ था, और उससे पहले वाला क्षण क्या था। वे अतीत को थोड़ा महत्व देते हैं और वर्तमान को अधिक महत्व देते हैं। यह उन्हें उन धीमी, चालाक बदलावों को पकड़ने में अविश्वसनीय रूप से सक्षम बनाता है जिन्हें अन्य चार्ट मिस कर देते हैं।

इन दोनों को मिलाकर, लेखकों ने एक ऐसा सिस्टम बनाया है जो विभिन्न गुणवत्ता जाँचों के बीच जटिल संबंधों को समझता है और धीमी गति से होने वाले बदलावों को पकड़ने के लिए हाल के अतीत को याद रखता है।

यह शोध पत्र क्या कहता है (और क्या नहीं कहता)

लेखकों ने केवल अनुमान नहीं लगाया कि यह काम करेगा; उन्होंने इसे परीक्षण करने के लिए हजारों कंप्यूटर सिमुलेशन (आभासी प्रयोग) चलाए। उन्होंने यह दावा नहीं किया कि यह ब्रह्मांड की हर फैक्ट्री के लिए एक जादुई इलाज है, लेकिन उन्होंने यह जरूर दिखाया कि उनके सिम्युलेटेड संसार में, यह नया तरीका पुराने तरीकों की तुलना में बेहतर काम करता है।

उन्होंने किसे खारिज किया:
उन्होंने स्पष्ट रूप से उन डिजाइनों के खिलाफ तर्क दिया जो केवल सांख्यिकी (लागत को अनदेखा करते हुए) या केवल लागत (प्रदर्शन को अनदेखा करते हुए) को देखते हैं। उनके सिमुलेशन ने दिखाया कि "केवल सांख्यिकीय" डिजाइन बहुत महंगे थे, जबकि "केवल लागत-आधारित" डिजाइन बहुत जोखिम भरे थे और बहुत अधिक गलत अलार्म (false alarms) ट्रिगर करते थे।

वे कितने आश्वस्त हैं?
परिणाम सिमुलेशन पर आधारित हैं, अभी तक वास्तविक फैक्ट्री फ्लोर पर नहीं। पेपर कहता है कि यह तरीका इन परीक्षणों में बेहतर परिणाम "प्रदर्शित" (demonstrates) और "प्रदान" (provides) करता है। यह गणित पर आधारित एक मजबूत सुझाव है, लेकिन यह अभी तक हर वास्तविक जीवन की स्थिति के लिए सिद्ध तथ्य नहीं है।

जीतने वाला फॉर्मूला

अपने सिमुलेशन चलाने के बाद, लेखकों ने इस सिस्टम को चलाने के लिए एक "स्वीट स्पॉट" (उपयुक्त बिंदु) पाया। उन्होंने नमूना समूहों के विभिन्न आकार और कितनी बार जाँच करनी है, इसका परीक्षण किया।

उन्होंने पाया कि 50 का सैंपल साइज लेना और प्रत्येक 1 इकाई समय में जाँच करना शो चलाने का सबसे लागत प्रभावी तरीका था।
महत्वपूर्ण रूप से, इष्टतम EWMA-GLT डिजाइन के लिए, कंट्रोल लिमिट (UCL) 1.3798 निर्धारित की गई थी (ध्यान दें: अध्ययन के कुछ हिस्सों में उल्लेखित 1.2775 मान बेसलाइन GLT चार्ट के अनुरूप है, न कि अंतिम अनुकूलित EWMA संस्करण के)।
इस सेटअप की लागत उनके सिमुलेशन यूनिट्स में 77.786 का अपेक्षित कुल लागत (ETC) थी।
महत्वपूर्ण रूप से, इस सेटअप ने "गलत अलार्म" की दर को कम रखा (विशेष रूप से, एक गलत अलार्म से पहले औसत रन लेंथ (Average Run Length) 201.42 थी, जिसका अर्थ है कि यह गलत चेतावनी देने के लिए लंबा इंतजार करता है)।

उन्होंने यह भी परीक्षण किया कि सिस्टम विभिन्न प्रकार के परिवर्तनों के प्रति कितना संवेदनशील है। उन्होंने पाया कि सिस्टम चरों (variables) के बीच कैसे परस्पर क्रिया होती है (निर्भरता संरचना/dependency structure) में बदलाव के प्रति बहुत संवेदनशील है। यदि दो गुणवत्ता जाँचों के बीच का संबंध बदलता है, तो यह चार्ट इसे तेजी से पकड़ लेता है। हालांकि, यह समग्र "मुख्य" प्रभावों (main effects) में छोटे बदलावों के प्रति कम संवेदनशील है।

निष्कर्ष

शोध पत्र यह निष्कर्ष निकालता है कि यह EWMA–GLT फ्रेमवर्क एक व्यावहारिक, संतुलित रणनीति है। यह केवल गणितीय रूप से पूर्ण होने के बारे में नहीं है; यह आर्थिक रूप से स्मार्ट होने के बारे में है। जटिल, जुड़ी हुई श्रेणियों (GLT) की निगरानी के लिए एक "मेमोरी" तंत्र (EWMA) का उपयोग करके, फैक्ट्रियां बजट बिगाड़े बिना धीमी, चालाक समस्याओं को पकड़ सकती हैं।

लेखक सुझाव देते हैं कि हालांकि यह उनके सिमुलेशन में अच्छा काम करता है, भविष्य के शोध वास्तविक, जटिल औद्योगिक डेटा पर इसका परीक्षण कर सकते हैं, शायद फजी लॉजिक या अधिक जटिल तालिकाओं के साथ। लेकिन फिलहाल, उन्होंने दिखाया है कि अर्थव्यवस्था को सांख्यिकी के साथ मिलाना ही फैक्ट्री की लाइटों को हरा रखने और जेब को भरा रखने की कुंजी है।

तकनीकी सारांश: चरण II में बहुभिन्नरूपी श्रेणीबद्ध प्रक्रियाओं की निगरानी: GLT कंट्रोल चार्ट का एक आर्थिक-सांख्यिकीय डिज़ाइन

समस्या विवरण
समकालीन विनिर्माण प्रणालियाँ उत्पाद गुणवत्ता को चित्रित करने के लिए तेजी से कई परस्पर संबंधित श्रेणीबद्ध चरों (जैसे, दोष वर्गीकरण, उत्पाद ग्रेड) पर निर्भर करती हैं। जबकि सांख्यिकीय प्रक्रिया नियंत्रण (SPC) स्थिरता बनाए रखने के लिए मानक है, पारंपरिक कंट्रोल चार्ट अक्सर एकचर निरंतर चरों (univariate continuous variables) के लिए डिज़ाइन किए जाते हैं और श्रेणीबद्ध डेटा में निहित निर्भरता संरचनाओं को पकड़ने में विफल हो सकते हैं। इसके अलावा, मौजूदा साहित्य में ऐसी प्रक्रियाओं की निगरानी पर, विशेष रूप से कंटिंजेंसी टेबल्स (contingency tables) और सामान्यीकृत रैखिक परीक्षणों (Generalized Linear Tests - GLT) का उपयोग करने वाले, मुख्य रूप से सांख्यिकीय प्रदर्शन मेट्रिक्स (जैसे, औसत रन लेंथ) पर ध्यान केंद्रित किया गया है, जबकि आर्थिक विचारों की उपेक्षा की गई है। फलस्वरूप, एक ऐसे एकीकृत ढांचे की कमी है जो निर्भरता संरचनाओं में छोटे, क्रमिक बदलावों का पता लगाने के लिए आवश्यक सांख्यिकीय संवेदनशीलता और व्यावहारिक औद्योगिक कार्यान्वयन के लिए आवश्यक आर्थिक दक्षता को एक साथ संबोधित कर सके।

कार्यप्रणाली
यह अध्ययन कंटिंजेंसी टेबल्स द्वारा प्रतिनिधित्व की जाने वाली बहुभिन्नरूपी श्रेणीबद्ध प्रक्रियाओं के चरण II निगरानी के लिए एक एकीकृत आर्थिक-सांख्यिकीय ढांचे का प्रस्ताव करता है। यह कार्यप्रणाली तीन प्राथमिक घटकों से बनी है:

सांख्यिकीय मॉडलिंग और निगरानी:
- लॉग-लीनियर मॉडलिंग (Log-Linear Modeling): श्रेणीबद्ध चरों के बीच निर्भरता संरचना को इन-कंट्रोल स्थितियों के तहत अपेक्षित सेल आवृत्तियों (expected cell frequencies) को स्थापित करने के लिए लॉग-लीनर मॉडल का उपयोग किया जाता है।
- GLT सांख्यिकी: एक सामान्यीकृत रैखिक परीक्षण (GLT) सांख्यिकी, जिसे $F^*$ द्वारा दर्शाया गया है, de-derive किया गया है जो देखी गई सेल आवृत्तियों और लॉग-लीनर मॉडल द्वारा अनुमानित आवृत्तियों के बीच विचलन को मापता है। यह सांख्यिकी कंटिंजेंसी टेबल में संरचनात्मक परिवर्तनों का पता लगाने के लिए प्राथमिक माप के रूप में कार्य करती है।
- EWMA एकीकरण: छोटे और क्रमिक बदलावों के प्रति संवेदनशीलता बढ़ाने के लिए, GLT सांख्यिकी को एक एक्सपोनेंशियलली वेटेड मूविंग एवरेज (EWMA) संरचना में शामिल किया गया है। EWMA सांख्यिकी ( $Z_t$ ) वर्तमान और ऐतिहासिक जानकारी को जोड़ती है, जिसमें एक स्मूथिंग पैरामीटर ( $L$ ) पिछले डेटा को दिए जाने वाले भार को निर्धारित करता है। कंट्रोल चार्ट तब आउट-ऑफ-कंट्रोल स्थिति का संकेत देता है जब $Z_t$ एक गणना किए गए अपर कंट्रोल लिमिट (UCL) से ऊपर निकल जाता है।
आर्थिक सूत्रीकरण:
- अध्ययन एक अपेक्षित कुल लागत (Expected Total Cost - ETC) फलन का उपयोग करता है ताकि चार्ट के आर्थिक प्रदर्शन का मूल्यांकन किया जा सके। ETC नमूनाकरण (sampling), निरीक्षण, गलत अलार्म (false alarms), असाइनेबल कारणों को खोजने और हटाने, तथा आउट-ऑफ-कंट्रोल अवधि के दौरान उत्पादन हानि से जुड़ी लागतों को एकत्रित करता है।
- लागत मॉडल गलत अलार्म की संभावना (जो इन-कंट्रोल औसत रन लेंथ, $ARL_0$ से प्राप्त होती है) और बदलावों का पता लगाने में होने वाली अपेक्षित देरी के समय को ध्यान में रखता है।
अनुकूलन ढांचा (Optimization Framework):
- डिजाइन मापदंडों को संयुक्त रूप से निर्धारित करने के लिए एक अनुकूलन प्रक्रिया विकसित की गई है: नमूना आकार ( $n$ ), नमूना अंतराल ( $h$ ), कंट्रोल लिमिट गुणांक ( $K$ ), स्मूथिंग पैरामीटर ( $L$ ), और परिणामी UCL।
- उद्देश्य एक पूर्व-निर्धारित सांख्यिकीय प्रदर्शन (लक्ष्य $ARL_0 \approx 200$ ) सुनिश्चित करते हुए, इन-कंट्रोल औसत समय टू सिग्नल ( $ATS_0$ ) पर एक बाधा के अधीन ETC को न्यूनतम करना है।
- अनुकूलन एक निश्चित निरीक्षण दर ( $r$ ) को मानता है, जहाँ $h = n/r$ , जो औद्योगिक वातावरण में सामान्य परिचालन बाधाओं को दर्शाता है।

प्रमुख योगदान
यह शोध पत्र गुणवत्ता इंजीनियरिंग के क्षेत्र में चार विशिष्ट योगदानों की पहचान करता है:

श्रेणीबद्ध डेटा के लिए विस्तार: यह कंटिंजेंसी टेबल्स द्वारा प्रतिनिधित्व की जाने वाली बहुभिन्नरूपी श्रेणीबद्ध प्रक्रियाओं के लिए आर्थिक-सांख्यिकीय डिज़ाइन प्रतिमान का विस्तार करता है, जो कि साहित्य में पहले कम प्रतिनिधित्व वाला क्षेत्र रहा है।
एकीकृत ढांचा: यह लॉग-लीनर मॉडल, GLT सांख्यिकी और EWMA मेमोरी संरचनाओं को अलग-अलग मानने के बजाय उन्हें एकीकृत करके एक एकीकृत दृष्टिकोण स्थापित करता है।
सह-समवर्ती अनुकूलन (Simultaneous Optimization): यह कुशल चार्ट कॉन्फ़िगरेशन प्राप्त करने के लिए आर्थिक और सांख्यिकीय उद्देश्यों को प्रक्रिया के दौरान एक साथ विचार करता है।
व्यावहारिक उपकरण: यह सह-संबंधित श्रेणीबद्ध गुणवत्ता विशेषताओं वाले औद्योगिक वातावरण के लिए एक व्यावहारिक निगरानी रणनीति प्रदान करता है।

परिणाम
प्रस्तावित ढांचे का मूल्यांकन MATLAB में एक $4 \times 4$ कंटिंजेंसी टेबल और $N=500$ के कुल नमूना आकार के साथ मोंटे कार्लो सिमुलेशन का उपयोग करके किया गया। मुख्य निष्कर्ष निम्नलिखित हैं:

इंटरैक्शन प्रभावों के प्रति संवेदनशीलता: EWMA–GLT चार्ट ने समग्र या मुख्य प्रभावों की तुलना में लॉग-लीनर मॉडल के इंटरैक्शन मापदंडों (जो निर्भरता संरचना का प्रतिनिधित्व करते हैं) में परिवर्तनों के प्रति काफी उच्च संवेदनशीलता प्रदर्शित की। इंटरैक्शन शिफ्ट के लिए "इफेक्ट इंडेक्स" काफी अधिक था, जो चर निर्भरताओं में संरचनात्मक परिवर्तनों का पता लगाने की चार्ट की क्षमता की पुष्टि करता है।
इष्टतम डिजाइन पैरामीटर: आर्थिक-सांख्यिकीय अनुकूलन ने इष्टतम कॉन्फ़िगरेशन के रूप में नमूना आकार $n=50$ , नमूना अंतराल $h=1$ , स्मूथिंग पैरामीटर $L=0.30$ , और कंट्रोल लिमिट गुणांक $K=1.50$ की पहचान की। इस कॉन्फ़िगरेशन ने $ARL_0$ के 201.42 बनाए रखते हुए न्यूनतम ETC 77.786 प्राप्त किया।
तुलनात्मक प्रदर्शन:
- विशुद्ध रूप से सांख्यिकीय डिज़ाइन की तुलना में, आर्थिक-सांख्यिकीय डिज़ाइन ने सांख्यिकीय बाधाओं को पूरा करते हुए कम परिचालन लागत प्राप्त की।
- विशुद्ध रूप से आर्थिक डिज़ाइन (जो बिना सांख्यिकीय बाधाओं के लागत को न्यूनतम करता है) की तुलना में, प्रस्तावित ढांचे ने अत्यधिक गलत अलार्म (प्रस्तावित डिज़ाइन के 201.42 $ARL_0$ के मुकाबले अनकन्स्ट्रेंड इकोनॉमिक केस में 45.95 $ARL_0$ ) से बचाव किया।
- EWMA–GLT चार्ट ने छोटे से मध्यम बदलावों का पता लगाने में स्टैंडअलोन GLT चार्ट और क्लासिकल EWMA चार्ट दोनों से बेहतर प्रदर्शन किया, जैसा कि कम औसत समय टू सिग्नल (ATS) मानों से प्रमाणित होता है।
संवेदनशीलता विश्लेषण: मॉडल आउट-ऑफ-कंट्रोल उत्पादन की लागत ( $C_d$ ) और परिवर्तनशील नमूना लागत ( $C_1$ ) में भिन्नता के प्रति सबसे अधिक संवेदनशील पाया गया। स्मूथिंग पैरामीटर ( $L$ ) का प्रभाव कंट्रोल लिमिट गुणांक ( $K$ ) की तुलना में पता लगाने की गति और लागत पर अधिक महत्वपूर्ण था; $L$ को बढ़ाने से $ARL_1$ और ETC दोनों कम हो गए।

महत्व और दावे
यह शोध पत्र दावा करता है कि प्रस्तावित EW_MA–GLT ढांचा बहुभिन्नरूपी श्रेणीबद्ध प्रक्रियाओं की निगरानी के लिए एक प्रभावी और व्यावहारिक रणनीति प्रदान करता है। आर्थिक और सांख्यिकीय उद्देश्यों को संतुलित करके, यह दृष्टिकोण केवल एक मानदंड पर निर्भर डिजाइनों की तुलना में औद्योगिक अनुप्रयोगों के लिए अधिक मजबूत समाधान प्रदान करता है। अध्ययन निष्कर्ष निकालता है कि एकीकृत ढांचा कंटिंजेंसी टेबल्स में संरचनात्मक परिवर्तनों, विशेष रूप से इंटरैक्शन प्रभावों वाले परिवर्तनों का सफलतापूर्वक पता लगाता है, जबकि परिचालन लागत को न्यूनतम करता है। लेखक इस कार्य को सह-संबंधित श्रेणीबद्ध डेटा वाले वातावरण के लिए एक निर्णय-सहायता उपकरण के रूप में देखते हैं और उच्च-आयामी टेबल्स, अनिश्चितता मॉडलिंग (फजी/रोबस्ट दृष्टिकोण), और वास्तविक औद्योगिक डेटासेट के उपयोग से जुड़े भविष्य के अनुसंधान की दिशाओं का सुझाव देते हैं।

समस्या: "बहुत महंगा" बनाम "बहुत अंधा" दुविधा

नया समाधान: "स्मार्ट मेमोरी" वाला जासूस

यह शोध पत्र क्या कहता है (और क्या नहीं कहता)

जीतने वाला फॉर्मूला

निष्कर्ष

इसी तरह के और पेपर