은닉 마르코프 모형(hidden markov model; HMM)은 통계적 모형 기반의 비지도학습 방법 중 하나이다. HMM은 은닉 상태의 수를 조절하여 스퀀스 데이터에 대해 학습이 가능하다. 이 논문에서는 자기상관이 존재하는 공정에서 HMM에 기반한 공정 모니터링 절차를 소개하고, 은닉 상태의 수를 다르게 설정하여 절차의 성능을 비교하고 평가하였다. 성능 평가를 위해 평균 런길이(average run length; ARL)와 다양한 변화에 대한 상대적인 성능 비교를 위해 RMI (relative mean index)라는 측도를 사용하였다. 모의실험을 통해 은닉 상태의 수에 따른 성능 변화 및 딥러닝 기반 절차 중 하나인 RNN 기반 잔차 관리도 절차와 성능을 비교하였다. 시계열 모형의 자기상관 구조와 변화 유형에 따라 HMM 기반 절차의 최적의 은닉 상태의 수는 다르게 나타났으며, AR 형태의 과정에서 1차 자기상관이 아주 강한 경우 HMM 기반 절차가 RNN 기반 절차에 비해 전반적으로 좋은 성능을 보임을 알 수 있었다.