風機行業備件零庫存存儲策略及預測模型研究

□ 劉元浩 □ 閆云龍 □ 張長弓 □ 趙 光 □ 索海龍

1.西安陜鼓動力股份有限公司 西安 710075

2.西安交通大學 機械工程學院 西安 710049

零庫存的概念可追溯到20世紀60年代，日本豐田汽車公司實行拉式生產以實現在生產過程中基本沒有積壓的原材料和半成品［1］，即指物料（包括原材料、半成品和產成品）在采購、生產、銷售等一個或幾個經營環節中，不以倉庫儲存的形式存在，而均是處于周轉的狀態。真正的零庫存因為需求預測的不準確性、市場的變化、供應鏈的成熟度等基本不可能實現，只能無限接近。

風機行業的透平設備屬于大型動力裝備，具有自身價值高、結構復雜、備件生產周期長等特點，在冶金、石化、空分等領域承擔重要的生產任務。對這些流程式生產企業來說，透平設備的停機將帶來巨大的經濟損失。如果每個風機應用企業均存儲備件，固然可以保障風機持續安全運行，但是會給風機應用企業帶來較大的備件存儲成本。基于此，建立風機行業備件零庫存，旨在降低用戶備件存儲成本，實現備件資源共享，實現備件快速供應，提高用戶滿意度。

此備件零庫存與傳統的零庫存相比，具有以下特點。

（1）該備件零庫存使用對象是用戶，用于對用戶檢修機組、事故機組做出快速反應，最大限度降低用戶損失，可以說該零庫存是為用戶建立的零庫存。

（2）該備件零庫存實現多家用戶備件共存共享，減少用戶投入資金，提高備件使用率。

（3）基于多源信息建立科學可靠的備件預測模型，為備件的安全可靠性提供保障。

（4）該備件零庫存要求比傳統零庫存高。傳統零庫存要求盡量提高備件各環節周轉率，實現“準時制”生產，從而減少庫存管理成本。而此備件零庫存除了基本的庫存管理要求外，還具有契約化要求，即要求在簽約用戶需要備件時能100%的滿足，同時盡可能逼近“零庫存”，這對備件零庫存的需求預測和存儲策略提出了很高的要求。

1 備件零庫存存儲策略

1.1 備件分類及特性

國內文獻對于備件的特性和分類主要有以下研究，包菊芳［2］結合包頭鋼鐵（集團）有限責任公司實際，提出備件分類主要有以下幾種方法。

（1）按備件通用性可分為通用件和專用件。

（2）按備件屬性可分為事故件、計劃件、常用件和準計劃件。

（3）按進貨渠道分為進口備件、國產備件和自制備件。

尚柏林［3］把飛機備件分為三種類型：飛機的初始備件、后續備件和飛機的有壽備件。

對于備件特性，決策者主要關心的指標是：關鍵性、可靠性、維修性、經濟性。崔南方［4］基于AHP方法，選擇了三個指標：關鍵性、易得性、經濟性來計算備件的綜合重要度。

Huiskonen［5］根據備件在物流系統中的作用，提出了備件的4個控制特性：關鍵性、專用性、需求模式、備件價格，并提出以下結論。

（1）對于標準的備件，由于消耗量大而容易實現規模經濟儲備，所以供應商愿意與采購者合作；對于采購者專用的備件，供應商不愿意儲存這些專用的而且消耗量低的備件。

（2）部分專用的備件，具有需求極低且無規律、關鍵性程度高和價格高的特性，這些特性決定了備件控制的責任主要由采購者承擔。

本文提出的備件零庫存是為大型透平裝備檢、維修提供備件，屬于更換頻次較低、價格較貴的慢速流動備件。由于大型流程式企業的裝備停機成本巨大，備件的滿足率成為重要的控制特性。因此，備件根據自身特性可分為：通用件、專用件、標準件，其控制特性可分為備件滿足率和備件價格。

1.2 備件零庫存存儲策略

根據備件分類及特性，提出了一種多用戶備件共享存儲的模式，如圖1所示。該模式根據不同備件類型采取不同的存儲策略，包括通用備件共享存儲策略、專用備件成套共享存儲策略、標準備件虛擬存儲策略。

這些策略在滿足用戶需求的基礎上降低了庫存成本，通過科學的預測模型算法來保證不同用戶的備件滿足率，具體闡述如下。

（1）通用備件共享存儲策略。葉片、軸承、靜葉軸承等屬于通用備件，此類備件消耗量大，且存在備件共性，采用多用戶存儲可有效降低庫存成本。存儲策略見表1。

表1 通用件存儲策略

通用件中葉片是核心備件。以軸流壓縮機為例，不同級數的葉片對應不同的葉長，且葉片作為通用件在不同型號的機組之間交叉使用。如果按照每臺機組葉片的BOM物料清單信息進行存儲，會出現大量相同圖號不同葉長的葉片，備件庫將極其臃腫雜亂。圖2展示了軸流機組葉片歸一化構架，即葉片葉長按同圖號中最長葉長儲備，葉片數量以不同機型不同級別中最大數量為基礎，通過預測模型進行數量優化后存儲，存儲形式為半成品。

▲圖1 多用戶備件共享存儲模式

（2）專用備件成套共享存儲策略。根據專用備件通用性差、種類繁雜、加工周期長、備件成本高等特點，提出了專用備件成套共享策略，如圖3所示。具體表現為：根據應用行業進行分類，同行業的用戶可以將同規格機組的轉子部件進行多用戶共享儲備。以備件零庫存為平臺，共享機組成套備件，降低存儲成本，提高備件滿足率。

（3）標準備件虛擬存儲策略。虛擬存儲，即通過零庫存平臺將用戶備件需求信息進行分析、整合，讓備件供應商按零庫存系統的要求進行儲備，儲備倉庫分布在各供應商。

通過零庫存系統平臺的多用戶聯合存儲，可以取得規模經濟優勢，從整個行業的角度降低了備件儲備成本。其次，采用虛擬存儲，有利于加強與備件供應商之間的戰略合作關系，提高備件質量和反應速度。

2 備件零庫存預測模型

2.1 BP 神經網絡簡介［6］- ［7］

神經網絡于20世紀80年代由Rumelhart和McCelland提出，該方法是一種通過運用訓練誤差反向傳播算法，從而進行訓練的多層前饋網絡，是目前應用最廣泛的神經網絡模型之一。BP神經網絡不用解釋輸入與輸出之間映射關系的數學方程，而是通過使用梯度下降法，反向傳播訓練誤差從而確定使誤差平方和最小的網絡參數（比重和閾值），存儲輸入與輸出模式之間的映射關系，然后進行相應的預測。具有高度自學習和自適應的能力。

▲圖2 軸流葉片歸一化架構

▲圖3 專用件成套共享策略架構圖

2.2 基于BP神經網絡的多源信息備件預測模型

數學理論證明三層的神經網絡就能夠以任意精度逼近任何非線性連續函數，這使其特別適合于求解內部機制復雜的問題。風機設備備件需求受到備件歷史消耗、在役產品數量、產品健康狀態、產品服役壽命、客戶維修計劃等多種信息的影響，且各信息間相互影響，內部關系復雜。基于此，提出了一種基于神經網絡模型的多源信息備件預測模型，預測模型的架構圖如圖4所示，此預測模型分為三級優化。

第一級優化采用BP神經網絡方法對歷史數據的時間序列分組并訓練，預測下一個需求發生時間節點的需求量，形成基本庫。利用MATLAB 2008b對神經網絡進行訓練，輸入層神經元個數為n個，輸出層神經元個數為1個，隱含層為一層；選用Tan－Sigmoid函數［8］作為從輸入層到隱含層的傳遞函數，訓練神經網絡時采用 Levenberg－mMarquardt（LM）算法［9］，該算法適于中等規模的前饋神經網絡，速度較快。對于隱含層到輸出層的函數，為了讓輸出結果的范圍限定在0～1之間，得到需求是否發生的概率P，這里選擇的傳遞函數為Tan－Sigmoid函數。

第二級優化，在基本庫的基礎上，根據客戶滿足率對基本庫進行靜態調整。所需的信息源主要包括客戶ABC分類信息［10］、客戶產品信息、備件BOM信息和客戶備件保障策略。對每個客戶按照所屬的分類，即是ABC類中的哪一類客戶，按照客戶備件保障策略分配給不同的客戶滿足率，例如，A類客戶中簽約客戶100%、戰略客戶為90%、B類客戶為60%、C類客戶為20%等，具體數值可以按照企業實際自行調整，調整公式如下：

式中：si為第i種型號的備件經過計算客戶滿足率后所需儲備的總量參考值；h為擁有含產品中含有第i種型號備件的客戶總數；k為由客戶產品信息和備件BOM信息得到的每家客戶中含有第i類型號備件的機組產品總數；λy為第y家客戶對應的客戶滿足率；Φx為由備件BOM信息得到的第y家客戶第x個機組產品中擁有的型號為i的備件數目；δi為第i種型號備件的統計周期消耗率，即消耗量與總量之比。

式中：si′為第i種型號備件經過根據客戶滿足率調整后靜態調整儲備建議量；basei為第i種型號的備件在基本庫中的初始庫存建議量。

▲圖4 備件需求預測模型

S′為基于客戶滿足率的靜態調節的庫存模型。經過這一步的庫存調節，從理論上可以對ABC類客戶在對應的客戶滿足率框架下，庫存量可以保證同時供應ABC類客戶的備件需求。

第三級優化，在相關靜態因素考慮后，對動態的、實時的需求予以考慮，加入對庫存量的調節當中，使最終的庫存量能滿足未知需求的同時，也能滿足實時動態的消耗需求。

根據產品健康狀態評估信息，反饋回來預警信息，并結合備件BOM信息，得到該產品需要預投的備件數目，同時在指定的預測時間段t1～t2內。如果某類型號的備件有用戶維修計劃信息及其它預知消耗信息用到，則累積統計。因此，有以下數學模型：

sdi=si′+ΣΦi+ΣΔi（4）式中：sdi為第i類型號的備件經過動態調節后庫存建議量；ΣΦi為第i類型號的備件經過健康狀態評估反饋信息后結合BOM信息得到的所需備件數目總和；Σ Δi為第i類型號的備件由用戶維修計劃信息和其它預知消耗信息得到的所需備件數目總和。

最終的庫存模型為：

Sfinal=｛sd1，sd2，．．，sdi｝ （5）

3 備件零庫存預測模型驗證

以某壓縮機廠YS8系列軸流機組為例，檢驗模型能否滿足實際需求，并且有效地降低庫存量，以2008年～2012年的歷史數據結合相關信息源預測2013年的備件儲備，并與2013年實際消耗量對比。預測與實際結果如圖5所示，對整個結果作如下說明。

（1）對于4類圖號的備件，預測和實際都沒有消耗量，這4類備件理論上可以減少庫存量，降低庫存成本。這 4類備件圖號分別是 25106、25108、2590、4796；

▲圖5 結果對比

（2）對于13類圖號的備件，在基本庫建立時預測的消耗量為0，但是由于實際的客戶備件保障策略的要求，對于這些類型的備件不能為0，經過靜態調節和動態調節后，得到建議儲備量，雖然2013年實際沒有消耗，這個建議量理論上是可以滿足ABC類客戶的實際需求，這13類圖號的備件分別是：4735a、25156、4791、4763、2579、4734a、2525、25163、4735、25107、25101、4765、4734；

（3）對于14類圖號的備件，大部分經過初始預測建立基本庫時，是與2013年實際消耗量基本相符的，只有一類備件不能滿足實際需求，即2577。

總之，2013年預測庫存總量為17 241件葉片，實際消耗13 605件葉片，基本能滿足實際需求，起到了良好的指導作用，并節約了盲目儲備的資金成本。

4 結論

針對風機設備，提出了一種多用戶備件共享的備件零庫存模式。并通過存儲策略的優化，降低用戶備件的存儲成本，提高備件響應速度，提高用戶的滿意度。通過建立多源信息融合的備件預測模型，提取多種影響因素的特征，對預測模型進行多級優化，對備件需求進行可靠預測，利用實踐數據對該模型進行了驗證，取得了滿意的結果。基于BP神經網絡的預測模型在訓練時，能夠通過學習自動提取輸入、輸出數據間的“合理規則”，并自適應地將學習內容記憶于網絡的權值中。隨著數據的增加，模型的自我學習，該預測模型的準確性將不斷提高，具有非常實用的指導意義。

［1］ 華欣，呂俊平.豐田零庫存管理對我國企業庫存管理優化的啟示［J］.學理論，2010（35）:103-105..

［2］ 包菊芳.備件儲備定額研究［J］ 物流技術,2002（7）.

［3］ 尚柏林，張恒喜.航空備件可拓聚類分析［J］.數學的實踐與認識，2002（2）.

［4］ 崔南方，羅雪.維修備件基于AHP的ABC分類模型［J］.工業工程與管理， 2004（6）.

［5］ Huiskonen.Maintenance Spare Parts Logistics:Special Characteristics and Strategic Choies［J］.Production Economics，2001，71（1-3）.

［6］ 李萍.基于MATLAB的BP神經網絡預測系統的設計［J］.計算機應用與軟件，2008（4）.

［7］ 徐黎明，王清，陳劍平，等.基于BP神經網絡的泥石流平均流速預測［J］.吉林大學學報，2013（1）.

［8］ 羅兵，黃萬杰，楊帥.基于Tan-Sigmoid函數參數調整的BP神經網絡改進算法［J］.重慶大學學報，2006（1）.

［9］ 張翼鵬，陳亮，郝歡.一種改進的量子神經網絡訓練算法［J］.電子與信息學報， 2013（7）.

［10］呂勝利.怎樣用ABC分類法對客戶進行管理［J］.管理工程師，2002（3）.