Los procesos de fabricación se han vuelto altamente precisos y exactos en los últimos años, particularmente en las industrias química, aeroespacial y electrónica. Esto ha atraído a investigadores para investigar procedimientos mejorados para el monitoreo y la detección de pequeñas variaciones en los procesos para mantenerse en línea con tales avances. Entre estas técnicas, los controles estadísticos de procesos (SPC), en particular el patrón de gráfico de control (CCP), se han convertido en una opción popular para monitorear la varianza del proceso, siendo utilizados en numerosas aplicaciones industriales y de fabricación. Este estudio proporciona un método mejorado de reconocimiento de patrones de gráficos de control (CCPR) que se centra en patrones de gráficos X-barra de pequeñas variaciones en los procesos utilizando un clasificador en conjunto compuesto por cinco algoritmos complementarios: árbol de decisión, red neuronal artificial, máquina de soporte vectorial lineal, máquina de soporte vectorial gaussiana y k-vecinos más cercanos. Antes de avanzar al paso de clasificación, se utilizaron las Reglas de Rus de Nelson como una regla de monitoreo para distinguir entre procesos estables e inestables. Los hallazgos del estudio indican que el método propuesto mejora el rendimiento de clasificación para patrones con cambios de media de menos de 1.5 sigma, y confirman que el rendimiento del clasificador en conjunto es superior al del clasificador individual. El clasificador en conjunto puede distinguir tipos de patrones inestables con una precisión de clasificación del 99.55% y un ARL1 de 11.94.