基于大數據分析的礦山備件采購預測模型

劉 偉 李國清 侯 杰 王 浩 陳連韞 范純超

(1.北京科技大學土木與資源工程學院,北京 100083;2.金屬礦山高效開采與安全教育部重點實驗室,北京 100083;3.山東黃金集團有限公司,山東 濟南 250102)

礦山企業采購備件的種類多、數量大、資金占用率高,同時備件采購量受眾多因素影響,存在較大的不確定性,因此,科學估計備件采購量對于礦山企業生產與經營至關重要?，F代礦山企業備件采購具有精細化、動態化、信息化等特征。礦山采購備件的種類復雜、需求量差異性較大,針對各類備件的需求特點制定更為精細化的采購策略,有助于提高備件采購的科學性。隨著生產任務量與作業條件的變化,礦山企業對備件的需求量處于動態變化之中,采購量應因時、按需而定,否則易出現因采購量過大導致庫存積壓和因采購量不足導致供不應求等問題[1-3]?，F階段,我國礦山普遍建設了備件采購管理系統,實現了對備件采購、運輸、倉儲的管理,提升了企業備件的信息化管理水平與效率[4-7]。系統經過長時間的應用,積累了海量備件采購數據,大數據分析技術為數據的深度利用與潛在知識挖掘提供了新的途徑,運用大數據分析結果指導企業備件采購則更為科學可靠。因此,通過構建科學的數據分析模型,以實現礦山備件采購量的科學決策是我國礦山企業亟待解決的現實問題。

目前在理論研究方面,不少學者結合了ABC分類思想,開展了以決策樹、隨機森林、支持向量機、聚類分析、人工神經網絡等算法等為代表的各類備件分類方法研究,考慮了備件分類的各影響因素,取得了比傳統分類方法更全面、更準確的分類效果[8-13]。有關備件消耗量的預測研究,常見的有基于時間序列的傳統預測方法,如指數平滑法、差分整合移動平均自回歸模型(Autoregressive Integrated Moving Average Model,ARIMA)、先知模型(Prophet)等,以及基于神經網絡的預測方法,如長短期記憶人工神經網絡(Long Short-Term Memory,LSTM)等[14-18]。在實際應用方面,隨著智能礦山建設的推進,我國礦山企業普遍建立了物資備件管理系統,完成了對備件采購、運輸、倉儲等流程從單一人工管理到信息化集成管理的轉變,積累了海量的備件采購、運輸、存儲方面的數據。例如神東煤炭集團公司[19]在長期應用物資備件管理系統的過程中,發現存在設備故障率高、備件儲備計劃準確性差、采購周期長和積壓浪費等問題,并進行了相應的庫存策略調整,提高了庫存周轉率與管理水平。

綜上所述,現階段的理論研究偏向于對備件分類與消耗預測在算法上的優化,未將備件分類與備件消耗預測進行整合,根據備件分類結果選擇相應的備件消耗預測策略,實現有針對性地優化。另外,在實際應用方面,對海量數據的深層次挖掘程度還處在初級階段,多以簡單的統計分析為主,未能對科學采購提供足夠的正向反饋與決策支持。為此,本研究利用大數據分析方法構建了一套體系完整的礦山備件采購預測模型,形成了基于大數據分析的礦山備件采購優化思路,并采用山東某地下黃金礦山備件管理數據進行模型驗證,為實現礦山備件的科學采購管理提供數據支持。

1 礦山企業備件采購分析

1.1 礦山企業備件采購流程

礦山企業的備件管理系統實現了備件采購業務的信息化管理,具體流程如圖1所示。礦山各級生產單位根據生產計劃與設備狀況,統計本單位的備件需求,提交至礦山采購部門。采購部門結合匯總的需求、實時庫存信息與歷史領料記錄,制定采購計劃并向外部供應商下達采購訂單。備件供應商在收到訂單后,向礦山組織供貨,并由礦山備件庫存管理部門進行備件入庫、庫存盤點、出庫記錄等工作。

圖1 礦山備件采購流程Fig.1 Procurement process of mine spare parts

系統應用不僅提高了業務處理效率,在長期的采購過程中,在各個關鍵節點均積累了大量關于備件需求量、采購時間、采購金額、庫存量、備件領用量等數據,充分利用歷史數據智能制定采購策略,是優化備件采購管理的重要途徑之一。礦山企業作為備件需求方和采購方,需充分考慮各類備件的現有庫存量和未來一段時間的需求量,針對不同類別的備件制定差異化采購策略,避免主觀因素帶來的認知偏差,進而提高礦山備件采購的科學性與準確性。

1.2 礦山企業備件采購數據的主要特征

經過對礦山物資備件采購流程的梳理與物資備件管理系統的使用和調研,獲取了部分礦山備件采購相關數據,經過分析主要表現出以下特征:

(1)產生節點多。在備件采購及管理的全流程中,從企業內部的各級生產單位、物資裝備部與庫存管理部門到企業外部供應商的各個節點都會產生相應的數據,共同構成了備件數據的來源。

(2)涉及維度廣。備件的屬性涉及多個維度,包括備件自身屬性如名稱、歸屬設備、規格等,備件采購及管理流程屬性如采購數量、采購價格、采購周期、采購供應商、庫存量、領用時間、領用量等,構成了龐大的數據維度。

(3)增長速度快。礦山企業生產任務重,使用的設備及相應備件種類多,更新迭代速度快,加之備件屬性維度廣、產生節點多,導致備件數據增長速度快、動態性強。

2 基于大數據分析的備件采購預測模型構建

2.1 礦山備件采購大數據分析邏輯架構

結合礦山備件采購流程中存在的問題與礦山備件數據的主要特征,利用大數據分析技術構建備件采購預測模型,實現對礦山備件采購的預測與優化,以適應礦山企業備件需求動態變化的特點,進而制定科學合理的備件采購計劃,實現采購成本控制與備件合理儲備。備件采購預測模型邏輯架構如圖2所示。

圖2 備件采購預測模型邏輯架構Fig.2 Logical framework of prediction model for spare parts procurement

(1)數據預處理。按照數據清洗、數據變換、數據歸約等步驟,完成對數據缺失、數據異常、數據維度過多等問題的處理,實現對礦山備件數據的預處理,為后續模型構建及驗證奠定基礎。

(2)備件智能分類。為彌補傳統ABC分類法基于價值進行分類,忽略了其他因素導致分類結果不科學的不足,綜合考慮備件的采購價格、采購周期與消耗速度,運用K-means聚類模型對備件進行分類并分析其特點,為備件消耗預測提供分類依據。

(3)備件消耗預測?；趥浼诸惤Y果,制定相應的預測策略,分別應用LSTM神經網絡與Prophet模型進行備件消耗預測,并結合兩種模型的優點構建組合預測模型,提高預測的準確性和穩定性,為制定采購計劃提供數據支持。

2.2 基于K-means聚類模型的備件智能分類

受礦山企業備件種類、價格、供應商、需求量等方面的影響,其采購成本與周期具有較大差異,為此進行備件分類是首要工作,而人為對備件進行分類不僅工作量大而且容易受主觀因素影響,導致分類不準確。采用聚類算法,根據備件的屬性因素進行聚類分析,得到較為合理、科學的備件分類準則,可以為后續的備件消耗預測及備件采購提供思路。K-means聚類算法是一種廣泛使用的無監督式機器學習技術,能夠從樣本數據中發掘出隱藏的聯系和結構,可用于隱含規律的發掘。其優點是收斂速度快、聚類效果好、可解釋度強,尤其適合大數據集的應用。

對備件分類的影響因素進行綜合分析后,本研究選擇以采購價格、消耗速度、采購周期作為備件聚類的屬性維度。

(1)采購價格。表示備件的經濟屬性,單個備件的采購價格越高,同等條件下產生的采購資金占用越多,對礦山帶來的資金流動壓力越大。

(2)消耗速度。表示備件的消耗快慢程度,消耗速度越快,需要進行的采購次數越頻繁或單次采購的數量越多,同等條件下產生的資金消耗和庫存空間占用越多。

(3)采購周期。表示備件采購難易程度,采購周期越長,發生供貨延遲的概率越大,對生產造成的不良影響也越大,需要提前進行采購來防止該現象發生。

將上述3個屬性作為備件的維度,即每個備件作為一個三維向量并隨機選取向量作為聚類中心,通過計算所有向量與各聚類中心的歐式距離,將每個向量賦給最近的簇,使得每一個向量到其對應聚類中心的歐式距離之和最短,即備件屬性越接近從而完成備件分類。

根據備件的不同屬性組合,共有8種備件類型,分別為高價格、快消耗長、周期備件,高價格、慢消耗、長周期備件,高價格、快消耗、短周期備件,高價格、慢消耗、短周期備件,低價格、快消耗、長周期備件,低價格、快消耗、短周期備件,低價格、慢消耗、長周期備件,低價格、慢消耗、短周期備件。

2.3 基于LSTM-Prophet組合模型的備件消耗預測

面對各類備件不同的數據變化趨勢特點,采用單個預測模型難以達到理想的預測效果。因此使用組合預測模型,將不同預測模型的預測結果進行加權組合,使之包含更全面的時序數據和動態信息,解決單個預測模型在某些時間或狀態存在較大偏差的問題,有效提高整體預測精度。Prophet模型在時間序列數據預測方面,能較為出色地適應數據的節日效應和變化趨勢點,而LSTM神經網絡在學習和挖掘長期歷史數據中隱藏的非線性和非周期性等特征存在較大的優勢。通過將兩者相結合進行組合預測,以Prophet模型擬合數據的節日效應和變化趨勢點,以LSTM神經網絡學習長期歷史數據的趨勢特征,最后采用誤差倒數法,即通過對平均相對誤差小的模型賦予較大的權重,使組合模型的平均相對誤差趨于減小,將兩個單一模型進行組合得到更準確的預測值。

定義LSTM-Prophet組合模型為

式中,P(t)為組合預測模型的預測結果;ω1、ω2分別為Prophet模型與LSTM神經網絡模型的權重;y(t)為Prophet模型預測結果;l(t)為LSTM神經網絡模型預測結果;ε1和ε2分別為Prophet模型與LSTM神經網絡模型預測結果與實際值的平均相對誤差。

建模過程如圖3所示。

圖3 組合預測模型架構Fig.3 Structure of combined forecasting model

針對不同備件類型屬性特點,消耗預測策略如下:

(1)高價格、快消耗、長周期備件。存在資金占用、庫存不足、供貨延遲風險,需要對采購數量與采購時間進行精準控制,即同時對采購數量與采購時間進行預測。

(2)高價格、慢消耗、長周期備件。存在資金占用、供貨延遲風險,但消耗速度慢,需要對采購時間進行重點預測。

(3)高價格、快消耗、短周期備件。存在資金占用、庫存不足風險,但采購周期短,需要對采購數量進行重點預測。

(4)高價格、慢消耗、短周期備件。存在資金占用風險,但消耗速度慢、采購周期短,無需預測,可選擇“零庫存”模式,需要時進行臨時采購。

(5)低價格、快消耗、長周期備件。存在庫存不足、供貨延遲風險,但采購價格低,需要對采購數量與時間進行預測,并保持較高數量庫存。

(6)低價格、快消耗、短周期備件。存在庫存不足風險,但采購價格低、采購周期短,需要對采購數量進行預測,并保持少量庫存。

(7)低價格、慢消耗、長周期備件。存在供貨延遲風險,但采購價格低、消耗速度慢,需要對采購時間進行預測,并保持少量庫存。

(8)低價格、慢消耗、短周期備件。風險較低,可選擇“零庫存”模式,需要時進行臨時采購。

3 模型應用及分析

3.1 數據預處理

山東某黃金地下礦山正在積極推進數字礦山建設,目前大數據中心與數據標準體系建設已經完成,實現了各系統數據的匯集,為后續的大數據分析奠定了良好的基礎。通過該礦山物資備件管理系統,獲取了該礦山部分備件的原始數據,主要包括備件編碼、名稱、對應設備、采購單、備件入庫單、備件領用單等,如表1所示,部分物資備件采購記錄數據見表2。經過數據清理、數據變換、數據歸約后,應用備件采購預測模型進行驗證。數據處理結果見表3。

表1 主要原始數據Table 1 Main original data

表2 物資備件采購單部分數據Table 2 Partial data of “MATERIAL_PURCHASE”

表3 數據預處理結果Table 3 Results of data preprocessing

3.2 備件智能分類結果

山東黃金某礦山使用的備件多達6 760類,本研究以備件采購價格、年平均消耗量、采購周期作為備件的屬性維度進行K-means聚類分析。通過對初始聚類中心與聚類數量的尋優,當聚類簇數為4時,聚類效果最優,如圖4、圖5及表4所示。

圖4 K-means聚類散點圖Fig.4 Scatter p lot of K-means clustering

圖5 K-means聚類雷達圖Fig.5 Radar chart of K-means clustering

表4 備件分類結果Table 4 Classification results of spare parts

如圖5所示,應用K-means聚類模型,將備件劃分為4類,各類備件的分類界限較為明顯,存在少量的離群點,整體達到了預期分類效果。各類備件的屬性如表4所示,備件種類1、備件種類2分別為3 036類、2 541類,屬于低價格、慢消耗、短周期備件,占比最高;備件種類3共1 111類,屬于低價格、快消耗、短周期備件,占比次之;備件種類4僅72類,屬于高價格、慢消耗、長周期備件,占比最少。

3.3 備件消耗預測結果

針對備件分類結果中4類備件的特點,選擇對應的消耗預測策略,即備件種類1、備件種類2因風險較低,可選擇“零庫存”模式,無需進行預測;備件種類3消耗速度快,針對其消耗量進行預測;備件種類4采購周期長,針對其消耗時間進行預測。

分別以某高價格、慢消耗、長周期備件“發動機總成”與某低價格、快消耗、短周期備件“釬尾”為例,進行備件消耗預測,其基本屬性見表5。高價格、慢消耗、長周期備件的采購時間預測效果如圖6所示,低價格、快消耗、短周期備件的消耗量預測效果如圖7所示,兩者預測效果評價見表6、表7。

表5 備件基本屬性Table 5 Basic characters of spare parts

圖6 “發動機總成”采購時間預測效果Fig.6 Prediction results of“engine assembly”procurement time

圖7 “釬尾”消耗量預測效果Fig.7 Prediction results of“shank adapters”consumption

表6 “發動機總成”采購時間預測結果評價Table 6 Evaluation of prediction results of "engine assembly" procurement time

表7 “釬尾”消耗量預測結果評價Table 7 Evaluation of prediction results of "shank adapters" consumption

由上述分析可知:針對不同屬性特點的備件選擇相應的預測策略,分別選取某高價格、慢消耗、長周期備件“發動機總成”與某低價格、快消耗、短周期備件“釬尾”進行采購時間預測與采購數量預測,得到了較為精確的預測效果,可為制定采購計劃提供數據支持。

4 結 論

(1)運用大數據分析技術對礦山企業備件采購過程中產生的海量歷史數據進行深入挖掘,通過構建礦山備件采購預測模型,實現了備件智能化分類與消耗量預測,為制定備件采購策略提供了科學指導,有助于降低企業備件庫存量及資金占用量。

(2)基于K-means算法構建的備件智能分類模型,從采購價格、消耗速度、采購周期等多個維度對礦山備件進行無監督式聚類分析,實現了礦山備件的智能化、精細化分類,解決了ABC分類法基于單一屬性進行分類導致分類結果不科學的問題。

(3)基于Prophet-LSTM算法構建的備件消耗組合預測模型,綜合考慮了備件消耗的長效性、周期性和趨勢性等特征,解決了單個預測模型易出現較大偏差的問題,針對不同類型備件制定了差異性預測策略,有效提高了預測的全面性和精確度。

(4)以“備件智能分類—備件消耗預測”為核心框架的礦山備件采購預測模型,符合礦山采購管理的普遍性特征,對于其他地下金屬礦山制定備件采購策略具有重要的借鑒意義。但是具備海量的采購歷史數據是建立大數據分析模型的基礎,并需要根據礦山具體備件情況進行個性化設置。