ON ENHANCED PROCESS MONITORING USING MEMORY SCHEMES FOR HIGH-DIMENSIONAL DATA. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF OSAMA_MS_Thesis.pdf Restricted to Repository staff only until 14 May 2026. Download (2MB)

Arabic Abstract

تعد مراقبة العمليات ذات البيانات عالية األبعاد التي تعرف بالبيانات التي فيها عدد األبعاد أكثر من عدد المشاهدات أمرا مهما في مجال ضبط الجودة اإلحصائية. في بيئات البيانات عالية األبعاد تواجه مخططات ضبط الجودة اإلحصائية التقليدية عدد من المشكالت والتحديات مثل مشكلة اإلرتباطات المتعددة ومشكلة عدم المقدرة على إيجاد مصفوفة التباينات والتغايرات فيما يعرف "بمشكلة األبعاد" هذه المشكالت قد تأدي بدورها إلى تقليل جودة أداء مخططات ضبط الجودة اإلحصائية والتي بدورها تؤدي إلى زيادة معدل اإلنذارات غير الحقيقية. لذا يعد تحسين مخططات ضبط الجودة اإلحصائية أمرا ضروريا لمعالجة مشكلة البيانات ذات األبعاد العالية بفاعلية. تركز مخططات ضبط الجودة اإلحصائية عديمة الذاكرة ومخططات ضبط الجودة اإلحصائية ذات الذاكرة التي نوقشت في مراجعة األدبيات السابقة بشكل رئيسي على مراقبة عينة واحدة ذات أبعاد عالية األمر الذي جعلنا نالحظ عدم وجود أبحاث سابقة لمراقبة ضبط الجودة اإلحصائية لعينتين من البيانات ذات األبعاد العالية باستثناء دراسة بحثية واحدة تمت في العام 2024 قدمت مخططات من النوع عديم الذاكرة لمراقبة ضبط الجودة اإلحصائية للبيانات عالية األبعاد لكن لوحظ أن هذا النوع من المخططات عديمة الذاكرة غير حساسة للتغيرات الصغيرة والمتوسطة التي تحدث في العمليات اإلحصائية. لذلك في هذا البحث قمنا باقتراح مخططات ضبط جودة إحصائية مركبة من المخططات ذات الذاكرة والمخططات عديمة الذاكرة باالعتماد على إحصاءات مخصصة للبيانات عالية األبعاد دون استخدام تقنيات أو طرق االختزال البعدي أو اختيار المتغيرات. هذه المخططات المحسنة لمراقبة ضبط الجودة في العمليات ذات البيانات عالية االبعاد المخصصة لتتبع التغيرات الصغيرة والمتوسطة تم تقييمها ومقارنة أداءها بشكل منهجي مع بعضها البعض ومع المخططات عديمة الذاكرة التقليدية باالعتماد على تصورات مختلفة وتوزيعات إحصائية مختلفة وباستخدام طرق مختلفة لقياس جودة أداء مخططات ضبط الجودة اإلحصائية.

English Abstract

Monitoring process involving high-dimensional data where the number of the features exceeds the number of observations poses a significant challenge in the domain of Statistical Process Control (SPC). In high-dimensional data environments, traditional control charts face challenges such as the "curse of dimensionality," which may adversely affect process monitoring accuracy and raise false alarm rates. Hence, improved SPC methodologies are essential to effectively address the curse of high dimensionality. The Memoryless and memory-type schemes discussed in the preceding literature review mostly focus on monitoring single-sample high-dimensional data; nevertheless, there is an absence of research concerning two-sample high-dimensional data. One paper introduced Shewhart setup charts for two-sample high-dimensional data, but it is insensitive for the small to moderate shifts. Hence, in this thesis, we propose memory-setup, combined memory and memoryless setup charts based on the Dempster (DR), Bai and Saranadasa (BS), and Srivastava-Du (SD) statistics, respectively without using dimensional reduction or variable selection techniques. These charts are optimized to detect small to moderate process shifts. The performance of the proposed charts is systematically benchmarked against each other and conventional Shewhart setup charts across high-dimensional environments, exemplified by multivariate normal, t, and gamma data structures.

Item Type:	Thesis (Masters)
Subjects:	Math
Department:	College of Computing and Mathematics > Mathematics
Committee Advisor:	RIAZ, MUHAMMAD
Committee Members:	AFUECHETA, EMMANUEL OSITA and SANUSI, RIDWAN
Depositing User:	OSAMA ALHADI (g202213700)
Date Deposited:	20 May 2025 06:00
Last Modified:	20 May 2025 06:00
URI:	http://eprints.kfupm.edu.sa/id/eprint/143372