有限抽样条件下分条整经的贝叶斯机会约束规划

《AppliedMath》：Bayesian Chance-Constrained Planning Under Limited Sampling for Sectional Warping Daniel López-Rodríguez, Jorge Jordán-Nú?ez, Bàrbara Micó-Vicent and Antonio Belda

　　

分条整经（sectional warping）要求在只能测量少量残余筒子质量样本的情况下选择最终操作长度。本文提出一种贝叶斯机会约束规划规则，将共轭对数空间模型与总体最小值的快速后验预测模拟相结合，以推荐受风险限制的条带长度。该方法提供了透明的风险参数、较高的计算效率，以及与启发式方法、自助法（bootstrap）、分布无关（distribution-free）方法和尾部模型基线的直接比较。在一项近工业场景的合成研究中，该贝叶斯策略在维持短缺风险受控的同时，相较于经过调参的样本最小值规则降低了平均剩余量，且结果进一步阐明了：在典型抽样预算下，完全分布无关的保证在实践中并不可行。

该文发表于《AppliedMath》，聚焦织造准备阶段中分条整经（sectional warping）最后一条带长度的计划决策问题。研究背景在于：整经过程中，多个筒子同时供纱，最终条带能否顺利完成取决于所有供纱端中残余质量最小的那个筒子；一旦某一端提前耗尽，就会引发断头、换筒、接头与重新穿纱等干预，造成停机、张力波动和质量风险。生产现场通常因无法在决策时刻称量全部N个筒子，只能对其中少量筒子进行抽样称重，因此操作人员往往依赖保守经验规则提前停机或预防性更换筒子，导致大量残余纱线滞留。现有研究多关注整经设备控制、张力调节和自动化问题，而对于“在部分信息下如何确定最后条带长度”这一统计决策问题，系统性研究相对不足。基于此，研究人员将该问题形式化为机会约束优化（chance-constrained optimization）问题，并指出其核心受极端次序统计量（extreme order statistic）即总体最小值支配，因此尾部不确定性会显著影响“安全”长度的设定。

研究人员建立了一个以残余筒子质量为核心变量的贝叶斯决策框架。设第i个筒子的残余质量为W_i，纱线换算系数为κ，则每端可用长度为L_i=κW_i。最终条带长度记为x，另考虑开停车、重启和断头带来的额外长度消耗Z；只有当所有供纱端均满足最小可用长度不小于x+Z时，最终条带才可无断头完成。文章同时定义了总剩余量指标R(x)，用于表征计划长度与纱线利用效率之间的权衡。由于只能观测小样本w_1:n且n?N，研究人员假定筒子残余质量满足可交换性（exchangeability），据此将有限抽样条件下的参数推断建立在超总体（superpopulation）近似上，并明确指出：若潜在低质量亚群被忽略，则预测的总体最小值会偏高，从而使决策过于乐观。

方法上，研究人员在对数空间中采用对数正态模型（lognormal model）作为基准分布，即令Y_i=logW_i并假设Y_i|μ,σ²～N(μ,σ²)。考虑到小样本情形下离散度σ²未知对尾部预测十分关键，研究采用正态–逆伽马先验（Normal–Inverse-Gamma prior）对(μ,σ²)进行共轭建模，从而获得闭式后验更新，便于结合历史批次信息进行先验设定。对于额外消耗Z，文章既允许将其视作固定安全裕度S，也允许视作由机器日志支持的Gamma随机变量；在主要合成实验中采用固定设定Z=S=30 m/end。为实现风险受限决策，研究定义容量变量C=κW_min-Z，其中W_min为N个筒子残余质量的总体最小值，并将最优计划长度x^*设定为容量后验预测分布的ε分位数Q_ε(C|w_1:n)。该规则的含义是：在后验预测意义下，使条带完成概率至少达到1-ε，同时尽可能提高计划长度。文章还证明，基于逆变换方法可在每次后验抽样时以O(1)复杂度直接模拟总体最小值，而无须为每个后验样本显式生成全部N个筒子质量，从而显著提升实时决策计算效率。

研究使用的主要技术方法可概括为以下几类：第一，采用对数正态似然与正态–逆伽马共轭先验构建小样本贝叶斯推断框架；第二，以机会约束分位数策略实现短缺风险受限的最终条带长度决策；第三，利用总体最小值的逆变换快速抽样进行后验预测模拟；第四，设置样本最小值启发式、自助法、Wilks分布无关容忍下界、阈上超越法（POT, peaks-over-threshold）等基线方法进行比较；第五，通过合成数据重复蒙特卡罗（Monte Carlo）实验、后验预测检验（PPC, posterior predictive checks）与混合异质性压力测试评估模型校准性与稳健性。样本来源方面，正文未使用公开工厂筒子级真实队列，而是采用可复现实业化风格合成数据作为验证基准。

在结果部分，文章保留了若干小标题以组织论证。
6.1. Synthetic Data Generation and Scope：研究人员说明，由于专有整经日志通常涉密，故构建近工业场景的合成数据进行方法验证。基准设定为N=480、n=20、κ=40,000 m/kg、S=30 m/end，残余质量服从对数正态分布，参数经反向校准后使真实容量C的5%分位数约处于681 m/end量级。该设计保留了“筒子数多、称样少、分布右偏、可能存在低质量亚群”等工业可置信特征。

6.2. Risk–Waste and Risk–Length Frontiers：通过大量重复模拟，研究人员构建了风险–剩余量前沿与风险–长度前沿。结果表明，贝叶斯策略可通过调节目标短缺概率ε在保守性与利用效率之间形成清晰可解释的操作前沿。文中指出，将ε=0.05作为默认操作点具有较好折中：与1%目标相比，可明显增加计划长度并减少平均剩余量；而10%和20%目标则会带来更显著的实际短缺上升。

6.3. Calibration：研究人员比较了经验短缺概率与目标ε之间的一致性，发现信息性先验（informative prior）较弱先验（weak prior）更能稳定所选x，并改善小样本下的校准表现。不过，后验预测分位数不保证精确的频率学校准，因此在有限样本中出现轻度保守是预期现象。在信息性先验基准下，名义ε=0.05对应的经验短缺约为3.1%，说明该策略略偏保守，但在工业风险规避场景中这种余量具有实际吸引力。

6.4. Benchmark Comparison at ε=0.05：在目标风险ε=0.05下，信息性先验贝叶斯策略在比较方法中取得了最低的平均剩余量，同时保持短缺概率接近目标值。相比之下，样本最小值启发式若要达到近似风险水平，必须设置很大的人工安全边际M=700 m，从而显著增加剩余量。参数自助法虽同样传播参数不确定性，但在n=20的小样本条件下对下尾参数估计更不稳定，因此短缺率更高、x的标准差也更大。该结果表明，先验正则化（prior regularization）是提升该问题风险控制性能的关键因素。

6.5. Sample Size and Distribution-Free Feasibility：在6.5.1中，研究人员根据Wilks结果给出分布无关单侧容忍下界所需样本量，指出当N较大且要求置信度γ=0.95时，为保证每端生存概率所需的n远超生产可行范围，从而论证了“完全分布无关保证”在本问题中的现实不可行性。在6.5.2中，研究人员进一步考察样本量n对性能的影响，发现弱先验下，当n=70时经验短缺仍高于5%，而到n=80时才降至5%以下，说明样本量阈值需要较密集网格评估，不能由稀疏插值可靠推断。

6.6. Posterior Predictive Checks：研究通过面向下尾的后验预测检验，以观测样本最小值与复制样本最小值的分布进行比较。若PPC的p值极端接近0或1，则提示尾部拟合不足或抽样偏差。该检验为现场部署提供了模型失配的可操作诊断工具。

6.7. Robustness Stress Test: Mild Heterogeneity：为检验未建模异质性的影响，研究人员构建了一个有限混合压力测试：5%的筒子属于低质量亚群，其平均残余质量为0.035 kg，其余仍遵循基准对数正态分量，且共享相同对数尺度离散度。结果表明，在这一情形下，信息性先验贝叶斯策略的短缺率由基准下的0.041升高至0.246，显示隐含低质量亚群对失败概率具有支配作用。由此文章强调，分层抽样、漂移监测，以及分层/混合/层级贝叶斯模型扩展，对于实际应用至关重要。

讨论部分围绕部署价值与局限展开。文章认为，该框架具有较强的操作可实施性：只需称量少量筒子、已知纱支即可计算κ，并输出单一长度建议x^*。但其有效性依赖于若干条件，包括抽样无偏性、先验与当前工况的一致性、额外消耗Z的合理估计，以及对下尾模型失配的监控。信息性先验虽能在小样本下显著稳定决策，但在供应商切换、批次漂移等工况变化下可能带来系统性偏差；对数正态假设若低估下尾厚度，则总体最小值预测会偏乐观。文章因此建议结合PPC、滚动重估、分层抽样、重尾先验或混合模型等方式进行稳健化扩展，并指出当存在工厂元数据时，可进一步引入层级贝叶斯模型与自适应抽样策略。

研究结论部分可译述如下：研究人员提出了一个用于有限筒子称量条件下分条整经最终条带长度选择的贝叶斯机会约束框架。该方法在对数空间中用正态–逆伽马先验建模残余质量，推导总体最小值的后验预测分布，并将最终条带长度选取为容量变量较低的后验预测分位数，以满足指定短缺概率约束。基准比较与合成案例研究表明，该贝叶斯策略在提供显式风险–剩余量前沿的同时，相较于经调参的样本最小值启发式方法能够降低剩余量。研究还表明，若对最小值追求分布无关保证，则所需称量筒子数将比生产可行水平高出若干数量级，因此更合理的路径是采用参数化建模，并结合诊断检验与先验敏感性分析。修订后的研究进一步得到三点实践结论：其一，在所检验的对数正态基准下，信息性先验贝叶斯策略在短缺风险、剩余量和长度稳定性之间提供了最佳综合折中；其二，更新后的样本量分析直接显示，在弱先验设定下经验短缺率于n=70时仍高于5%，到n=80时才降至该目标以下；其三，显式混合压力测试确认隐藏的低质量亚群会主导失败概率，从而支持分层抽样、漂移监测以及未来层级或混合模型扩展的必要性。