4. 阈值工程方法论：基于统计过程控制（SPC）的阈值设定原理

在缺料预警场景中，阈值设定不能仅凭经验拍脑袋。统计过程控制（SPC）提供了一套严谨的数学框架，将“正常波动”与“异常信号”分离，使预警阈值具备统计显著性。本节将阐述SPC的核心原理及其在库存阈值工程中的映射方法。

4.1 SPC基础：两类波动与控制界限

SPC认为任何过程输出都存在波动，但波动性质不同：

• 偶然波动（Common Cause）：由系统固有因素引起，如需求的小幅随机波动、运输时间的自然变异。这类波动稳定、可预测，不应触发预警。
• 异常波动（Special Cause）：由可归因的外部干扰引起，如供应商突发停产、订单批量跳增。这类波动超出正常范围，需要预警介入。

控制图通过设定中心线（CL）、上控制界限（UCL）和下控制界限（LCL）来区分两类波动。在缺料预警中，我们主要关注库存水平是否低于LCL（即缺料风险区）。

4.2 阈值设定流程：从数据采集到控制图建立

基于SPC的阈值设定遵循以下五个步骤：

1. 数据采集与分组：按物料-周期（如日/周）采集库存水平数据，每个子组至少包含4~5个样本点。
2. 计算统计量：计算每个子组的均值（x̄）和极差（R）或标准差（s）。
3. 确定控制界限：使用均值-极差图（x̄-R图）或均值-标准差图（x̄-s图）公式计算UCL和LCL。
4. 绘制控制图并判稳：验证历史数据是否处于统计受控状态（无异常点、无趋势、无链）。
5. 设定预警阈值：将LCL作为初始缺料预警阈值，并根据实际运行效果进行微调。

4.3 SPC阈值设定原理图

下图展示了基于SPC的缺料预警阈值设定逻辑，包含数据输入、统计计算、控制图判异和阈值输出四个核心模块。

4.4 控制界限计算：x̄-R图与I-MR图

根据数据分组方式不同，选择对应的控制图公式。以下为两种常用类型的计算表：

4.5 阈值动态调整：从静态LCL到自适应阈值

传统SPC控制界限基于历史数据固定不变，但库存过程具有时变性（如季节性需求、产品生命周期变化）。因此，缺料预警阈值需要引入滚动窗口更新机制：

• 窗口长度选择：建议使用最近20~30个数据点计算μ和σ，兼顾稳定性和敏感性。
• 更新频率：每新增一个数据点，剔除最旧的一个数据点（滑动窗口），重新计算LCL。
• 异常值处理：若新数据点被判定为异常（超出控制界限），不纳入窗口计算，防止阈值被异常值“拉偏”。

以下为滑动窗口阈值更新的伪代码示例：

// 滑动窗口阈值更新算法（Python风格伪代码）
window_size = 25
k = 3.0

def update_threshold(inventory_history, new_value):
    # 判异：若新值超出当前控制界限，标记为异常
    if is_out_of_control(new_value, mu, sigma, k):
        alert("异常波动，不更新窗口")
        return LCL
    
    # 滑动窗口：加入新值，移除最旧值
    window = inventory_history[-window_size+1:] + [new_value]
    
    # 重新计算统计量
    mu = mean(window)
    sigma = std(window)
    LCL = mu - k * sigma
    
    return LCL

4.6 阈值工程实施清单

在工程现场实施SPC阈值设定时，建议按以下清单逐项确认：