基于神經網絡的天津客車橋公司采購提前期模型

2012-09-30 08:05:54文/馬錚

中國儲運 2012年3期

關鍵詞：模型

文/馬錚

1.概述

天津客車橋公司是一汽豐田公司的零配件供應商。雖然該公司為了配合一汽豐田的準時化生產方式進行了公司采購、倉儲、生產等流程的改進，但由于公司人員、技術、管理、環境等原因并不能達到零庫存的效果，和很多典型的制造業企業一樣，庫存成本也是公司成本管理的重中之重。作為一汽豐田的零配件供應鏈中的一環，天津客車橋公司的采購提前期管理成為企業庫存管理的重要內容。這也是整個供應鏈時間整合的重要一環。

在準時化的生產方式下，訂單是確定市場需求的典型依據。天津客車橋公司能否準時向一汽豐田交付汽車配件對本企業來說至關重要，因為企業如果不能按期交付產品，將會面臨巨額罰單。為此企業的生產計劃和生產進度安排都要非常的詳細、明確，進而對各種物資的準時到貨問題提出很高的要求。因此，合理地安排各種物資的采購提前期是企業面臨的重要課題。要做到既不影響企業正常的生產進程又能最大限度地發揮現有資金的使用價值，給企業創造更多的利潤。

本文基于數據挖掘技術，通過數據分析和機器學習，提出一種基于BP神經網絡的企業采購時間模型。

2.構建天津客車橋公司采購時間模型

2.1 天津客車橋公司采購時間體系的構建

天津客車橋公司采購提前期可視為訂單式采購提前期。一般由采購預處理提前期、采購處理提前期、采購后處理提前期組成。采購預處理提前期是決定采購訂單發出之前的處理過程的時間，包括報價、確定供應商、商務談判、訂單簽訂、合同審批等過程。采購處理提前期是從供應商接受訂單及發貨到指定地點的時間，它可能包括采購、制造、發運等提前期。采購后處理提前期是從接收地收貨、點數、檢驗到接受入庫的時間。

采購提前期時間T包括：處理訂購單的時間t1；供應商制造備貨的時間t2，運輸交貨的時間t3，檢驗收貨的時間t4。從而得到以下公式：T=t1+t2+t3+t4

在采購過程中，影響處理訂購單的時間t1的因素主要有：企業業務流程、公司間信息系統互聯情況；影響供應商制造備貨的時間t2的因素主要有：批量、現有庫存水平、生產力使用情況、工人生產效率、加工精度；影響運輸交貨的時間t3的因素主要有：運輸方式、天氣情況、距離、路況；影響檢驗收貨的時間t4的主要因素有：合作層次、批量。

綜合考慮公司面對的市場環境與各因素，可對影響訂單式供應鏈采購提前期的因素進行歸納和整理。主要有：公司間信息系統、供應商信息處理速度、公司間信息共享程度、供應商信息處理速度、運輸方式、天氣情況、距離、路況、物資入庫速度等若干因素。

為了滿足和適應準時化生產，天津客車橋公司與主要供應商結成了戰略伙伴關系，因此提前期T=t2+t3，而影響這兩個時間段的變量減少為：批量、現有庫存水平、生產力使用情況、工人生產效率、加工精度、運輸方式、天氣情況、距離、路況,共9個因素。

2.2 基于神經網絡的天津客車橋公司采購時間模型

對于像天津客車橋公司這樣的大型制造企業，各種采購提前期的影響因素相互作用，且相差巨大，難以使用統計和數學模型進行單一結果的預測決策。

這種影響因素眾多、作用關系復雜的情況適合使用BP神經網絡對訂單式采購提前期進行分段預測。以BP神經網絡最簡單的三層結構為例，包括輸入層、中間層(隱含層)和輸出層。相鄰上、下層之間各神經元實現全連接，即下層的每個神經元與上層的每個神經元都實現全連接，而每層各神經元之間無連接。換個角度看，BP網絡不僅有輸入層節點、輸出層節點，還可有一個或多個隱含層節點。對于輸入信號，要先向前傳播到隱含層節點，經作用函數后再把隱節點的輸出信號傳播到輸出節點，最后輸出結果。而訂單式采購提前期的形成與之有相似之處，首先是采購提前期的眾多影響因素相當于采購提前期確定過程的輸入層；其次，采購提前期由若干不同類型時期構成，相當于采購提前期確定過程的輸出層；最后，由于影響因素眾多，其影響作用機制相當于中間層（隱含層）。

模型表述為：

1.BP神經網絡學習規則：wk+1=wk?akgk，其中wk為權值和閥值矩陣，ak是學習速率，gk是函數梯度。

3.輸出層節點輸出計算：

結合天津客車橋公司的實際情況，選擇其戰略合作供應商的績效數據，分析了上文提到的9種采購提前期影響因素構成輸入層，兼顧網絡的學習能力和收斂速度,選取隱含層為2層，個數分別為16、12，選擇函數tansig、purelin，計算方法選取traingdm。其輸出層只有一個指標，即某部件的采購提前期。輸入層中各因素意義在此逐一說明：x1某次采購的批量(kg)，x2現有庫存水平(kg)，x3距離(km)，x4生產力使用情況(以設備空閑率代替，單位：%)，x5工人生產效率(件/天)，x6加工精度(由光潔度、公差要求等確定)，x7運輸方式(1.空運，2.鐵路，3.水路，4.公路，5.水陸聯運等)，x8天氣情況(1.晴好，2.陰雨，3.雪，4.大風)，x9路況(1.優，2.良，3.中，4.差)。具體數據如表1所示：

表1 天津客車橋公司采購提前期影響因素調查數據

使用MATLAB軟件，將前8組數據作為訓練樣本，后2組數據作為檢驗樣本，其提前期計算值與實際值比較如表2：

表2 BP神經網絡運算后的結果

從訓練的結果可以看出，應用神經網絡模型可以較為有效地模擬和確定提前期。當部分可控因素發生變化時，該方法可以通過輸入數據的改變來模擬確定提前期，對生產實際具有很好的指導作用。

3.對天津客車橋公司采購時間模型的改進

3.1 基于BP神經網絡采購時間模型的不足

BP網絡使用的Sigmoid函數具有全局特性，它在輸入值的很大范圍內每個節點都對輸出值產生影響，并且激勵函數在輸入值的很大范圍內相互重疊，因而相互影響，因此BP網絡訓練過程很長。此外，由于BP算法的固有特性，BP網絡容易陷入局部極小的問題不可能從根本上避免，并且BP網絡隱層節點數目的確定依賴于經驗和試湊，很難得到最優網絡。采用局部激勵函數的RBF網絡在很大程度上克服了上述缺點，RBF不僅有良好的泛化能力，而且對于每個輸入值，只有很少幾個節點具有非零激勵值，因此只需很少部分節點及權值改變。學習速度可以比通常的BP算法提高上千倍,容易適應新數據，其隱層節點的數目也在訓練過程中確定，并且其收斂性也較BP網絡易于保證，因此可以得到最優解Sigmoid函數。Poggio和Girosi已經證明，RBF網絡是連續函數的最佳逼近，而BP網絡不是。