備件消耗保障智能預測系統

李偉瑋，劉永志，甘潔，潘姣妮， 余潔

（廣西財經學院 信息與統計學院，廣西 南寧 530003）

0 引 言

設備是企業安全生產和經營的物質基礎，而備件是設備正常運行的重要保障。現今各生產企業的備件管理有很多問題，一方面備件庫存成本與采購成本過高，而備件庫存過多則會導致大量的資金被積壓；另一方面，企業產品在出現應急需求時常因缺少備件而導致生產中斷，設備備件缺乏科學的管理手段。但是一些備件種類多、庫存量大、報廢率高、備件安全性能要求高的設備的備件的管理更具復雜性，管理難度大，難以僅憑管理者的經驗判斷備件的儲備定額。本項目目的是在確保備件保障率的前提下科學預測備件耗用情況，通過對原生信息系統算法的改進，預測常用備件的需求，提升精度預測不常用備件的不穩定需求，嘗試預測一些不常用的備件需求發生的時刻，準確預測一些不常用備件的“塊狀”需求并設計針對一般性不常用需求的預測模型，提高5%的備件消耗采購比。

1 系統總體結構

備件消耗保障智能預測系統采用前后端分離架構，前端采用Vue 框架可以幫助快速地構建網站，可以擴展HTML，封裝可以重用的代碼塊，有效地減少了Web 前端開發的工作量，在降低系統開發成本的同時，提升了前端開發的效率。

平臺后臺架構由Python+Django3.1+MySQL 等技術框架組成。在數據準備的早期階段，用Python 語言編寫程序，獲取卷煙廠近三年的備件申請數據進行初步分析，作為數據集存儲在數據庫中，并對數據集進行清理，以便后續的模型訓練。所采用預測方法則優先考慮在小樣本下表現較好的SVM 回歸預測方法，在對SVM 回歸預測進行優化的基礎上，引入其他技術使其盡可能匹配不常用備件需求的數據特征。

系統總體架構圖如圖1所示，整個系統可分解為六層。前端可供PC 端和移動端訪問系統網站通過需求自定義算法預測配置傳給后臺處理，后臺根據輸入的需求數據進行特征分類，然后根據不同類型的數據選擇預測模型算法引擎對結果進行預測。數據層通過MySQL 數據庫緩存數據，通過Python 提供的功能庫進行數據的標注和清洗等操作。運行環境層可以使用云端虛擬機、獨立服務器和第三方虛擬主機。

圖1 系統總體架構圖

2 系統模塊功能

備件消耗保障智能預測系統有兩個子平臺組成，分別為智能預測平臺和優化采購檔案平臺。

2.1 智能預測功能平臺

智能預測平臺主要是對備件的耗用情況進行預測，用戶通過輸入備件需求數據，將預測的情況通過頁面展示出來，直觀的展示未來一段時間內備件的消耗情況。

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

在備件智能預測系統中備件管理員可登錄系統根據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、ADI 范圍、連續性數據預測再基于時間序列數據預測使用不同的模型，更加準確的預測不常用備件的“塊狀”需求，即根據不同備件可以通過人工調整、分類策略設置、根據歷史數據自動學習等方法來調整備件保障率，實現做到不依賴于管理者的經驗就可以精確的預測備件的周期耗用量。預測算法配置好以后可按ADI 平均間隔分類或者備件單價分類得到備件需求發生時刻預測柱形圖和折線圖，更加直觀地分析備件需求發生時刻的領用情況、預測以及誤差，及時備件提高效率。預測算法配置界面如圖2所示，可視化界面以卷煙廠3月的備件數據為例，如圖3所示。

圖2 預測算法配置界面

圖3 預測結果可視化界面

通過對高速機備件進行分類，綜合考慮備件所在設備所處的階段（包括早期故障期、隨機故障期、損耗故障期），通過構造各類備件庫存策略的數學模型，在確保備件保障率的基礎上提升備件采購消耗比。項目的整體實施路徑如圖4所示。

圖4 項目實施路徑

項目運行的流程步驟為：

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

步驟2：根據步驟1 輸出的備件故障頻率、考核預設的備件保障率閾值來計算備件計劃采購周期耗用數量（預測值）。

步驟3：根據步驟2 的結果和備件單價對所有備件進行A、B、C 分類，據分類來優化采購頻次。

步驟4：根據步驟1、2 的輸出結果，結合備件正常采購耗時，最長采購耗時，計劃采購周期等采購參數量化備件庫存上下限。

步驟5：通過實際數據驗證上述步驟所涉及數學模型的準確性和可靠性，修正相關模型參數。

通過項目實施可合理預測周期備件耗用量，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行客觀有效的預測。所以，本項目采用基于時間序列歷史數據的預測方法以及SVM 回歸預測方法。在求解系統保障率中的關鍵是準確的預估備件的故障發生率，建立備件需求預測模型，即備件的周期耗用模型。根據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：連續性需求和間斷性需求，根據這兩種需求方式，使用不同的模型來進行預測。連續性需求是指在連續的時間序列中（如每天、每月等）一直有需求（如備件領用事件）發生，故常用備件屬于連續性需求的，用時間預測序列法較為合適。間歇性需求是一種隨機需求，需求數據中存在大量零值（無領用記錄或者備件在數據統計區間內無領用記錄），故不常用備件屬于間斷性需求的，在小樣本情況下使用SVM 回歸預測法較為合適。技術路線如圖5所示。SVM 模型框架如圖6所示。

圖5 技術路線

圖6 SVM 模型框架圖

該平臺利用耗用預測模型獲得周期耗用，通過A、B、C 分類設置采購周期，得到采購上下限及單次采購量，從而提高資金周轉率和消耗采購比。A、B、C 分類管理規則是根據一定的原則和標準將備件分為三類：A、B 和C。由于備件的種類和規格多，加工難度不同，制造周期不同，使用壽命不同，價格差異很大，對設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，根據以往經驗對備件進行分類完成系統的初始化。然后根據備件領用的詳細數據以及備件采購的信息表，使用機器學習的算法（例如SVM 支持向量機，最小二乘支持向量機LSSVM，DNN 深度神經網絡）對備件庫進行分析處理，按照歷史數據進行計算得到備件庫的新的調整方案，調整方案整合到現有的庫存分類準則中得到新的庫存方案。這樣隨著備件庫的歷史數據的不斷充實，備件庫的分類管理方案會得到不斷的優化。同時，新的算法和模型可以不斷加入，通過集成學習的框架整合到整個庫存管理的框架。

3 結 論

備件消耗保障智能預測其基本設計原則是實用、合理的結構和技術特點，為用戶提供簡潔、智能、互動的界面。它易于使用和靈活，用戶可以根據自己的需要進行配置，預測備件需求，并在平臺間共享數據。在平臺的初始階段，我們通過企業的合法授權，通過爬蟲程序獲取備件數據，從而獲得培訓模型所需的數據集。

基于單個零件的保證率無法確定拾取次數和缺失零件數量的問題，本項目根據備件耗用情況，不同備件設置不同保障率，以此對備件需求確定和配件配置進行優化。結合保障率，耗用預測，A、B、C 分類，庫存上下限管理的多種先進技術，優化采購方案，實現智能制造供應鏈環節的重要改進，節約成本及提升保障能力。

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