Monitoring manufacturing process variation remains challenging, especially within a rapid and automated manufacturing environment. Problematic and unstable processes may produce distinct time series patterns that could be associated with assignable causes for diagnosis purpose. Various machine learning classification techniques such as artificial neural network (ANN), classification and regression tree (CART), and fuzzy inference system have been proposed to enhance the capability of traditional Shewhart control chart for process monitoring and diagnosis. ANN classifiers are often opaque to the user with limited interpretability on the classification procedures. However, fuzzy inference system and CART are more transparent, and the internal steps are more comprehensible to users. There have been limited works comparing these two techniques in the control chart pattern recognition (CCPR) domain. As such, the aim of this paper is to demonstrate the development of fuzzy heuristics and CART technique for CCPR and compare their classification performance. The results show the heuristics Mamdani fuzzy classifier performed well in classification accuracy (95.76%) but slightly lower compared to CART classifier (98.58%). This study opens opportunities for deeper investigation and provides a useful revisit to promote more studies into explainable artificial intelligence (XAI).

中文翻译：

---

基于统计特征的控制图模式分类的模糊启发式和决策树

监视制造过程变化仍然具有挑战性，尤其是在快速和自动化的制造环境中。有问题和不稳定的过程可能会产生不同的时间序列模式，这些时间序列模式可能与可分配原因相关联以进行诊断。已经提出了各种机器学习分类技术，例如人工神经网络（ANN），分类和回归树（CART）以及模糊推理系统，以增强传统的Shewhart控制图进行过程监视和诊断的能力。ANN分类器对于用户来说通常是不透明的，并且在分类程序上的解释性有限。但是，模糊推理系统和CART更加透明，并且内部步骤对于用户而言更容易理解。在控制图模式识别（CCPR）域中比较这两种技术的工作很少。因此，本文旨在证明模糊启发式技术和CART技术在CCPR中的发展，并比较它们的分类性能。结果表明，启发式Mamdani模糊分类器的分类准确率（95.76％）较好，但比CART分类器（98.58％）略低。这项研究为更深入的研究提供了机会，并提供了有益的回顾，以促进将更多的研究纳入可解释的人工智能（XAI）。结果表明，启发式Mamdani模糊分类器的分类准确率（95.76％）较好，但比CART分类器（98.58％）略低。这项研究为更深入的研究提供了机会，并提供了有益的回顾，以促进将更多的研究纳入可解释的人工智能（XAI）。结果表明，启发式Mamdani模糊分类器的分类准确率（95.76％）较好，但比CART分类器（98.58％）略低。这项研究为更深入的研究提供了机会，并提供了有益的回顾，以促进将更多的研究纳入可解释的人工智能（XAI）。