統計製程管制(Statistical Process Control, SPC)為品質管制㆗最重要的技 術之㆒，其目的是在製程㆗尋找造成品質變異的來源，以降低產品之間的差 異，並提高產品㈬準與製程能力。管制圖(control charts)是 SPC ㆗最常用的工 具之㆒，其主要的功能在於㈿助製程㆟員尋找並去除干擾製程的可歸屬原因 (assignable causes)，以達成改善製程及維持產品品質之目的。傳統的管制圖 假設製程觀察值在不同的時間㆘為具㈲相同分配且彼此獨立的隨機變數，但實 際的製程常是相關性製程，製程的觀測值會存在㉂我相關。若將相關性製程的 ㈾料直接以傳統管制圖進行㈼控往往無法得到良好的㈼控結果，而需要對㈾料 進行繁複的處理以獲得較容易進行㈼控的㈾料。由於相關性製程㈾料可被視為 ㆒個混合了雜訊及製程干擾㊠的混合㈾料(mixture data)，因此本研究導入近 年來快速發展用於訊號分離(signal separation)之獨立成分分析(Independent Component Analysis, ICA)技術於統計製程管制㆗，利用 ICA 能將混合訊號分 離出潛在來源訊號(latent source signals)之能力，提出㆒個結合獨立成分分析 與蕭華㈵管制圖(Shewhart control chart)之製程㈼控架構。所提架構為將製程 觀察值(即混合訊號)先利用 ICA 分離出包含不同品質㈵性之獨立成分 (independent component)，接者再以傳統的蕭華㈵管制圖對獨立成分進行㈼ 控，期望能解決傳統蕭華㈵管制圖需要對相關性製程的㈾料進行繁複處理的問 題。本研究利用具時間序列模式 AR(1)及 ARMA(1,1)的模擬製程㈾料來比較 所提方法與傳統蕭華㈵管制圖、SCC 管制圖、EWMA 管制圖、EWMAST 管 制圖及 ARMAST 管制圖之㈼控能力。實驗結果顯示，本研究所提之方法在製 程具㉂我相關時，㈲較㆖述管制圖為佳的㈼控結果。

Statistical process control (SPC) has been used extensively to monitor and improve the quality of process. The traditional SPC control charts assume that process data are identically and independently distributed. However, the real process data are actually serially correlated. The presence of autocorrelation has an adverse effect on the performance of traditional SPC control charts. To alleviate this problem, one of the popular approaches is to use time series model to fit the data, then apply the traditional control charts to the residuals. The major limitation of the time series based approaches is that time series modeling of the process data is not always straightforward. Since the correlated process data could be a mixture of noise and process characteristics such as process disturbances and/or autocorrelation, a process monitoring scheme based on independent component analysis (ICA) is proposed for correlated process. ICA is a novel statistical signal processing technique that was originally proposed to find the latent source signals from observed mixture signal, without knowing any prior knowledge of the mixing mechanisms. The proposed scheme first applies ICA methodology to the process observations to generate the independent components that contain different characteristics of the process. The traditional Shewhart control chart is then used to monitor the independent components for process control. The experimental results reveal that the proposed method outperforms Shewhart, SCC, EWMA, EWMAST and ARMA control charts in most instances and is effective for monitoring correlated process.

長久以來，「品質」一直是廠商最重視的政策與方針，也是消費者用來評估產品的重要指標之一。尤其現在是一個全球化的時代，各種產品都面臨了來自國際性的競爭，如何讓產品可以在競爭激烈的市場中獲得顧客的青睞，產品的品質是一個關鍵因素，因此廠商莫不投入大量心力於提升與改善產品的品質，以增加產品競爭力。統計製程管制（SPC）為品質管制中最重要的技術之一，是控制及提升產品品質的一個重要方法。而在SPC中，最常用的工具為管制圖。SPC管制圖主要的功能為監督製程，當發生製程干擾項而使得製程有所偏差時，藉由簡單明瞭之管制圖表，品管人員可以尋找干擾製程的可歸屬原因或特殊原因，在去除這些可歸屬原因後，便容易達成改善製程及維持產品品質之目的。 傳統SPC管制圖之使用，如蕭華特管制圖，前提需假設製程觀察值在不同的時間下為具有相同分配且為彼此獨立的隨機變數。然而在實務上，如化工業、高科技產業及連續製程業中，隨著製程步驟的日益複雜、抽樣頻率的縮短及自動化製程的普及，所取得之製程觀察值往往違反了獨立性而存在自我相關性。若將此類型資料直接以傳統SPC管制圖進行監控，很容易提高假警訊(False alarm)的頻率。這樣的假警訊會使得品管人員需花費更多的時間、金錢去尋找不存在的可歸屬原因或特殊原因，甚至使品管人員誤以為製程已失控而採取行動，如此不但無法消除假警訊的發生且使製程變異擴大。因此當製程觀測值具有自我相關性時，亦即在相關性製程下，無法直接使用傳統SPC管制圖對製程進行監控。時間序列法是目前最常被用來處理相關性製程監控問題的方法之一，但此方法在計算及使用上均較無效率，降低其在實務使用上的便利性。 因此本研究導入近年來快速發展用於訊號分離之獨立成分分析技術於統計製程管制中，提出結合ICA與傳統蕭華特管制圖的製程監控架構。本研究所提的方法不需估計時間序列模式，減少品管人員在使用在傳統蕭華特管制圖於監控相關性製程時，需對製程資料進行繁複前處理的問題，並且讓蕭華特管制圖在實務上，能更加廣泛的應用於各種製程的監控。研究結果顯示，本研究所提方法確能較目前常見的管制方法，在相關性製程的監控上有更佳的效果，提供產業界在統計製程管制上一個新的方法與技術。