CUSUM控制图的设计理论与方法

一、理论基础

1. 序贯概率比检验

$H_1:X_1,X_2,\cdots \stackrel{i.i.d.}{\sim }{f}_0(x)\leftrightarrow H_2:X_1,X_2,\cdots \stackrel{i.i.d.}{\sim }{f}_1(x)$

似然比${\lambda }_n$如下

${\lambda }_n=\prod _{i=1}^n\frac{f_1(X_i)}{f_0(X_i)}$

如果${\lambda }_n$小于等于某个值$A$，检验接受$H_0$；如果${\lambda }_n$大于等于某个值$B$，检验拒绝$H_0$接受$H_1$；如果$A<{\lambda }_n<B$，则加入另一个观测值$X_{n+1}$并更新似然比。

检验过程单边漂移的$CUSUM$就可以看成是重复的序贯似然比检验。它们的主要区别是，在$CUSUM$中受控的假设$H_0$一直不被接受。一旦$Z_i$的累积和变成负值，表明更倾向于接受$H_0$时，就把和重置为零，然后再重新开始。用代数的形式表示就是

$C_n^{+}=\max (0,C_{n-1}^{+}+Z_n)$

用$CUSUM$的方法，直到拒绝零假设接受对立假设时才停止抽样。

二、决策区间形式的$CUSUM$控制图

通过建立如下的序列来监测$X_n$的均值是否发生了向上漂移：

$C_0^{+}=0$

$C_n^{+}=\max (0,C_{n-1}^{+}+X_n-\mu -k)$

发生漂移的报警条件是

$C_n^{+}>h.$

并把满足$C_m^{+}=0$的最近的观测点作为漂移发生瞬间$m$的估计值。

类似地，建立如下序列监测均值是否发生了向下漂移：

$C_0^{-}=0$

$C_n^{-}=\min (0,C_{n-1}^{-}+X_n-\mu +k)$

发生漂移的报警条件是

$C_n^{-}<-h.$

并把满足$C_m^{-}=0$的最近的观测点作为漂移发生瞬间$m$的估计值。

导致$CUSUM$报警的决策区间从某个$C_m^{+}=0$开始直到它超过 $h$，这部分可以表示为
$C_n^{+}=C_m^{+}+\sum _{i=m+1}^n(X_i-\mu -k).$

三、带有参数估计的$CUSUM$控制图

假定检测向上漂移的初始值$S_0=\mu \ge 0$为过程均值的单边$CUSUM$控制图为

S t = max ⁡ { 0 , S t − 1 + Y t − k } , t = 1 , 2 , ⋯   , S_t=\max\{0,S_{t-1}+Y_t-k\},\quad t=1,2,\cdots, St​=max{0,St−1​+Yt​−k},t=1,2,⋯,

其中

$Y_t=\frac{{\bar{X}}_t-{\mu }_0}{{\sigma }_0/\sqrt{n}},$

${\bar{X}}_t$为时刻$t$的$n(\ge 1)$个观测值的均值。

模拟步骤：

• 从标准正态分布产生$m$组样本容量为$n$的受控观测值
• 计算受控过程的均值${\mu }_0$和标准差${\sigma }_0$的估计${\hat{\mu }}_0$和${\hat{\sigma }}_0$
• 计算检测向上漂移的初始值$S_0=\mu =0$的单边$CUSUM$控制图统计量$S_t$
• 如果$S_t>h$，报警过程失控，记录运行长度
• 重复上面两个步骤得到一个记录运行长度的向量
• 重复上面五个步骤多次

四、基于$CUSUM$的自启动控制图

自启动控制图能在对过程均值和方差进行估计的同时，实现对过程的监控，减小了阶段I数据少时用估计带来的影响。

假设一列$X_i,i=1,2,\cdots$来自一生产过程。为监控此生产过程是否受控，要做如下的假设检验：

$$H_0:X_i\sim N({\mu }_0,{\sigma }_0^2),i\ge 1\leftrightarrow H_1:X_i\sim \{\begin{array}{l}N({\mu }_0,{\sigma }_0^2),1\le i\le \tau ,\\ N({\mu }_1,{\sigma }_1^2),i>\tau ,\end{array}$$

其中${\mu }_0\ne {\mu }_1$或(且)${\sigma }_0\ne {\sigma }_1$，$\tau$为未知的正整数。

当过程失控时，${\mu }_1={\mu }_0+\delta {\sigma }_0,{\sigma }_1=\gamma {\sigma }_0$。

不失一般性，假设当过程受控时，${\mu }_0=0,{\sigma }_0=1$。

定义

$T_i=a_i(X_i-X_{i-1})/{\hat{\sigma }}_{i-1},i=3,4,\cdots$

其中

$a_i=\sqrt{\frac{i-1}{i}},{\bar{X}}_i=\frac{1}{i}\sum _{k=1}^i{X}_k,{\hat{\sigma }}_i^2=\frac{1}{i-1}\sum _{k=1}^i(X_k-{\bar{X}}_i{)}^2.$

为检测过程均值是否发生漂移，定义统计量

$U_i=\frac{8v+1}{8v+3}[v\ln (1+T_i^2/v{]}^{\frac{1}{2}},v=i-2.$

这种变换使得$U_i$近似独立服从标准正态分布。

定义统计量

$V_i=\sqrt{(U_i-0.822)/0.349}.$

这种变换使得$V_i$也近似独立服从标准正态分布。

构造下面四个$CUSUM$统计量来检测过程均值和方差是否发生向上和向下漂移

$L_i^{+}=\max (0,L_{i-1}^{+}+U_i-k),$

$L_i^{-}=\min (0,L_{i-1}^{-}+U_i-k),$

$S_i^{+}=\max (0,S_{i-1}^{+}+V_i-k),$

$S_i^{-}=\min (0,S_{i-1}^{-}+V_i-k).$

五、自适应$CUSUM$控制图

自适应控制图，即控制图参数在整个监控过程中不是一成不变的，而是由观测值来决定。

1. 自适应$CUSUM$控制图

当过程漂移的大小未知时，先利用一步最优预测去估计漂移的大小，之后再利用估计后的漂移自适应地选取门限值$k$。

步骤：

• 决定是用单边还是双边的控制图
• 确定一个$AR{L}_0$
• 选取$h(k)$
• 对第一个观测值，计算

S 1 + = max ⁡ { 0 , ( X 1 − Q 1 + / 2 ) / h ( Q 1 + ) } , S_1^+=\max\{0,(X_1-Q_1^+/2)/h(Q_1^+)\}, S1+​=max{0,(X1​−Q1+​/2)/h(Q1+​)},

以及 Q 2 + = max ⁡ { δ min ⁡ + , ( 1 − λ ) Q 1 + + λ X 1 } . Q_2^+=\max\{\delta_{\min}^+,(1-\lambda)Q_1^++\lambda X_1\}. Q2+​=max{δmin+​,(1−λ)Q1+​+λX1​}.

• 如果$S_1^{+}>h(Q_1^{+})$，报警过程失控。对于第二个观测值，监测过程重新开始。
• 对接下来的观测值，计算

S t + = max ⁡ { 0 , S t − 1 − + ( X t − Q t + / 2 ) / h ( Q t + ) } , S_t^+=\max\{0,S_{t-1}^-+(X_t-Q_t^+/2)/h(Q_t^+)\}, St+​=max{0,St−1−​+(Xt​−Qt+​/2)/h(Qt+​)},

以及 Q t + = max ⁡ { δ min ⁡ + , ( 1 − λ ) Q t − 1 + + λ X t − 1 } . Q_t^+=\max\{\delta_{\min}^+,(1-\lambda)Q_{t-1}^++\lambda X_{t-1}\}. Qt+​=max{δmin+​,(1−λ)Qt−1+​+λXt−1​}.

• 如果$S_t^{+}>h(Q_t^{+})$，报警过程失控。对于第二个观测值，监测过程重新开始。
• 对于新的观测值，重复上两个步骤。

2. 自启动自适应$CUSUM$控制图

要设计一个自启动自适应$CUSUM$控制图，需要确定一组参数$({\hat{\delta }}_{\min },\lambda ,c)$使得对于确定的$AR{L}_0$，当过程失控时，控制图能较快检测出过程失控。

步骤：

• 确定$AR{L}_0$
• 如果对过程失控参数没有任何信息，建议采用${\hat{\delta }}_{\min }=0.5,\lambda =0.1$
• 如果对过程失控参数掌握了一些信息，并且知道漂移较小，则采用较小的${\hat{\delta }}_{\min }$和$\lambda$，同样如果漂移较大，则采用较大的${\hat{\delta }}_{\min }$和$\lambda$
• 从文献中选取控制线$c$，对于没有列出的数值，可以采用插值法来确定。

3. 带权重的自适应$CUSUM$控制图

• 以$t$时刻的样本容量$n_t$作为权重，即

$S_0=0,S_t=\max (0,S_{t-1}+n_t(X_t-k))$

• 对最近的观测值给予较大的权重，对较远的观测值给予较小的权重

S t + = max ⁡ { 0 , S t − 1 + + ( X t − k ) ϕ t } , S_t^+=\max\{0,S_{t-1}^++(X_t-k)\phi_t\}, St+​=max{0,St−1+​+(Xt​−k)ϕt​},

其中$S_0=0$，$k$是门限值，${\varphi }_t$是一个权重函数。当$S_i^{+}>c$时，过程失控，检测出发生一个向上的漂移。

对于检测向下漂移，类似采用的检测统计量为

S t − = min ⁡ { 0 , S t − 1 − + ( X t + k ) ϕ t } , S_t^-=\min\{0,S_{t-1}^-+(X_t+k)\phi_t\}, St−​=min{0,St−1−​+(Xt​+k)ϕt​},

当$S_i^{-}<-c$时，过程失控，检测出发生一个向下的漂移。