Оценка эффективности контрольной карты ZICOMP‑Shewhart для мониторинга процессов с избытком нулей

Почему многочисленные нули важны

Современные фабрики, больницы и компьютерные системы часто работают настолько хорошо, что проблемы возникают редко. Журналы качества могут показывать долгие промежутки без дефектов — нули — прерываемые периодическими всплесками неисправностей. На первый взгляд это выглядит как хорошая новость, но на самом деле это затрудняет выявление того, когда процесс постепенно выходит из‑под контроля. В этой статье рассматривается эта задача: разработка и проверка специализированного статистического инструмента — контрольной карты ZICOMP‑Shewhart — созданного для наблюдения процессов, в которых «ничего не происходит» большую часть времени, но не всегда.

Наблюдение за качеством во времени

В контроле качества инженеры используют карты контроля, чтобы отслеживать поведение процесса во времени. Каждая новая партия, изделие или временной интервал представляются точкой на карте. Пока точки остаются в ожидаемых пределах, процесс считают стабильным; когда они пересекают границу, поднимается тревога и проводится расследование. Традиционные карты хорошо работают, когда число дефектов подчиняется простым моделям, например знакомому распределению Пуассона. Однако во многих современных «высокоурожайных» процессах — таких как производство жёстких дисков или мониторинг ошибок в центрах обработки данных — большинство наблюдений ровно нулевые, а ненулевые значения встречаются редко. Стандартные модели недооценивают этот избыток нулей и часто неверно оценивают величину разброса, что может задерживать или скрывать важные предупреждения.

Отдельная модель для нулей

Авторы опираются на гибкое семейство моделей, называемое распределением Конвея–Максоммера–Пуассона (COMP), которое способно описывать данные с большей или меньшей дисперсией по сравнению с классическим случаем Пуассона. Они расширяют его до нулёво‑инфляционного COMP (ZICOMP), который явным образом разделяет два компонента: вероятность того, что результат будет нулём вообще, и закономерность ненулевых счётов, когда проблемы всё‑таки возникают. Это позволяет модели адаптироваться к трём распространённым ситуациям: сильно вариабельным данным с длинными правыми хвостами, примерно сбалансированным данным и слабо разбросанным данным с плотной концентрацией. Контрольная карта ZICOMP‑Shewhart использует это более детальное описание для установки единой верхней границы, настроенной для процессов, где нули особенно часты.

Проектирование более разумных порогов срабатывания

Ключевой практический вопрос — насколько высоко устанавливать линию тревоги. Если она слишком низкая, карта будет часто поднимать ложную тревогу; если слишком высокая — пропустит реальные проблемы. Авторы применяют масштабные компьютерные эксперименты, чтобы изучить, как «коэффициент предела» управляет этим компромиссом. Они рассматривают две важные характеристики эффективности. Одна — средняя длина отклика (average run length), то есть ожидаемое число образцов до срабатывания карты; это отражает частоту ложных тревог при нормальном состоянии процесса. Другая — ошибка второго рода (Type II error), вероятность того, что карта не среагирует, когда процесс действительно сместился. Просматривая множество комбинаций параметров модели — для разных уровней изменчивости и различных степеней нулёвой инфляции — они показывают, как выбирать коэффициент предела, чтобы получить заданную среднюю длину отклика и одновременно держать долю пропущенных сигналов на приемлемом уровне, даже когда дискретная природа данных делает идеальную настройку невозможной.

Тестирование метода

Чтобы увидеть поведение карты в реалистичных условиях, авторы сравнивают её с конкурирующим дизайном, который не учитывает особое положение нулей и использует только распределение COMP. В многочисленных моделируемых сценариях они регулярно обнаруживают, что ZICOMP‑Shewhart быстрее и чаще выявляет смещения в уровне дефектов — будь то сильно вариабельные, умеренно вариабельные или слабо разбросанные данные. В кейс‑стадии на реальных данных по ошибкам чтения/записи жёстких дисков — где долгие периоды без ошибок чередуются со всплесками сбоев — новая карта успешно обнаружила изменение после серии нулей, за которыми последовали большие счёты, демонстрируя, как она может служить системой раннего предупреждения в средах с высокой надёжностью.

Практическое значение

Для практиков вывод прост: игнорирование особой роли нулей может скрыть важные сигналы о состоянии процесса. Построив карту контроля на основе модели, признающей как избыток нулей, так и необычные закономерности изменчивости, ZICOMP‑Shewhart даёт более надёжную картину того, когда процесс действительно отклоняется от заданного поведения. Хотя её эффективность всё ещё зависит от точности оценки базовых параметров и дальнейшие исследования могут улучшить эти оценки, данное исследование демонстрирует, что адаптация статистических инструментов к причудам реальных данных делает мониторинг качества более чувствительным, более доверительным и в конечном счёте эффективнее в предотвращении дорогостоящих сбоев.

Цитирование: Sattar, A., Raza, M.A., AL-Essa, L.A. et al. Assessing the effectiveness of the ZICOMP-Shewhart control chart for monitoring zero-inflated processes. Sci Rep 16, 8269 (2026). https://doi.org/10.1038/s41598-025-32581-y

Ключевые слова: счётные данные с избытком нулей, статистический контроль процессов, карты контроля качества, распределение Конвея–Максоммера–Пуассона, дефекты производства