CN110147975A - 备件库存控制方法及装置 - Google Patents
备件库存控制方法及装置 Download PDFInfo
- Publication number
- CN110147975A CN110147975A CN201910433129.4A CN201910433129A CN110147975A CN 110147975 A CN110147975 A CN 110147975A CN 201910433129 A CN201910433129 A CN 201910433129A CN 110147975 A CN110147975 A CN 110147975A
- Authority
- CN
- China
- Prior art keywords
- spare part
- type
- continuous
- order
- insignificant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种备件库存控制方法及装置,所述方法应用于管控备件库存的控制终端,包括:确定备件所属的备件类别;确定与所述备件类别对应的库存控制策略;按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。本发明针对不同备件类别采用不同的库存控制策略,可以实现针对性的确定缺货备件,并针对性计算订货量以便进行补充,从而能够在满足使用要求的条件下控制大型备件仓库备件量在合理范围内。
Description
技术领域
本申请涉及自动化库存技术领域,尤其涉及备件库存控制方法及装置。
背景技术
在大型备件仓库中可以存储不同种类物品。为了合理管控大型备件仓库,通常会对备件进行库存控制。目前对于大型备件仓库的库存控制主要是在发现备件存储不足时便进行补充,且,不同备件采用相同的库存控制策略。
由于不同备件的替换频率不同,所以不同备件采用同一库存控制策略,会造成一些备件库存量不足无法为产品提供备件、另一些备件库存积压占用较大库存空间和成本,导致大型备件仓库的稳定性和使用率较低。
发明内容
鉴于此,本申请提供备件库存控制方法及装置,可以基于备件所属类别设置适应的库存控制策略,从而可以提高大型备件仓库的稳定性使用率。
为了实现上述目的本申请提供了下述技术特征:
一种备件库存控制方法,应用于管控备件库存的控制终端,所述方法包括:
确定备件所属的备件类别;
确定与所述备件类别对应的库存控制策略;
按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。
可选的,所述备件类别为连续重要型、连续非重要型、间歇重要型或间歇非重要型。
可选的,所述按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量,包括:
若所述备件类别为连续重要型,则确定所述备件的库存量,若该库存量小于第一数值,则按第一公式计算并输出第一订货量;
若所述备件类别为连续非重要型,则确定所述备件的库存量,若该库存量小于第二数值,则按第二公式计算并输出第二订货量;
若所述备件类别为间歇重要型,则确定所述备件的预测消耗量,若所述预测消耗量大于第三数值,则按第三公式计算并输出第三订货量;
若所述备件类别为间歇非重要型,则按时间变量确定所述备件的库存量,若该库存量小于第四数值,则按第四公式计算并输出第四订货量。
可选的,所述第一数值采用如下公式计算:S1=ss+d×L1,其中,S1为所述第一数值、ss为所述连续重要型备件所需的安全库存量、d为采用预测策略预测的所述连续重要型备件日消耗量、δ1为所述连续重要型备件消耗量的偏差、L1为所述连续重要型备件订货提前期,μ1为所述连续重要型备件安全系数;
所述第二数值采用如下公式计算:S2=(L2+1)D2+μ2×δ2×(L2+1);其中,S2为所述第二数值、L2为所述连续非重要型备件订货提前期、D2为采用预测策略预测的所述连续非重要型备件年消耗量、μ2为所述连续非重要型备件安全系数、δ2为所述连续非重要型备件消耗量的偏差;
所述第三数值S3为0;
采用指数平滑法计算所述时间变量,计算公式如下:
其中,ti+1表示i+1个周期的时间变量的时长,ti表示i个周期时间变量的时长,di是第i周期内所述间歇非重要型备件的实际消耗量,β是平滑常数,0≤β≤1;所述第四数值采用如下公式计算:
其中,S4为所述第四数值,是ti+L4时间段内所述间歇非重要型备件预测的消耗量的平均值,μ4是所述间歇非重要型备件安全系数,L4是所述间歇非重要型备件采购提前期。
可选的,所述按第一公式计算并输出第一订货量,包括利用第一公式计算并输出所述第一订货量Q1;其中D1表示预测获得的所述连续重要型备件的年消耗量,C1表示所述连续重要型备件的单次订购成本;H1表示所述连续重要型备件年储存的成本;
所述按第二公式计算并输出第二订货量,包括:利用第二公式计算并输出所述第二订货量Q2;其中D2表示预测获得的所述连续非重要型备件的年消耗量,C2表示所述连续非重要型备件单次订购成本;H2表示所述连续非重要型单位备件年储存的成本;
所述按第三公式计算并输出第三订货量,包括:将周期性确定间歇型重要型备件的预测消耗量作为所述第三订货量,输出所述第三订货量;
所述按第四公式计算并输出第四订货量,包括:将所述第四数值与所述间歇非重要型备件的库存量的差值,确定为所述第四订货量,输出所述第四订货量。
可选的,还包括:
利用备件消耗量历史数据预测所述连续重要型备件年消耗量D1;
利用RBF神经网络法预测所述连续非重要型备件年消耗量D2;
利用基于APSO优化的WLS-SVM模型,周期性预测所述间歇重要型备件的预测消耗量;
通过所述间歇非重要型备件消耗量历史数据确定消耗量分布,并基于Croston模型预测所述间歇非重要型备件的预测消耗量。
可选的,所述通过所述间歇非重要型备件消耗量历史数据确定消耗量分布,并基于Croston模型预测所述间歇非重要型备件的预测消耗量,包括:采用指数平滑法预测所述间歇非重要型备件的预测消耗量;
其中,α是平滑常数,0≤α≤1;Ri+1是第i+1个时间变量内所述间歇非重要型备件的预测消耗量;Ri是第i个时间变量内所述间歇非重要型备件的预测消耗量;di是第i个时间变量内间歇非重要型备件的实际消耗量。
一种备件库存控制装置,应用于管控备件库存的控制终端,所述装置包括:
确定类别单元,用于确定备件所属的备件类别;
确定策略单元,用于确定与所述备件类别对应的库存控制策略;
计算输出单元,用于按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。
可选的,所述备件类别为连续重要型、连续非重要型、间歇重要型或间歇非重要型。
可选的,所述计算输出单元,包括:
若所述备件类别为连续重要型,则确定所述备件的库存量,若该库存量小于第一数值,则按第一公式计算并输出第一订货量;
若所述备件类别为连续非重要型,则确定所述备件的库存量,若该库存量小于第二数值,则按第二公式计算并输出第二订货量;
若所述备件类别为间歇重要型,则确定所述备件的预测消耗量,若所述预测消耗量大于第三数值,则按第三公式计算并输出第三订货量;
若所述备件类别为间歇非重要型,则按时间变量确定所述备件的库存量,若该库存量小于第四数值,则按第四公式计算并输出第四订货量。
通过以上技术手段,可以实现以下有益效果:
本申请提供技术方案中可以确定备件所属的备件类别,并确定备件类别的库存控制策略,以便使得不同类型的备件采用不同的库存控制策略。基于不同的库存控制策略来判断备件是否缺货,并在缺货情况下按不同的库存控制策略来计算并输出订货量。
即,本申请针对不同备件类别采用不同的库存控制策略,所以可以实现针对性的确定缺货备件,并针对性计算订货量以便进行补充,从而能够在满足使用要求的条件下控制大型备件仓库备件量在合理范围内。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种备件库存控制方法的预处理操作;
图2为本申请实施例公开的一种备件库存控制方法的流程示意图;
图3为本申请实施例公开的一种备件库存控制装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在介绍备件库存控制方法之前,参见图1,提供一些预处理操作。
步骤S101:确定大型备件仓库各个备件的备件类别。
以大型备件仓库为武器***备件仓库为例,采用快慢速流动分类和ABC分类相结合的分类方法,将武器***备件仓库划分为四个备件类别:连续型A类也即连续重要型、连续性BC类也即连续非重要型、间歇型A类也即间歇重要型和间歇型BC类也即间歇非重要型。
可以采用如下实现过程:
S1:设置快慢速流动的备件划分标准。
基于二八原则策略对备件进行划分,找出适合武器***备件的划分标准,也即年消耗量阈值。关于确定年消耗量阈值的过程可以依据不同应用场景而定,在此不再赘述。
S2:将备件分为连续型集合和间歇型集合。
获取各个备件的年消耗量,若一个备件的年消耗量大于年消耗量阈值,则将该备件划入快速流动备件集合也即连续型;若一个备件的年消耗量小于年消耗量阈值,则将备件划入慢速流动备件集合也即间歇型。
S3:确定并存储各个备件所属的备件类型。
分别对快速流动备件集合和慢速备件流动集合利用ABC分类规则进行细分,ABC分类规则实现过程如下:将备件按其储备的价值高低进行排列,其中数量只占库存总量20%左右而价值占总库存资金额70%的备件为A类备件;数量占库存总量80%左右而价值约占总库存资金额30%的备件为BC类备件。
依据ABC分类规则将快速流动备件集合划分为快速A类(也即连续重要型)和BC类备件子集(也即连续非重要型),慢速流动备件子集划分为慢速A类(也即间歇重要型)和慢速BC类备件子集(间歇非重要型)。
步骤S102:生成并存储备件标识与备件类别的对应关系。
在确定各个备件对应关系后,确定各个备件的备件标识,并构建备件标识与备件类型的对应关系,存储对应关系,以用于后续使用。
根据本申请一个实施例,本申请提供一种备件库存控制方法,应用于大型备件仓库的库存控制设备。由于大型备件仓库中的备件非常多,为了便于描述,本实施例采用一个备件为例进行详细说明。
参见图2,备件库存控制方法包括以下步骤:
步骤S201:依据备件标识与备件类别的对应关系,确定备件所属的备件类别。
参见图1所示,备件类别可以包括连续重要型、连续非重要型、间歇重要型和间歇非重要型;获取备件标识,并依据备件标识和备件类别的对应关系,确定备件所属的备件类别。
步骤S202:确定与所述备件类别对应的库存控制策略。
若所述备件类别为连续重要型,则库存控制策略包括:衡量所述备件是否缺货的第一数值,以及,计算订货量的第一公式;
若所述备件类别为连续非重要型,则库存控制策略包括:衡量所述备件是否缺货的第二数值,以及,计算订货量的第二公式;
若所述备件类别为间歇重要型,则库存控制策略包括:衡量所述备件是否缺货的第三数值,以及,计算订货量的第三公式;
若所述备件类别为间歇非重要型,则库存控制策略包括:衡量所述备件是否缺货的第四数值,以及,计算订货量的第四公式。
步骤S203:按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。
下面分别对四种备件类别进行描述:
若所述备件类别为连续重要型,则确定所述备件的库存量,若该库存量小于第一数值,则按第一公式计算并输出第一订货量。
对于连续重要型备件,属于重点管理的关键备件,其占用资金高且缺货成本大,消耗量也具有一定随机性。为了在满足生产设备正常需求的前提下,尽可能降低库存的缺货概率,采用(S,Q)控制策略调控连续重要型备件,具体过程如下:
第一数值的计算公式如下:S1=ss+d×L1,其中,S1为第一数值、ss为所述连续重要型备件所需的安全库存量、d为采用预测策略预测的所述连续重要型备件日消耗量、δ1为所述连续重要型备件消耗量的偏差、L1为所述连续重要型备件订货提前期,μ1为所述连续重要型备件安全系数。
由于连续性备件的消耗量较为快速,所以可以每天获取备件的库存量,并将库存量与第一数值进行对比,若备件的库存量大于第一数值,则表示备件的库存量还足够无需补充。若库存量小于第一数值,则表示备件的库存量减少需要进行补充,可以按第一公式计算并输出第一订货量。
按第一公式计算并输出第一订货量,包括利用第一公式计算第一订货量Q1并输出第一订货量Q1;其中D1表示预测获得连续重要型备件的年消耗量,C1表示连续重要型备件单次订购成本;H1表示连续重要型备件年储存的成本。
若所述备件类别为连续非重要型,则确定备件的库存量,若库存量小于第二数值,则按第二公式计算并输出第二订货量。
对于连续非重要型备件,在库存管理中属于相对次要的地位,重要性及服务水平均没有连续重要型备件高。同样采用(S,Q)控制策略调控连续非重要型备件:
所述第二数值采用如下公式计算:S2=(L2+1)D2+μ2×δ2×(L2+1);其中,S2为第二数值、L2为所述连续非重要型备件订货提前期、D2为采用预测策略预测的所述连续非重要型备件年消耗量、μ2为所述连续非重要型备件安全系数、δ2为所述连续非重要型备件消耗量的偏差。
由于连续性备件的消耗量较为快速,所以可以每天获取备件的库存量,并将库存量与第二数值进行对比,若备件的库存量大于第二数值,则表示备件的库存量还足够无需补充。若库存量小于第二数值,则表示备件的库存量减少需要进行补充,可以按第二公式计算并输出第二订货量。
所述按第二公式计算并输出第二订货量,包括:利用第二公式计算第二订货量Q2并输出第二订货量Q2;其中D2表示预测获得连续非重要型备件的年消耗量,C2表示连续非重要型备件的单次订购成本;H2表示连续非重要型备件年储存的成本。
若所述备件类别为间歇重要型,则确定备件的预测消耗量,若所述预测消耗量大于第三数值,则按第三公式计算并输出第三订货量。
对于间歇重要型备件其消耗量较少,但备件价格和库存成本都很高,在备件库存周转资金中占有很大的比例。另一方面,间歇重要型备件还有重要性高,订货周期长,预测难度大等特点,备件一旦由于发生故障失效,而不能得到及时的维修替换很有可能会造成停机,严重影响正常运转。
为了保证缺货这种情况不会发生,采用保证不缺货(S-1,S)控制策略预测备件的消耗量,一旦备件有消耗,即预测消耗量不为0,则需要提出订货申请,且订货数量等于上一步预测消耗量。
因此,第三数值S3为0。间歇重要型备件使用频率较低,但是占用比重较多,所以可以采用预测方式确定备件的预测消耗量,当预测消耗量为零时,确定不需要增加备件,当预测消耗量不为零时,便确定需要增加库存量。
所述按第三公式计算并输出第三订货量,包括:将所述预测消耗量作为所述第三订货量,输出所述第三订货量。
若所述备件类别为间歇非重要型,则按时间变量确定备件的库存量,若库存量小于第四数值,则按第四公式计算并输出第四订货量。
对于间歇非重要型备件,备件的重要性相对较低且备件的消耗速度慢,消耗量较少所占用的金额不大。考虑到间歇非重要型备件一般体巧都不会太大且消耗量较低,较为合适的做法是一次订购较大数量,加大两次订货之间的时长,减少相应的工作量。因此采用基于定期订货的(t,S)控制策略。
在库存管理上可采取按时间变量的统计方式,直至发现剩余库存的数量低于库存警戒点,再发出订货申请,并一次将库存补充到最高水平,如果没有到达库存最低点,则不予处理。
在备件为间歇非重要型的情况下,可以预先存储较多备件,然后计算得到一个时间变量t(例如10天或一个月),在等待时间达到时间变量t时来统计间歇非重要型备件的库存量。
采用指数平滑法计算所述时间变量,计算公式如下:
其中,ti+1表示i+1个周期的时间变量的时长,ti表示i个周期时间变量的时长,di是第i周期所述间歇非重要型备件的实际消耗量,β是平滑常数,0≤β≤1;
所述第四数值采用如下公式计算:
其中,S4为第四数值,是周期ti+L4时间段内所述间歇非重要型备件预测的消耗量的平均值,μ4是所述间歇非重要型备件安全系数,L4是所述间歇非重要型备件采购提前期是t+L时间段内消耗量的平均值,μ4是安全系数,L4是采购提前期;σR是需求预测值的标准差。
按时间变量来获取备件的库存量,并将库存量与第四数值进行对比,若备件的库存量小于第四数值,则表示备件的库存量减少需要进行补充,可以按第四公式计算并输出第四订货量。
所述按第四公式计算并输出第四订货量,包括:将第四数值与备件的库存量的差值,确定为所述第四订货量,输出所述第四订货量。
下面分别针对不同备件类别的消耗量预测过程进行详细描述。
(1)利用备件消耗量历史数据预测所述连续重要型备件年消耗量D1
连续重要型备件的使用频率较低数据样本少,同时考虑其消耗的时间特性,采用了基于Markov状态转移的连续重要型备件预测模型进行消耗量预测,通过状态时变分析和模型解析获得相对精确的预测量。具体实现方法如下:
假定连续重要型备件消耗率为d(t),周转率为μ(t)。Pn(t)表示连续重要型备件消耗量为n的概率,P’n(t)为Pn(t)关于时间t的导数,状态转移方程为:
P′n(t)=-[d(t)+nμ(t)]Pn(t)+d(t)Pn-1+
(n+1)μ(t)Pn+1(t)
n=1,2,3,......……公式(1)
P′0(t)=-d(t)P0(t)+μ(t)P1(t)…………公式(2)
令E[N(t)]表示t时刻的连续重要型备件消耗量,记为E(t)。E’(t)为E[N(t)]关于时间t的导数。根据状态转移方程,可得:
从上式可以看出,E’(t)是t时刻连续重要型备件消耗率与综合周转率(连续重要型备件消耗量E(t)与周转速率μ的乘积)之差,表示连续重要型备件消耗量对的变化率。
同理可得:
令D[N(t)]表示t时刻的连续重要型备件消耗量的方差,记为D(t),D’(t)表示其导数,则有:
根据上式,可以计算任意时刻的连续重要型备件消耗量的均值与方差。
计算E(t)与D(t)均需要计算Pn,任意t时刻Pn(t)的计算方法为:
①如果D(t)/E(t)>1,可以近似认为Pn(t)服从负二项分布,分布形式为:
均值为r(1-p)/p,方差为r(1-p)/p2,P0可以表示为:
②如果D(t)/E(t)≈1,可以近似认为Pn(t)服从泊松分布,分布形式为:
泊松分布的均值与方差为λ,P0可以表示为:
P0=e-λ,λ=D(t)=E(t)……公式(9)
③如果D(t)/E(t)<1,可以近似认为Pn(t)服从二项分布,分布形式为:
二项分布的均值为np,方差为np(1-p)。P0可以表示为:
根据连续重要型备件消耗量的分布函数,可以利用式(3)和式(5)计算t时刻备件消耗量的均值E(t)和方差D(t)。计算步骤如下:
(a)利用备件消耗量历史数据确定分布函数,并计算Pn[E(t),D(t)]
(b)根据式(3)与(5)计算E′(t)与D′(t);
(c)给定Δ>0,δ为d(t)与μ(t)的变化步长,令Δt=min(Δ,δ)
(d)用max[0,E(t)+ΔtE′(t)]近似E(t+Δt),max[0,D(t)+ΔtD′(t)]近似D(t+Δt)
(e)t=t+Δt,返回步骤(b)。
(f)将对t时刻备件消耗量的均值E(t)按时间进行积分,获得所述连续重要型备件年消耗量D1。
(2)利用RBF神经网络法预测所述连续非重要型备件年消耗量D2
随着武器装备综合保障工程的深入开展和不断完善,在使用、维护与维修的实际过程中,会记录包括年消耗量在内的很多影响连续非重要型备件消耗量的保障数据,这些都是预测连续非重要型备件消耗量的重要信息,为利用RBF神经网络法进行预测提供了可靠的数据来源。故采用RBF网络来解决连续非重要型备件消耗量的预测问题。具体实现方法如下:
1)提出多信息量的连续非重要型备件预测问题,将弹道武器***的自然损耗量、气候条件、通电时间、战备值班时间、拆卸次数、挂机飞行时间作为影响武器装备中连续非重要型备件的影响因素。
2)将上述提到的影响因素指标通过极差变换法来进行量化,把连续非重要型备件消耗的相关数据量化成[0,1]区间的数值。
3)基于上述影响因素指标和量化方法,确定输入输出向量,以量化的自然损耗量、气候条件、通电时间、战备值班时间、拆卸次数、挂机飞行时间作为输入,以连续非重要型备件的年消耗量作为输出,搜集样本数据并进行归一化。
4)设计RBF网络预测模型,采用高斯径向基传递函数来实现神经元的输入输出关系,网络结构采用2层前项型神经网络,包含1个具有径向基函数神经元的隐层和1个具有线性神经元的输出层。输入信号传递到隐层,隐层再传递到输出层,隐层节点函数为高斯函数,输出层节点函数是线性函数。
5)基于上述设计的RBF网络结构,利用搜集的样本数据对网络进行训练和测试,确定网络参数,并对比分析训练误差和预测误差,确定最优RBF网络结构。
6)采用训练好的RBF神经网络预测模型进行预测,获得连续非重要型备件的年消耗量。
(3)利用基于APSO优化的WLS-SVM模型,周期性预测所述间歇型重要型备件的预测消耗量。
1)选取间歇型重要型备件的消耗特征参数,可选择自然损耗量、气候条件、通电时间、战备值班时间、拆卸次数、挂机飞行时间等量化的影响因素。
2)搜集训练和测试样本数据集,初始化WLS-SVM参数来进行样本训练。
3)设定APSO种群规模m,加速常数c1和c2,变异率pm,交换率pc,最小平均粒距Dmin,最大平均粒距Dmax,最大进化代数Tmax,将当前进化代数置为t=1;
4)在解空间中初始化粒子的速度和位置;
5)计算各个粒子的适应值,适应度函数定义为 yi分别为SVM训练输出值和期望输出值。将第i个粒子当前点适应值设为最优位置pi,pi值中最大者设为种群最优位置pg;
6)计算平均粒距D(t),若D(t)>Dmax,转至步骤7);若D(t)<Dmin,进行变异和交换操作后转至步骤8);
7)按(8)式更新惯性权重wi,按(5)式和(6)式更新粒子的速度和位置,产生新种群Xt;
8)评价种群Xt。将第i个粒子当前点适应值与该粒子迄今找到的最优位置pi的适应值进行比较,若更优,则更新pi,否则保持pi不变,再与种群迄今找到的最优位置pg的适应值进行比较,若更优,则更新pg;否则保持pg不变;
9)检查是否满足寻优结束条件,若满足则结束寻优,求出最优解;否则,置t=t+1,转至步骤6);结束条件为寻优达到最大进化代数Tmax;
10)将优化的最优结果,即最优参数向量赋给WLS-SVM。
11)采用十折交叉验证法选取训练样本与测试样本,实现间歇型重要型备件预测结果的输出。为了检验预测模型的有效性,APSO-WLS-SVM等多种方法分别预测间歇型重要型备件的年消耗量。
(4)通过所述间歇非重要型备件消耗量历史数据确定消耗量分布,并基于Croston模型预测所述间歇非重要型备件的预测消耗量。
武器***间歇非重要型备件需求的量较大,容易通过历史数据统计的手段获取消耗量分布和时间分布,Croston模型对时间变量和消耗量进行分开预测。实现方法如下:
采用指数平滑法,根据第i个时间变量内的间歇非重要型备件的实际消耗量以及第i个时间变量内的间歇非重要型的预测消耗量来预测第i+1个时间变量内的间歇非重要型备件的预测需求量:
其中,α是平滑常数,0≤α≤1;Ri+1是第i+1时间变量内所述间歇非重要型备件的预测消耗量;Ri是第i时间变量内所述间歇非重要型备件的预测消耗量;di是i时间变量内间歇非重要型备件的实际消耗量是t+1周期的备件预测消耗量;是t周期的备件预测消耗量;dt是t周期的备件实际消耗量。
其中,ti+1表示i+1个周期的时间变量的时长,ti表示i个周期时间变量的时长,di是第i周期所述间歇非重要型备件的实际消耗量,β是平滑常数,0≤β≤1。
Croston将时间变量ti+1与预测消耗量Ri+1分开,采用指数平滑法分别计算时间变量和预测消耗量;若实际消耗量非零,则更新时间变量和预测消耗量。
在传统的Croston模型中,其预测消耗量与周期是相互独立的,因此应用传统Croston模型进行间歇型非重要类型备件消耗量预测时,存在有偏估计的缺陷。
在本方案中,对Croston模型进行适当的改进,将间歇型非重要备件的预测消耗量拆分为两个分段:一个分段是实际消耗量非零的序列,另一个是实际消耗量为零的序列。对于两个序列分别用指数平滑法进行预测,通过此改进,可以实现间歇型非重要备件的预测消耗量的无偏估计。
通过以上技术手段,可以实现以下有益效果:
本申请提供技术方案中可以确定备件所属的备件类别,并确定备件类别的库存控制策略,以便使得不同类型的备件采用不同的库存控制策略。基于不同的库存控制策略来判断备件是否缺货,并在缺货情况下按不同的库存控制策略来计算并输出订货量。
即,本申请针对不同备件类别采用不同的库存控制策略,所以可以实现针对性的确定缺货备件,并针对性计算订货量以便进行补充,从而能够在满足使用要求的条件下控制大型备件仓库备件量在合理范围内。
参见图3,本申请提供了一种备件库存控制装置,应用于管控备件库存的控制终端,所述装置包括:
确定类别单元31,用于依据确定备件所属的备件类别;确定策略单元32,用于确定与所述备件类别对应的库存控制策略;
计算输出单元33,用于按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。
关于备件库存控制装置的方案详见图1和图2所示的实施例,在此不再赘述。
本实施例方法所述的功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算设备可读取存储介质中。基于这样的理解,本申请实施例对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该软件产品存储在一个存储介质中,包括若干指令用以使得一台计算设备(可以是个人计算机,服务器,移动计算设备或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种备件库存控制方法,其特征在于,应用于管控备件库存的控制终端,所述方法包括:
确定备件所属的备件类别;
确定与所述备件类别对应的库存控制策略;
按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。
2.如权利要求1所述的方法,其特征在于,所述备件类别为连续重要型、连续非重要型、间歇重要型或间歇非重要型。
3.如权利要求2所述的方法,其特征在于,所述按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量,包括:
若所述备件类别为连续重要型,则确定所述备件的库存量,若该库存量小于第一数值,则按第一公式计算并输出第一订货量;
若所述备件类别为连续非重要型,则确定所述备件的库存量,若该库存量小于第二数值,则按第二公式计算并输出第二订货量;
若所述备件类别为间歇重要型,则确定所述备件的预测消耗量,若所述预测消耗量大于第三数值,则按第三公式计算并输出第三订货量;
若所述备件类别为间歇非重要型,则按时间变量确定所述备件的库存量,若该库存量小于第四数值,则按第四公式计算并输出第四订货量。
4.如权利要求3所述的方法,其特征在于,
所述第一数值采用如下公式计算:S1=ss+d×L1,其中,S1为所述第一数值、ss为所述连续重要型备件所需的安全库存量、d为采用预测策略预测的所述连续重要型备件日消耗量、δ1为所述连续重要型备件消耗量的偏差、L1为所述连续重要型备件订货提前期,μ1为所述连续重要型备件安全系数;
所述第二数值采用如下公式计算:S2=(L2+1)D2+μ2×δ2×(L2+1);其中,S2为所述第二数值、L2为所述连续非重要型备件订货提前期、D2为采用预测策略预测的所述连续非重要型备件年消耗量、μ2为所述连续非重要型备件安全系数、δ2为所述连续非重要型备件消耗量的偏差;
所述第三数值S3为0;
采用指数平滑法计算所述时间变量,计算公式如下:
其中,ti+1表示i+1个周期的时间变量的时长,ti表示i个周期时间变量的时长,di是第i周期内所述间歇非重要型备件的实际消耗量,β是平滑常数,0≤β≤1;
所述第四数值采用如下公式计算:
其中,S4为所述第四数值,是ti+L4时间段内所述间歇非重要型备件预测消耗量的平均值,μ4是所述间歇非重要型备件安全系数,L4是所述间歇非重要型备件采购提前期。
5.如权利要求3所述的方法,其特征在于,
所述按第一公式计算并输出第一订货量,包括利用第一公式计算并输出所述第一订货量Q1;其中D1表示预测获得的所述连续重要型备件的年消耗量,C1表示所述连续重要型备件的单次订购成本;H1表示所述连续重要型备件年储存的成本;
所述按第二公式计算并输出第二订货量,包括:利用第二公式计算并输出所述第二订货量Q2;其中D2表示预测获得的所述连续非重要型备件的年消耗量,C2表示所述连续非重要型备件单次订购成本;H2表示所述连续非重要型单位备件年储存的成本;
所述按第三公式计算并输出第三订货量,包括:将周期性确定所述间歇重要型备件的预测消耗量作为所述第三订货量,输出所述第三订货量;
所述按第四公式计算并输出第四订货量,包括:将所述第四数值与所述间歇非重要型备件的库存量的差值,确定为所述第四订货量,输出所述第四订货量。
6.如权利要求5所述的方法,其特征在于,还包括:
利用备件消耗量历史数据预测所述连续重要型备件年消耗量D1;
利用RBF神经网络法预测所述连续非重要型备件年消耗量D2;
利用基于APSO优化的WLS-SVM模型,周期性预测所述间歇重要型备件的预测消耗量;
通过所述间歇非重要型备件消耗量历史数据确定消耗量分布,并基于Croston模型预测所述间歇非重要型备件的预测消耗量。
7.如权利要求6所述的方法,其特征在于,所述通过所述间歇非重要型备件消耗量历史数据确定消耗量分布,并基于Croston模型预测所述间歇非重要型备件的预测消耗量,包括:采用指数平滑法预测所述间歇非重要型备件的预测消耗量;
其中,α是平滑常数,0≤α≤1;Ri+1是第i+1个时间变量内所述间歇非重要型备件的预测消耗量;Ri是第i个时间变量内所述间歇非重要型备件的预测消耗量;di是第i个时间变量内间歇非重要型备件的实际消耗量。
8.一种备件库存控制装置,其特征在于,应用于管控备件库存的控制终端,所述装置包括:
确定类别单元,用于确定备件所属的备件类别;
确定策略单元,用于确定与所述备件类别对应的库存控制策略;
计算输出单元,用于按所述库存控制策略判断所述备件是否缺货,若所述备件缺货则按所述库存控制策略计算并输出订货量。
9.如权利要求7所述的装置,其特征在于,所述备件类别为连续重要型、连续非重要型、间歇重要型或间歇非重要型。
10.如权利要求9所述的装置,其特征在于,所述计算输出单元,包括:
若所述备件类别为连续重要型,则确定所述备件的库存量,若该库存量小于第一数值,则按第一公式计算并输出第一订货量;
若所述备件类别为连续非重要型,则确定所述备件的库存量,若该库存量小于第二数值,则按第二公式计算并输出第二订货量;
若所述备件类别为间歇重要型,则确定所述备件的预测消耗量,若所述预测消耗量大于第三数值,则按第三公式计算并输出第三订货量;
若所述备件类别为间歇非重要型,则按时间变量确定所述备件的库存量,若该库存量小于第四数值,则按第四公式计算并输出第四订货量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433129.4A CN110147975A (zh) | 2019-05-23 | 2019-05-23 | 备件库存控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910433129.4A CN110147975A (zh) | 2019-05-23 | 2019-05-23 | 备件库存控制方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110147975A true CN110147975A (zh) | 2019-08-20 |
Family
ID=67592749
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910433129.4A Pending CN110147975A (zh) | 2019-05-23 | 2019-05-23 | 备件库存控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147975A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705777A (zh) * | 2019-09-26 | 2020-01-17 | 联想(北京)有限公司 | 用于预测备件储备量的方法、装置及*** |
CN111325920A (zh) * | 2020-02-10 | 2020-06-23 | 上海探能实业有限公司 | 一种备件智取柜及*** |
CN112561411A (zh) * | 2019-09-10 | 2021-03-26 | 上海杰之能软件科技有限公司 | 一种备件安全库存数的计算方法、存储设备及终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003052649A1 (en) * | 2001-11-22 | 2003-06-26 | Metso Paper, Inc. | Delivery system for consumption and/or spare parts |
CN104732287A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种基于备件最佳补充周期的库存控制方法 |
CN108846608A (zh) * | 2018-06-15 | 2018-11-20 | 上海探能实业有限公司 | 一种大型风电机组备品备件库存管理及优化调度方法 |
CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种***自适应的预测方法 |
-
2019
- 2019-05-23 CN CN201910433129.4A patent/CN110147975A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003052649A1 (en) * | 2001-11-22 | 2003-06-26 | Metso Paper, Inc. | Delivery system for consumption and/or spare parts |
CN104732287A (zh) * | 2013-12-19 | 2015-06-24 | 广州市地下铁道总公司 | 一种基于备件最佳补充周期的库存控制方法 |
CN108846608A (zh) * | 2018-06-15 | 2018-11-20 | 上海探能实业有限公司 | 一种大型风电机组备品备件库存管理及优化调度方法 |
CN109754118A (zh) * | 2018-12-26 | 2019-05-14 | 复旦大学 | 一种***自适应的预测方法 |
Non-Patent Citations (1)
Title |
---|
王路: "复杂装备备件库存预测与控制方法及其应用研究", 《中国优秀硕士学位论文全文数据库(信息科技Ⅱ辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112561411A (zh) * | 2019-09-10 | 2021-03-26 | 上海杰之能软件科技有限公司 | 一种备件安全库存数的计算方法、存储设备及终端 |
CN112561411B (zh) * | 2019-09-10 | 2023-11-21 | 上海杰之能软件科技有限公司 | 一种备件安全库存数的计算方法、存储设备及终端 |
CN110705777A (zh) * | 2019-09-26 | 2020-01-17 | 联想(北京)有限公司 | 用于预测备件储备量的方法、装置及*** |
CN110705777B (zh) * | 2019-09-26 | 2022-07-26 | 联想(北京)有限公司 | 用于预测备件储备量的方法、装置及*** |
CN111325920A (zh) * | 2020-02-10 | 2020-06-23 | 上海探能实业有限公司 | 一种备件智取柜及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Leng et al. | A loosely-coupled deep reinforcement learning approach for order acceptance decision of mass-individualized printed circuit board manufacturing in industry 4.0 | |
CN110147975A (zh) | 备件库存控制方法及装置 | |
Sheu | A novel dynamic resource allocation model for demand-responsive city logistics distribution operations | |
Hadavandi et al. | An improved sales forecasting approach by the integration of genetic fuzzy systems and data clustering: Case study of printed circuit board | |
Han et al. | A two-stage method for predicting and scheduling energy in an oxygen/nitrogen system of the steel industry | |
CN106780173A (zh) | Ota酒店库存管理方法及*** | |
CN113052533B (zh) | 概率产品的库存异动预警与调拨方案更新方法及*** | |
CN117539726B (zh) | 绿色智算中心能效优化方法及*** | |
Deng | Research on evaluation of intelligent manufacturing capability and layout superiority of supply chains by big data analysis | |
CN110689217A (zh) | 一种电脑生产智能制造*** | |
Sabbaghnia et al. | Reducing the Bullwhip effect in a supply chain network by application of optimal control theory | |
CN108510101A (zh) | 一种基于加权马尔科夫的备件库存定额模型预测方法 | |
Seo et al. | Rebalancing docked bicycle sharing system with approximate dynamic programming and reinforcement learning | |
Işık et al. | Deep learning based electricity demand forecasting to minimize the cost of energy imbalance: A real case application with some fortune 500 companies in Türkiye | |
Wang et al. | A data-driven load forecasting method for incentive demand response | |
CN112990584B (zh) | 一种基于深度强化学习的自动生产决策***及方法 | |
Zhou et al. | [Retracted] Research on Intelligent Solution of Service Industry Supply Chain Network Optimization Based on Genetic Algorithm | |
Xu et al. | Resource allocation optimization model of collaborative logistics network based on bilevel programming | |
Qiu et al. | High‐Order Fuzzy Time Series Model Based on Generalized Fuzzy Logical Relationship | |
CN109993271A (zh) | 基于博弈理论的灰色神经网络预测方法 | |
CN102542432B (zh) | 库存管理***及方法 | |
Gao | [Retracted] Intelligent Prediction Algorithm of Cross‐Border E‐Commerce Logistics Cost Based on Cloud Computing | |
Khonakdar‐Tarsi et al. | Reliability incentive regulation based on reward‐penalty mechanism using distribution feeders clustering | |
Bansal et al. | Brief application description. neural networks based forecasting techniques for inventory control applications | |
Pirayesh et al. | Modeling (r, Q) policy in a two-level supply chain system with fuzzy demand |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190820 |