统计过程控制用于监视并管理被监视的过程。对于复杂系统，可能需要生成模型以确定SPC图表在给定特定变量状态时的外观。这也允许管理层计算平均值和预期偏差，以便为特定输入变量创建SPC控制图，而不必在每次过程输入变化时让系统运行并创建新图表。
统计过程控制概述
SPC收集关于观察到的特征（高度，重量，尺寸）的一系列值。这些值是图表。计算过程均值。这用作SPC图表的中心线。然后，计算标准偏差。确定上限和下限，然后放在图表上。然后监控SPC图表。记录任何趋势。任何接近控制上限或下限的趋势都将导致纠正措施。
时间序列建模
时间序列建模以特定时间间隔测量过程。然后计算现有时间序列数据的一系列趋势线或曲线。趋势线是一个简单的代数方程。然后，时间序列模型可以预测未来该趋势线的内容。趋势线可以是平坦的，趋势向上的或趋势向下的。
多变量建模
多变量意味着许多变量。多变量模型有几个变量，都有自己的相关方程。这些变量可包括时间，过程速度，材料变化和任何其他过程变量。基于考虑所有这些因素来创建多变量模型。然后，通过输入不同的时间来创建统计过程控制图的多变量模型。然后，此模型可以显示SPC图表应如何随时间查看不同的变量值。
随机模型
随机过程基本上是随机的。通过为每个可能的结果分配概率来建模这些过程。然后通过多次运行方程来创建模型，以产生最可能的结果和其他结果的概率。随机模型也称为蒙特卡罗模拟。
人工神经网络
这种类型的统计过程控制模型缩写为ANN。人工神经网络是统计过程控制模型中最复杂的形式。它们模拟具有可以变化的多个输入的过程，可以变化的中间步骤以及不同的结果输出。然后，ANN将给出结果。如果该过程具有任何随机过程以及由线性方程定义的变量，则ANN可以给出一系列结果。如果多次运行，这将为这样一个复杂过程的SPC图表提供最可能的“平均”结果。
