شناسایی صحیح و طبقه بندی دقیق الگوهای معنی دار در نمودارهای کنترل فرآیند آماری از نظر آنکه رفتارهای غیرطبیعی را تداعی می کنند بسیار بااهمیت است. تشخیص و استخراج الگوهای غیرطبیعی، حساسیت نمودارهای کنترلی را در شناسایی وضعیت های خارج از کنترل افزایش می دهد. در سال های اخیر به دلیل توانمندی های شبکه های عصبی مصنوعی، از آن ها برای شناسایی الگوهای غیرطبیعی در نمودارهای کنترلی شوهارت استفاده شده است. اغلب این پژوهش ها، بویژه هنگامی که حساسیت فرآیند نسبت به رخداد الگوهای غیرطبیعی بالا باشد، دچار خطای طبقه بندی نادرست الگوها می شوند. در این پژوهش، مدل ترکیبی مبتنی بر شبکه های LVQ و MLP و همچنین خط برازش نمونه ها برای شناسایی و تجزیه و تحلیل الگوهای غیرطبیعی پایه در نمودارهای کنترل فرآیند ارائه شده است. این مدل پیشنهادی، علاوه بر اینکه در سطوح مختلف حساسیت، خطای طبقه بندی نادرست الگوها را به مقدار زیادی کاهش می دهد، رخداد همزمان الگوهای پایه را شناسایی و پارامترهای متناظر را برآورد می کند. در نهایت با بکارگیری نمونه های شبیه سازی شده، کارآمدی و اثربخشی مدل نشان داده شده است.