李偉瑋，劉永志，甘潔，潘姣妮， 余潔

（廣西財(cái)經(jīng)學(xué)院 信息與統(tǒng)計(jì)學(xué)院，廣西 南寧 530003）

0 引 言

設(shè)備是企業(yè)安全生產(chǎn)和經(jīng)營的物質(zhì)基礎(chǔ)，而備件是設(shè)備正常運(yùn)行的重要保障?，F(xiàn)今各生產(chǎn)企業(yè)的備件管理有很多問題，一方面?zhèn)浼齑娉杀九c采購成本過高，而備件庫存過多則會導(dǎo)致大量的資金被積壓；另一方面，企業(yè)產(chǎn)品在出現(xiàn)應(yīng)急需求時(shí)常因缺少備件而導(dǎo)致生產(chǎn)中斷，設(shè)備備件缺乏科學(xué)的管理手段。但是一些備件種類多、庫存量大、報(bào)廢率高、備件安全性能要求高的設(shè)備的備件的管理更具復(fù)雜性，管理難度大，難以僅憑管理者的經(jīng)驗(yàn)判斷備件的儲備定額。本項(xiàng)目目的是在確保備件保障率的前提下科學(xué)預(yù)測備件耗用情況，通過對原生信息系統(tǒng)算法的改進(jìn)，預(yù)測常用備件的需求，提升精度預(yù)測不常用備件的不穩(wěn)定需求，嘗試預(yù)測一些不常用的備件需求發(fā)生的時(shí)刻，準(zhǔn)確預(yù)測一些不常用備件的“塊狀”需求并設(shè)計(jì)針對一般性不常用需求的預(yù)測模型，提高5%的備件消耗采購比。

1 系統(tǒng)總體結(jié)構(gòu)

備件消耗保障智能預(yù)測系統(tǒng)采用前后端分離架構(gòu)，前端采用Vue 框架可以幫助快速地構(gòu)建網(wǎng)站，可以擴(kuò)展HTML，封裝可以重用的代碼塊，有效地減少了Web 前端開發(fā)的工作量，在降低系統(tǒng)開發(fā)成本的同時(shí)，提升了前端開發(fā)的效率。

平臺后臺架構(gòu)由Python+Django3.1+MySQL 等技術(shù)框架組成。在數(shù)據(jù)準(zhǔn)備的早期階段，用Python 語言編寫程序，獲取卷煙廠近三年的備件申請數(shù)據(jù)進(jìn)行初步分析，作為數(shù)據(jù)集存儲在數(shù)據(jù)庫中，并對數(shù)據(jù)集進(jìn)行清理，以便后續(xù)的模型訓(xùn)練。所采用預(yù)測方法則優(yōu)先考慮在小樣本下表現(xiàn)較好的SVM 回歸預(yù)測方法，在對SVM 回歸預(yù)測進(jìn)行優(yōu)化的基礎(chǔ)上，引入其他技術(shù)使其盡可能匹配不常用備件需求的數(shù)據(jù)特征。

系統(tǒng)總體架構(gòu)圖如圖1所示，整個(gè)系統(tǒng)可分解為六層。前端可供PC 端和移動端訪問系統(tǒng)網(wǎng)站通過需求自定義算法預(yù)測配置傳給后臺處理，后臺根據(jù)輸入的需求數(shù)據(jù)進(jìn)行特征分類，然后根據(jù)不同類型的數(shù)據(jù)選擇預(yù)測模型算法引擎對結(jié)果進(jìn)行預(yù)測。數(shù)據(jù)層通過MySQL 數(shù)據(jù)庫緩存數(shù)據(jù)，通過Python 提供的功能庫進(jìn)行數(shù)據(jù)的標(biāo)注和清洗等操作。運(yùn)行環(huán)境層可以使用云端虛擬機(jī)、獨(dú)立服務(wù)器和第三方虛擬主機(jī)。

圖1 系統(tǒng)總體架構(gòu)圖

2 系統(tǒng)模塊功能

備件消耗保障智能預(yù)測系統(tǒng)有兩個(gè)子平臺組成，分別為智能預(yù)測平臺和優(yōu)化采購檔案平臺。

2.1 智能預(yù)測功能平臺

智能預(yù)測平臺主要是對備件的耗用情況進(jìn)行預(yù)測，用戶通過輸入備件需求數(shù)據(jù)，將預(yù)測的情況通過頁面展示出來，直觀的展示未來一段時(shí)間內(nèi)備件的消耗情況。

該平臺分為備件參數(shù)設(shè)置和信息展示兩大模塊，備件參數(shù)設(shè)置模塊主要功能是讓用戶能夠設(shè)定需要預(yù)測的備件的一些周期、單價(jià)、類型等參數(shù)設(shè)定。設(shè)定好之后通過選擇該類的需求預(yù)測模型的算法引擎，將識別的備件預(yù)測結(jié)果存入數(shù)據(jù)庫中，信息展示模塊用于讀取庫中的預(yù)測，通過前端代碼的渲染生成圖表的直觀信息展示出來。

在備件智能預(yù)測系統(tǒng)中備件管理員可登錄系統(tǒng)根據(jù)不同備件選擇不同的ADI 值、備件類型（分為A、B、C 三類）、備件單價(jià)、ADI 范圍、連續(xù)性數(shù)據(jù)預(yù)測再基于時(shí)間序列數(shù)據(jù)預(yù)測使用不同的模型，更加準(zhǔn)確的預(yù)測不常用備件的“塊狀”需求，即根據(jù)不同備件可以通過人工調(diào)整、分類策略設(shè)置、根據(jù)歷史數(shù)據(jù)自動學(xué)習(xí)等方法來調(diào)整備件保障率，實(shí)現(xiàn)做到不依賴于管理者的經(jīng)驗(yàn)就可以精確的預(yù)測備件的周期耗用量。預(yù)測算法配置好以后可按ADI 平均間隔分類或者備件單價(jià)分類得到備件需求發(fā)生時(shí)刻預(yù)測柱形圖和折線圖，更加直觀地分析備件需求發(fā)生時(shí)刻的領(lǐng)用情況、預(yù)測以及誤差，及時(shí)備件提高效率。預(yù)測算法配置界面如圖2所示，可視化界面以卷煙廠3月的備件數(shù)據(jù)為例，如圖3所示。

圖2 預(yù)測算法配置界面

圖3 預(yù)測結(jié)果可視化界面

通過對高速機(jī)備件進(jìn)行分類，綜合考慮備件所在設(shè)備所處的階段（包括早期故障期、隨機(jī)故障期、損耗故障期），通過構(gòu)造各類備件庫存策略的數(shù)學(xué)模型，在確保備件保障率的基礎(chǔ)上提升備件采購消耗比。項(xiàng)目的整體實(shí)施路徑如圖4所示。

圖4 項(xiàng)目實(shí)施路徑

項(xiàng)目運(yùn)行的流程步驟為：

步驟1：收集備件歷史耗用情況，按方差和閾值的比較結(jié)果來判定備件月均耗用量預(yù)測值調(diào)整的策略，根據(jù)月均耗用（預(yù)測值）來計(jì)算備件故障頻率。

步驟2：根據(jù)步驟1 輸出的備件故障頻率、考核預(yù)設(shè)的備件保障率閾值來計(jì)算備件計(jì)劃采購周期耗用數(shù)量（預(yù)測值）。

步驟3：根據(jù)步驟2 的結(jié)果和備件單價(jià)對所有備件進(jìn)行A、B、C 分類，據(jù)分類來優(yōu)化采購頻次。

步驟4：根據(jù)步驟1、2 的輸出結(jié)果，結(jié)合備件正常采購耗時(shí)，最長采購耗時(shí)，計(jì)劃采購周期等采購參數(shù)量化備件庫存上下限。

步驟5：通過實(shí)際數(shù)據(jù)驗(yàn)證上述步驟所涉及數(shù)學(xué)模型的準(zhǔn)確性和可靠性，修正相關(guān)模型參數(shù)。

通過項(xiàng)目實(shí)施可合理預(yù)測周期備件耗用量，以及通過備件上下限來提高5%的備件采購消耗比。

2.2 優(yōu)化采購檔案平臺

備件需求受多種因素影響，基于影響的因素難以對備件需求進(jìn)行客觀有效的預(yù)測。所以，本項(xiàng)目采用基于時(shí)間序列歷史數(shù)據(jù)的預(yù)測方法以及SVM 回歸預(yù)測方法。在求解系統(tǒng)保障率中的關(guān)鍵是準(zhǔn)確的預(yù)估備件的故障發(fā)生率，建立備件需求預(yù)測模型，即備件的周期耗用模型。根據(jù)備件耗用的歷史情況，可以將備件需求和備件周期耗用需求分為兩種類型：連續(xù)性需求和間斷性需求，根據(jù)這兩種需求方式，使用不同的模型來進(jìn)行預(yù)測。連續(xù)性需求是指在連續(xù)的時(shí)間序列中（如每天、每月等）一直有需求（如備件領(lǐng)用事件）發(fā)生，故常用備件屬于連續(xù)性需求的，用時(shí)間預(yù)測序列法較為合適。間歇性需求是一種隨機(jī)需求，需求數(shù)據(jù)中存在大量零值（無領(lǐng)用記錄或者備件在數(shù)據(jù)統(tǒng)計(jì)區(qū)間內(nèi)無領(lǐng)用記錄），故不常用備件屬于間斷性需求的，在小樣本情況下使用SVM 回歸預(yù)測法較為合適。技術(shù)路線如圖5所示。SVM 模型框架如圖6所示。

圖5 技術(shù)路線

圖6 SVM 模型框架圖

該平臺利用耗用預(yù)測模型獲得周期耗用，通過A、B、C 分類設(shè)置采購周期，得到采購上下限及單次采購量，從而提高資金周轉(zhuǎn)率和消耗采購比。A、B、C 分類管理規(guī)則是根據(jù)一定的原則和標(biāo)準(zhǔn)將備件分為三類：A、B 和C。由于備件的種類和規(guī)格多，加工難度不同，制造周期不同，使用壽命不同，價(jià)格差異很大，對設(shè)備的重要性程度也不同，這將給分類帶來很大困難。

對備件庫先使用A、B、C 分類法，根據(jù)以往經(jīng)驗(yàn)對備件進(jìn)行分類完成系統(tǒng)的初始化。然后根據(jù)備件領(lǐng)用的詳細(xì)數(shù)據(jù)以及備件采購的信息表，使用機(jī)器學(xué)習(xí)的算法（例如SVM 支持向量機(jī)，最小二乘支持向量機(jī)LSSVM，DNN 深度神經(jīng)網(wǎng)絡(luò)）對備件庫進(jìn)行分析處理，按照歷史數(shù)據(jù)進(jìn)行計(jì)算得到備件庫的新的調(diào)整方案，調(diào)整方案整合到現(xiàn)有的庫存分類準(zhǔn)則中得到新的庫存方案。這樣隨著備件庫的歷史數(shù)據(jù)的不斷充實(shí)，備件庫的分類管理方案會得到不斷的優(yōu)化。同時(shí)，新的算法和模型可以不斷加入，通過集成學(xué)習(xí)的框架整合到整個(gè)庫存管理的框架。

3 結(jié) 論

備件消耗保障智能預(yù)測其基本設(shè)計(jì)原則是實(shí)用、合理的結(jié)構(gòu)和技術(shù)特點(diǎn)，為用戶提供簡潔、智能、互動的界面。它易于使用和靈活，用戶可以根據(jù)自己的需要進(jìn)行配置，預(yù)測備件需求，并在平臺間共享數(shù)據(jù)。在平臺的初始階段，我們通過企業(yè)的合法授權(quán)，通過爬蟲程序獲取備件數(shù)據(jù)，從而獲得培訓(xùn)模型所需的數(shù)據(jù)集。

基于單個(gè)零件的保證率無法確定拾取次數(shù)和缺失零件數(shù)量的問題，本項(xiàng)目根據(jù)備件耗用情況，不同備件設(shè)置不同保障率，以此對備件需求確定和配件配置進(jìn)行優(yōu)化。結(jié)合保障率，耗用預(yù)測，A、B、C 分類，庫存上下限管理的多種先進(jìn)技術(shù)，優(yōu)化采購方案，實(shí)現(xiàn)智能制造供應(yīng)鏈環(huán)節(jié)的重要改進(jìn)，節(jié)約成本及提升保障能力。

企業(yè)和社會都嘗到了庫存管理理論帶來的甜頭并從中獲益，對其理論和實(shí)際應(yīng)用的研究取得了快速發(fā)展。研究內(nèi)容從確定性庫存控制模型擴(kuò)展到隨機(jī)庫存控制模型；從單品種單水平庫存模型到多品種多水平庫存控制模型。研究成果價(jià)值在于庫存管理理論的優(yōu)勢不僅僅停留在理論層面，而且它還更多地為實(shí)際所用。