评估 ZICOMP‑Shewhart 控制图在监测零膨胀过程中的有效性

为何大量零值仍然重要

现代工厂、医院和计算机系统往往运行得非常好，以至于问题很少发生。质量记录可能显示长时间的完美产出——零缺陷——只被偶发的故障骤增所打断。乍看之下这是个好消息，但这实际上会使得识别过程是否在悄然失控变得更困难。本文针对这一挑战，开发并检验了一种专门的统计工具——ZICOMP‑Shewhart 控制图，旨在监测那些“大多数时间什么都没发生，但并非总是如此”的过程。

随时间观察质量

在质量控制中，工程师使用控制图来追踪过程随时间的表现。每一个新批次、单件或时间段都被概述为图上的一个点。只要点保持在预期界限内，过程被认为是稳定的；当点越过界限时，会触发警报并对过程进行调查。传统控制图在缺陷数遵循简单模式（例如常见的泊松分布）时表现良好。然而，在许多现代的“高产”流程中——如硬盘制造或数据中心的错误监控——大多数观测恰好为零，只有少数为非零计数。标准模型低估了这种过多的零值并常常误判变异程度，从而可能延迟或掩盖重要警告。

为零值建立专门模型

作者基于一种灵活的模型族——康威‑麦克斯韦尔‑泊松（COMP）分布，该分布可处理比经典泊松更大或更小的变异。他们将其扩展为零膨胀 COMP（ZICOMP）分布，明确将两个要素分离：结果为零的概率，以及当问题出现时非零计数的分布模式。这使得模型能够适应三类常见情形：具有长右尾的高度可变数据、相对平衡的数据，以及分布紧密、波动小的数据。ZICOMP‑Shewhart 控制图利用这一更丰富的描述来设定一个单一的上限，该上限针对零值特别常见的过程进行调优。

设计更智能的警戒界限

实践中一个核心问题是将报警线设多高合适。若太低，图表会发出过多误报；若太高，则会错过真实问题。作者利用大规模计算实验来探索“界限系数”如何控制这一权衡。他们研究了两个关键性能指标。一是平均运行长度（ARL），即在图表发出信号之前期望的样本数；它反映了过程健康时误报的频率。另一项是第二类错误（Type II error），即当过程实际发生偏移时图表未能发出信号的概率。通过在不同的变异程度和不同零膨胀量的参数组合上广泛扫描，他们展示了如何选择界限系数以在获得期望的平均运行长度的同时，将漏报控制在可接受范围，尽管数据的离散性使得完全精确的调优不总是可行。

将方法付诸检验

为了评估其图表在现实情境下的表现，作者将其与一种未对零值进行特殊处理、仅使用 COMP 分布的竞品设计进行了比较。在多种模拟情形中，他们反复发现 ZICOMP‑Shewhart 图能更早且更频繁地发现缺陷率的变化，无论数据是高度可变、适中可变还是分布紧密。在一个使用真实硬盘读写错误数据的案例研究中——错误长期为零但偶有故障骤增——新图表成功在一段零值随后出现较大计数的情况下检测到变化，显示其可作为高可靠性环境中的预警系统。

实践中的意义

对从业者而言，关键在于忽视零值的特殊角色可能会掩盖关于过程健康的重要信号。通过围绕既能识别额外零值又能描述异常变异模式的模型来构建控制图，ZICOMP‑Shewhart 图能更可靠地判断过程何时真正偏离预期行为。尽管其性能仍取决于对基础参数估计的准确度，未来工作或可进一步改进这些估计，但本研究表明，将统计工具针对真实数据的特殊性进行定制，能够使质量监控更敏感、更值得信赖，并最终更有效地防止代价高昂的故障。

引用: 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

关键词: 零膨胀计数数据, 统计过程控制, 质量控制图, 康威‑麦克斯韦尔‑泊松, 制造缺陷