AI › 산업 AI 응용 › 이상 탐지

다변량 통계(T² · PCA)Multivariate Statistical Process Monitoring

서로 상관된 공정 변수 여럿을 정상 운전 자료로 만든 통계 모형 하나로 묶어, 운전점이 정상 범위를 벗어났는지(T²)와 변수 사이 관계가 깨졌는지(SPE · Q)를 두 통계량과 관리 한계로 가르는 공정 감시 방법이다.

1요약

  1. 다변량 통계는 공정 변수 p 개를 정상 운전 자료의 평균 · 상관 행렬(또는 그 위의 PCA 모형)로 묶어, 표본마다 T² 와 SPE(Q) 두 숫자를 관리 한계와 견주는 감시 방법으로, Hotelling(1947)의 T² 관리도(NIST 6.3.4)와 Jackson · Mudholkar(1979)의 잔차 한계에서 나왔고 화학 · 반도체 공정의 실시간 경보와 원인 추적이 그 위에서 돈다.
  2. 변수마다 3σ 관리도를 따로 두면 각 변수는 한계 안인데 변수 사이 관계만 깨진 이상을 놓친다 — 본문의 합성 반응기 사례에서 냉각수 유량계가 서서히 틀어진 20표본 중 변수별 3σ 는 3표본을, SPE 는 11표본을 잡았고 SPE 의 첫 경보가 60분 빨랐다.
  3. 경보가 나면 어느 통계량이 넘었는가로 먼저 가른다 — T² 만 넘으면 변수들이 평소 관계를 지킨 채 운전점이 옮겨 간 것이고, SPE 가 넘으면 모형이 모르는 관계(센서 고장 · 새 이상)가 생긴 것이라 기여도 그림에서 계측부터 본다.

2등장 배경

반응기 하나에도 유량 · 온도 · 압력 · 전력 계측이 수십 개이고 이들은 부하 · 원료 농도 같은 몇 안 되는 원인에 함께 묶여 움직인다. 변수마다 관리도를 두면 차트가 변수 수만큼 늘고, 한 원인에서 나온 경보가 여러 차트에 흩어져 운전원이 무엇을 볼지 정하지 못한다. 필요한 것은 정상 상관을 넣은 «한 번에 보는 기준»이었다.

Hotelling 은 1947년 폭격 조준기 시험 자료에서 여러 특성치를 T² 한 숫자로 묶는 관리도를 냈다(NIST 6.3.4). 1979년 Jackson · Mudholkar 는 PCA 모형이 설명하지 못한 잔차 제곱합(Q)의 관리 한계 식을 냈고(Jackson · Mudholkar 1979), 1991년 Kresta · MacGregor · Marlin 이 PCA · PLS 로 연속 공정의 운전 상태를 감시하는 방법을 정리했다(Kresta 1991). 1992년에는 1단계 기준 자료를 베타 분포로 거르는 한계(Tracy · Young · Mason 1992)와 다변량 EWMA(Lowry 1992)가, 1995년에는 배치 공정용 다방향 PCA(Nomikos · MacGregor 1995)가 나왔다.

1993년 공개된 Tennessee Eastman 공정 모사 문제(Downs · Vogel 1993)는 지금도 다변량 감시 방법을 견주는 시험대로 쓰인다. 정상 자료만으로 세우고 한계가 확률로 정해지며 원인을 변수별로 나눠 보이므로 지금도 공정 감시의 기준선이다. 반도체 웨이퍼별 장비 값 판정은 FDC 가, 단변량 관리도는 통계적 공정 관리가 맡는다.

3쉽게 이해하기 — 보건 선생님 수진의 신체검사 기록

보건 선생님 수진은 1학기 신체검사 때 학생 200명의 키 · 몸무게 · 발 크기 · 팔 길이를 기록부에 적고, 네 값이 대개 «몸집» 하나를 따라 함께 크고 작다는 것을 알았다. 2학기 검사에서 민호는 네 값이 모두 크지만 서로 비율은 평소와 같았다 — 몸집 자 위에서 멀리 간 학생이다. 하린은 키 · 몸무게는 평범한데 발 크기만 키에 비해 컸다 — 값 하나하나는 평소 범위 안이지만 몸집 자에서 떨어진 학생이다. 수진은 하린 기록에서 가장 어긋난 칸(발 크기)을 찾아 다시 재 보고, 발판 눈금이 밀려 있던 것을 찾았다.

민호 — 네 값 모두 큼 비율은 평소와 같음 운전점 이동 하린 — 발 크기만 큼 값은 범위 안 · 비율 어긋남 상관 깨짐 2학기 검사 1 1학기 기록부 200명 · 네 칸 정상 운전 자료 2 몸집 자 네 값을 한 축으로 PCA 모형 3 두 점수 · 기준선 자 위 거리 · 자 밖 거리 T² SPE 관리 한계 4 어긋난 칸 찾기 발 크기 칸 기여도 그림 다시 재서 기록부를 고침 5 원인 확인 자료 모형 · 한계 점수 변수 찾기 사람 이상

그림 1 · 수진은 1학기 기록으로 «몸집 자»를 만들고, 자 위에서 먼 학생과 자에서 떨어진 학생을 서로 다른 점수로 가른 뒤 어긋난 칸을 다시 잰다.

기록하기1학기 200명 네 칸
자 만들기함께 크는 몸집 축
두 점수자 위 거리 · 자 밖 거리
기준선넘은 학생만
칸 찾기가장 어긋난 값
다시 재기눈금 · 기록 확인
비유 — 몸집 자 위의 거리 · 자 밖의 거리 실제 — 모형 평면 안 · 평면 밖 키 발 크기 평소 몸집 범위 민호 자 위로 멀다 → 몸집 점수 하린 자에서 떨어짐 → 어긋남 점수 주성분 평면(2성분) 중심 x̂ x(관측) SPE = ‖x − x̂‖² T² = t₁²/λ₁ + t₂²/λ₂ (중심 → x̂) 정상 자료 모형(자 · 평면) 모형 안 거리(T²) 모형 밖 거리(SPE)

그림 2 · 민호는 몸집 자를 따라 멀리 간 것이라 T² 가, 하린은 자에서 옆으로 떨어진 것이라 SPE 가 커진다 — 실제 PCA 모형에서는 자가 주성분 평면이다.

비유 속 역할실제 이름실제로 하는 일
1학기 기록부 200명1단계 정상 운전 자료정상 표본 m 개로 평균 · 표준편차 · 상관 행렬을 잡는다
몸집 자PCA 모형(주성분 k 개)함께 움직이는 변수들을 소수의 점수 t 로 요약한다
민호 — 자 위로 멀다Hotelling T²모형 평면 안에서 정상 중심까지 고유값으로 나눈 거리
하린 — 자에서 떨어짐SPE(Q)모형이 설명하지 못한 잔차의 제곱합
신고 기준선관리 한계T² 는 F 분포, SPE 는 Jackson · Mudholkar 식으로 정한다
가장 어긋난 칸기여도 그림통계량을 변수별 몫으로 나눠 의심 변수를 보인다
다시 재기원인 확인 · 모형 갱신계측 · 운전 기록으로 원인을 확정하고 필요하면 모형을 다시 세운다

⚠ 비유가 맞지 않는 곳: 몸집 자는 축 하나지만 실제 모형은 성분을 여러 개 남기고 그 수를 자료로 정한다. 수진은 한 칸을 보고 원인을 확정하지만 기여도 그림은 의심 변수를 좁힐 뿐이고, 어긋남이 이웃 변수로 번져 보이기도 한다.

4구조 — 정상 모형 · 두 통계량 · 관리 한계 · 기여도

다변량 감시는 1단계(정상 자료로 모형과 한계 세우기)와 2단계(새 표본을 모형에 넣어 판정하기)로 나뉜다(NIST 6.5.4.3.3 · 6.5.4.3.4). 변수가 서로 강하게 상관되면 원 변수 T² 대신 PCA 모형을 세우고, 모형 안의 T² 와 모형 밖의 SPE 를 함께 본다(MacGregor · Kourti 1995).

1단계 — 모형 세우기 정상 운전 자료 m 표본 × p 변수 사례 200 × 6 1단계 점검 원 변수 T² 베타 분포 한계 표준화 평균 · 표준편차 변수별 단위 맞춤 PCA 모형 부하 P · 고유값 λ 성분 k 개 남김 같은 평균 · P 사용 2단계 — 감시 새 표본 x z = (x − x̄) / s 점수 t = Pᵀz T² 모형 안 거리 한계 = F 분포 SPE 모형 밖 잔차 한계 = J · M 식 기여도 그림 변수별 몫 의심 변수 좁힘 넘으면 원인 확인 계측 · 운전 기록 대조 자료 모형 · 규칙 통계량(출력) 변수 식별 사람 점선 = 1단계 결과를 2단계에 씀 J · M 식 = Jackson · Mudholkar(1979) 의 SPE 한계 식

그림 3 · 1단계에서 세운 평균 · 표준편차 · 주성분이 2단계의 모든 표본에 그대로 쓰이고, 한 표본은 T² 와 SPE 두 길로 판정된 뒤 기여도로 변수까지 좁혀진다.

요소식 · 내용사례 값근거
정상 운전 자료이상이 없는 운전 구간 m 표본200표본 × 6변수 · 10분 간격설명용 가정 값
1단계 한계((m−1)²/m) · B(1−α; p/2, (m−p−1)/2)16.36(α = 0.01)NIST 6.5.4.3.3
PCA 모형표준화 상관 행렬의 고유 벡터 P · 고유값 λ · 성분 kk = 2 · 누적 분산 93.5%NIST 6.3.4.2
T²Σ tₐ²/λₐ(a = 1 … k)정상 중앙값 1.33MacGregor · Kourti 1995
T² 한계k(m+1)(m−1)/(m² − mk) · F(α; k, m−k)9.52NIST 6.5.4.3.4(p 자리에 k)
SPE(Q)Σ eⱼ² · e = z − Pt정상 중앙값 0.344Jackson · Mudholkar 1979
SPE 한계θ₁[c_α√(2θ₂h₀²)/θ₁ + 1 + θ₂h₀(h₀−1)/θ₁²]^(1/h₀) · θᵢ = Σ λⱼⁱ(j > k)1.323Jackson · Mudholkar 1979 · SAS MVPMONITOR
기여도T² 몫 = Σₐ (tₐ/λₐ)pⱼₐzⱼ · SPE 몫 = eⱼ²표본 92 냉각수 66.6%Westerhuis 2000

h₀ = 1 − 2θ₁θ₃/(3θ₂²) 이고 c_α 는 표준 정규 분포의 위쪽 α 점(α = 0.01 이면 2.326)이다. 원 변수 T² 는 S⁻¹ 전체를 쓰므로 거의 같은 값을 내는 변수가 섞이면 작은 고유값 방향이 지나치게 커지고, PCA 모형은 그 방향을 SPE 로 떼어 본다(MacGregor · Kourti 1995).

5동작 — 합성 반응기 6변수의 20시간 감시

이 사례는 합성 데이터를 default_rng(0)(NumPy 2.4.3 · Python 3.14.0)로 만들어 직접 돌린 결과이고, F · 베타 분위수는 불완전 베타 함수를 직접 구현해 구했다. 반응기 한 대의 원료 유량(12.0 m³/h) · 반응기 온도(180 °C) · 냉각수 유량(30.0 m³/h) · 반응기 압력(8.0 bar) · 출구 온도(65 °C) · 교반기 전력(22 kW)은 설명용 가정 값이며, 부하와 원료 농도 두 원인이 여섯 변수를 함께 움직인다.

  1. 정상 운전 200표본(10분 간격 · 약 33시간)을 모은다 — 반응기 온도 ↔ 냉각수 유량 상관 0.86, 원료 유량 ↔ 교반기 전력 0.88 이다.
  2. 1단계 점검으로 원 변수 T² 를 베타 한계 16.36 과 견주면 1표본이 넘는다 — 99% 한계의 기대치 2표본 안이라 그대로 쓴다(NIST 6.5.4.3.3).
  3. 표준화한 상관 행렬의 고유값이 4.551 · 1.058 · 0.114 · 0.106 · 0.097 · 0.075 라 성분 2개(누적 93.5%)를 남긴다 — 셋째부터는 잡음 크기라 잔차로 넘긴다.
  4. 99% 한계를 구한다 — T² 9.52(F 분포 · k = 2 · m = 200), SPE 1.323(θ₁ 0.3916 · θ₂ 0.0392 · θ₃ 0.0040 · h₀ 0.321).
  5. 감시 120표본(20시간)의 41 ~ 55번에 부하를 정상 범위 밖으로 올린다(변수 관계는 그대로) — T² 가 15표본 중 9표본에서 넘고 SPE 는 0표본이다. 표본 44 는 T² 23.54 · SPE 0.386 이다.
  6. 81번부터 냉각수 유량계가 표본마다 +0.15 m³/h(표준편차의 0.1배)씩 틀어진다 — SPE 는 88번(드리프트 1.2 m³/h · Q 1.385)에서 처음 넘고 20표본 중 11표본을 잡으며, T² 는 한 번도 넘지 않는다.
  7. 같은 구간에 변수별 3σ 한계는 94번에서야 처음 넘고 20표본 중 3표본만 잡는다 — SPE 보다 6표본(60분) 늦다. 표본 92 는 냉각수 유량 z = 2.15(3σ 안)인데 SPE 는 3.405 다.
  8. 기여도를 본다 — 표본 92 의 SPE 는 냉각수 유량이 66.6% 라 그 유량계를 먼저 점검하고, 표본 44 의 T² 는 원료 유량 · 교반기 전력 · 냉각수 유량이 나눠 가져 부하 상승으로 읽힌다. 정상 85표본의 오경보는 1표본(표본 66 · T² 10.11)이다.

시드를 0 ~ 9 로 바꿔 같은 설정을 돌리면 부하 구간 T² 탐지는 7 ~ 12/15 · SPE 는 0 ~ 2/15, 드리프트 구간 SPE 탐지는 7 ~ 11/20 · T² 는 0 ~ 1/20, 변수별 3σ 는 0 ~ 3/20 이었다 — «부하 이동 = T² · 관계 깨짐 = SPE» 로 갈리는 방향은 10개 시드에서 모두 같았다.

감시 120표본의 T² · SPE(합성 데이터 · 시드 0) 부하 상승 41 ~ 55 유량계 드리프트 81 ~ 100 0 10 20 30 T² 한계 9.52 0 2 4 SPE 한계 1.323 5 6 7 1 40 80 120 통계량 99% 한계 심은 이상 구간 변수별 3σ 첫 경보(94번) · 번호 = 동작 단계

그림 4 · 부하를 올린 구간은 T² 만, 냉각수 유량계가 틀어진 구간은 SPE 만 한계를 넘어 두 통계량이 서로 다른 이상을 맡는다.

반응기 온도 ↔ 냉각수 유량(표준화 · 1단계 200표본) 온도 z 냉각수 z 3 −3 3 −3 92 44 구역별 판정 타원 안 — 정상(200표본 중 197) 상자 안 · 타원 밖 — 상관 깨짐 표본 92(−0.08, 2.15) · 두 변수 T² 18.3 변수별 3σ 는 둘 다 정상으로 봄 긴 축 끝 너머 — 운전점 이동 표본 44(2.53, 4.25) · 두 변수 T² 22.6 타원 한계 = 두 변수 T² 9.52 긴 반지름 4.20 · 짧은 반지름 1.17 (√(9.52 × 고유값 1.855 · 0.145)) 1단계 정상 표본 T² 99% 타원 변수별 3σ 상자 관계 깨짐 표본 운전점 이동 표본

그림 5 · 두 변수 각각의 3σ 상자 안에 있어도 상관 0.86 이 만드는 타원 밖이면 이상이다 — 표본 92 는 상자 안 · 타원 밖, 표본 44 는 타원의 긴 축 끝 너머다.

표본 44 — T² 기여(합 23.54) 표본 92 — SPE 몫(합 3.405) 원료 유량 9.96 반응기 온도 0.16 냉각수 유량 5.23 반응기 압력 -0.80 출구 온도 -0.68 교반기 전력 9.67 원료 유량 23.4% 반응기 온도 8.7% 냉각수 유량 66.6% 반응기 압력 0.2% 출구 온도 1.2% 교반기 전력 0.0% T² 기여(음수 = 왼쪽) SPE 몫(%) 냉각수 유량 잔차 +1.51 — 측정이 모형 예측보다 1.5 표준편차 큼

그림 6 · 같은 «경보»라도 표본 44 의 T² 는 부하에 묶인 변수 셋이 나눠 갖고, 표본 92 의 SPE 는 냉각수 유량 하나가 3분의 2 를 차지한다.

🔑 T² 는 «정상 관계 안에서 얼마나 멀리 갔나»를, SPE 는 «정상 관계에서 얼마나 벗어났나»를 잰다 — 운전점 이동은 T² 만, 센서 드리프트 · 새 고장은 SPE 를 먼저 올린다.

6비교 — 변수별 한계 · 원 변수 T² · PCA T² · SPE · MEWMA

기준변수별 3σ원 변수 T²(6변수)PCA T²SPE(Q)MEWMA
보는 것변수 하나의 평균 거리상관 행렬 전체로 잰 거리모형 평면 안 거리모형 평면 밖 잔차지수 가중 평균 벡터의 T²(NIST 6.3.4.3)
사례 부하 상승(15)8590이 사례에서 돌리지 않음
사례 유량계 드리프트(20)3 · 첫 경보 94번10 · 첫 경보 89번011 · 첫 경보 88번이 사례에서 돌리지 않음
이상 종류 구분넘은 변수만 보임두 종류가 한 숫자에 섞임운전점 이동관계 깨짐 · 새 이상작은 지속 이동
약점상관 무시 · 변수 수만큼 차트비슷한 변수가 섞이면 S⁻¹ 불안정성분 수 고르기에 좌우잡음 성분 몫이 함께 섞임λ 고르기 · 큰 단발 이동은 늦음(Lowry 1992)

분석변수가 몇 개뿐이고 서로 독립이면 변수별 한계로 충분하고, 상관된 변수가 여럿이면 PCA 모형의 T² 와 SPE 를 함께 두며, 작은 이동이 오래 이어지는 공정이면 MEWMA 를 더한다. 근거는 표의 두 사례 행 — 원 변수 T² 는 두 이상을 모두 일부 잡았지만 어느 쪽인지 말하지 않았고, PCA T² 와 SPE 는 9/15 · 11/20 으로 이상 종류를 나눠 잡았다.

비선형 관계나 이미지 · 파형 같은 고차원 입력은 정상 모형을 신경망으로 바꾼 오토인코더 이상 탐지가, 레이블 없이 고립 정도로 점수를 매기는 방식은 Isolation Forest 가 맡는다 — 둘 다 확률로 정한 한계와 변수별 기여도를 바로 주지는 않는다.

7실무 진단 — 다변량 경보의 단계 가르기

분석경보가 나면 T² · SPE 중 무엇이 넘었는지로 이상 종류를 먼저 가르고, 그다음 기여도로 변수를, 마지막에 1단계 자료와 성분 수가 지금 운전에 맞는지를 본다. 두 한계는 1단계 자료가 정상이고 표본이 서로 독립이라는 가정에서 나온 값이므로(NIST 6.5.4.3.3 · 6.5.4.3.4), 가정이 깨진 문제를 한계 조정으로 덮으면 다른 쪽 놓침이 늘어난다.

#증상의심 원인단계확인 자료판정 기준(근거)
1T² 만 넘고 SPE 는 정상부하 · 품종 등 운전점이 1단계 범위 밖으로 이동운전T² 기여도 · 생산 계획 · 설정값 변경 기록계획된 변경이면 이상 아님 · 모형 범위 확장 검토(MacGregor · Kourti 1995)
2SPE 가 넘고 한 변수 몫이 큼센서 고장 · 드리프트 · 배관 막힘계측SPE 기여도 · 잔차 부호 · 예비 계측 값한 변수 몫이 절반을 넘으면 그 계측부터 · 몫이 이웃 변수로 번질 수 있음(Westerhuis 2000)
31단계 자료에서도 SPE 초과가 1% 를 크게 넘음성분 수가 적어 정상 변동이 잔차에 남음모형고유값 · 누적 분산 · 1단계 SPE 분포99% 한계면 1단계 초과는 약 1% · 크게 넘으면 성분 수 · 한계 재검토(Jackson · Mudholkar 1979)
4정비 · 계절 뒤 경보가 연이어 몰림1단계 자료가 옛 운전 범위만 담음자료최근 정상 구간 평균 · 표준편차 ↔ 1단계 값원 변수 T² 를 베타 한계로 다시 거른 새 1단계 자료로 재구축(NIST 6.5.4.3.3)
5한 사건에 경보가 수십 표본 이어짐표본 간격이 공정 시간 상수보다 짧아 자기상관표본통계량 자기상관 · 경보 묶음 길이F · 베타 한계는 독립 표본 가정 — 간격을 늘리거나 동적 모형 검토(NIST 6.5.4.3.4)

가려내는 순서는 통계량 종류 → 기여도 → 계측 · 운전 기록 → 성분 수 → 1단계 자료다. 기여도는 의심 변수를 좁힐 뿐이므로 계측 확인 전에 모형을 다시 세우지 않는다.

8시험 대비

시험에서는 단변량 관리도와 달리 상관을 반영하는 T² · SPE 두 통계량과 관리 한계를 쓰는 정의 · 특징형, 그리고 변수별 관리도 · 원 변수 T² · PCA 기반 감시의 차이를 묻는 비교형이 나올 수 있다. 타원과 상자를 한 그림에 그려 «각 변수는 정상인데 이상» 인 구역을 보이면 정의 수준을 넘는다.

답안 목차
  1. 개요 — 정의 · 단변량 관리도의 한계(상관 무시 · 차트 수) · 1단계 · 2단계 구분
  2. Hotelling T² — 식 · 1단계 베타 · 2단계 F 한계 · 그림 5 타원 대 3σ 상자
  3. PCA 기반 감시 — 성분 수 선택 · T²(모형 안)와 SPE(모형 밖) 식 · 그림 3 구성
  4. 감시 사례 — 그림 4 시간축(운전점 이동 = T² · 센서 드리프트 = SPE · 첫 경보 60분 차이)
  5. 원인 진단 — 그림 6 기여도 그림 · 번짐 현상 · 계측 확인 순서
  6. 확장 — MEWMA(작은 지속 이동) · 배치 다방향 PCA · PLS(품질 변수 연계) · 비선형 신경망 방식과의 경계

꼭 쓸 키워드
Hotelling T²SPE(Q)주성분 분석관리 한계1단계2단계기여도 그림상관 깨짐JacksonMudholkar 한계MEWMA

다른 답안과 차이를 내는 한 가지는 그림 4 처럼 두 이상을 T² · SPE 두 차트에 나란히 그려 «어느 통계량이 넘었나»가 곧 이상 종류의 판단임을 보이는 것이다.

9오해와 사실

  • 오해변수마다 3σ 안이면 공정은 정상이다.
    사실사례 표본 92 는 냉각수 유량 z = 2.15 · 반응기 온도 z = −0.08 로 둘 다 3σ 안이지만, 두 변수 T² 18.3 · SPE 3.405 로 모두 99% 한계를 넘었다(NIST 6.3.4 · Jackson · Mudholkar 1979).
  • 오해T² 하나만 보면 다변량 감시가 끝난다.
    사실PCA T² 는 모형 평면 안 거리라 관계가 깨진 드리프트 20표본에서 한 번도 넘지 않았고, 같은 구간을 SPE 가 11표본 잡았다(MacGregor · Kourti 1995).
  • 오해기여도가 가장 큰 변수가 고장 난 변수다.
    사실기여도는 다른 변수로 번져 보이며(Westerhuis 2000), 사례에서 고장은 냉각수 유량 하나였지만 원료 유량도 SPE 몫 23.4% 를 가져갔다.

10핵심 정리

구분재는 것식한계(사례)잡는 이상흔한 실패
1단계정상 기준 자료m 표본 평균 · 상관베타 16.36기준 자료 속 이상이상이 섞인 채 모형을 세움
PCA 모형함께 움직이는 방향고유 벡터 P · 고유값 λk = 2 · 93.5%—성분 수를 너무 적게 · 많이 고름
T²모형 안 거리Σ tₐ²/λₐF 9.52운전점 이동운전 변경을 고장으로 봄
SPE(Q)모형 밖 잔차Σ eⱼ²J · M 1.323센서 드리프트 · 새 관계잡음 성분까지 잔차에 넣음
기여도변수별 몫(tₐ/λₐ)pⱼₐzⱼ · eⱼ²냉각수 66.6%의심 변수1위 변수를 원인으로 단정
변수별 3σ변수 하나|z| > 3± 3큰 단발 이동상관 깨짐을 놓침(3/20)
MEWMA누적된 작은 이동Zᵢ = λXᵢ + (1−λ)Zᵢ₋₁ 의 T²λ 선택작은 지속 이동큰 단발 이동에 늦음

11참고 문헌

  1. 먼저 볼 문헌
  2. ★ NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4 What are Multivariate Control Charts? — Hotelling T² 관리도가 무엇을 한 숫자로 묶는지 처음 볼 때
    NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pmc/section3/pmc34.htm · 확인 2026-11-12
  3. ★ NIST/SEMATECH e-Handbook of Statistical Methods 6.5.4.3.3 Chart for Individual Observations -- Phase I — 1단계 기준 자료를 베타 분포 한계로 거르는 식을 볼 때
    NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pmc/section5/pmc5433.htm · 확인 2026-11-12
  4. ★ NIST/SEMATECH e-Handbook of Statistical Methods 6.5.4.3.4 Chart for Individual Observations -- Phase II — 2단계 감시의 F 분포 한계 식을 볼 때
    NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pmc/section5/pmc5434.htm · 확인 2026-11-12
  5. ★ Control Procedures for Residuals Associated With Principal Component Analysis (Technometrics 21(3) 341-349) — PCA 잔차 SPE(Q)의 관리 한계 식의 출처를 찾을 때
    J. E. Jackson · G. S. Mudholkar · 1979-08 · doi.org/10.1080/00401706.1979.10489779 · 확인 2026-11-12
  6. ★ Statistical process control of multivariate processes (Control Engineering Practice 3(3) 403-414) — 공정 감시에서 T² 와 SPE 를 함께 쓰는 틀 전체를 볼 때
    J. F. MacGregor · T. Kourti · 1995-03 · doi.org/10.1016/0967-0661(95)00014-L · 확인 2026-11-12
  7. 본문 근거
  8. NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4.2 Principal Components Control Charts — NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pmc/section3/pmc342.htm · 확인 2026-11-12
  9. NIST/SEMATECH e-Handbook of Statistical Methods 6.3.4.3 Multivariate EWMA Charts — NIST · 2026-11 · www.itl.nist.gov/div898/handbook/pmc/section3/pmc343.htm · 확인 2026-11-12
  10. SAS/QC 14.1 User's Guide — The MVPMONITOR Procedure: Computing SPE Control Limits — SAS Institute · 2026-11 · support.sas.com/documentation/cdl/en/qcug/68161/HTML/default/qcug_mvpmonitor_details02.htm · 확인 2026-11-12
  11. Multivariate Control Charts for Individual Observations (Journal of Quality Technology 24(2) 88-95) — N. D. Tracy · J. C. Young · R. L. Mason · 1992-04 · doi.org/10.1080/00224065.1992.12015232 · 확인 2026-11-12
  12. Multivariate statistical monitoring of process operating performance (The Canadian Journal of Chemical Engineering 69(1) 35-47) — J. V. Kresta · J. F. MacGregor · T. E. Marlin · 1991-02 · doi.org/10.1002/cjce.5450690105 · 확인 2026-11-12
  13. Multivariate SPC Methods for Process and Product Monitoring (Journal of Quality Technology 28(4) 409-428) — T. Kourti · J. F. MacGregor · 1996-10 · doi.org/10.1080/00224065.1996.11979699 · 확인 2026-11-12
  14. Multivariate SPC Charts for Monitoring Batch Processes (Technometrics 37(1) 41-59) — P. Nomikos · J. F. MacGregor · 1995-02 · doi.org/10.1080/00401706.1995.10485888 · 확인 2026-11-12
  15. A Multivariate Exponentially Weighted Moving Average Control Chart (Technometrics 34(1) 46-53) — C. A. Lowry · W. H. Woodall · C. W. Champ · S. E. Rigdon · 1992-02 · doi.org/10.1080/00401706.1992.10485232 · 확인 2026-11-12
  16. Generalized contribution plots in multivariate statistical process monitoring (Chemometrics and Intelligent Laboratory Systems 51(1) 95-114) — J. A. Westerhuis · S. P. Gurden · A. K. Smilde · 2000-05 · doi.org/10.1016/S0169-7439(00)00062-9 · 확인 2026-11-12
  17. A plant-wide industrial process control problem (Computers and Chemical Engineering 17(3) 245-255) — J. J. Downs · E. F. Vogel · 1993-03 · doi.org/10.1016/0098-1354(93)80018-I · 확인 2026-11-12
  18. NumPy 2.4 Reference Random Generator — NumPy Developers · 2026-11 · numpy.org/doc/2.4/reference/random/generator.html · 확인 2026-11-12