CN106127366A - 一种面向主生产计划的生产数量预测方法 - Google Patents

Abstract

本发明公开了一种面向主生产计划的生产数量预测方法，所述面向主生产计划的生产数量预测方法运用生产全周期的各种制造信息系统数据；采用适应时间推移的动态模型进行生产数量预测；选取样本数据，进行训练，建立基于自回归模型的初始预测模型；将动态特性融入初始预测模型，建立生产数量的动态预测模型。本发明能够准确预测主生产计划的生产数量，解决了主生产计划编制不合理问题，以获得相对最优的主生产计划编制方案；辅助企业更好的调配生产资源，提高了企业运行效率。本发明更为全面地分析了影响生产数量预测的各项因素，并且采用了适应时间推移的动态模型进行生产数量预测，因此结果更为准确。

Description

一种面向主生产计划的生产数量预测方法

技术领域

本发明属于企业管理技术领域，尤其涉及一种面向主生产计划的生产数量预测方法。

背景技术

主生产计划是企业资源计划系统中的关键环节。一个有效的主生产计划是生产对客户需求的一种承诺，它充分利用企业资源，协调生产与市场，实现生产计划大纲中所表达的企业经营目标。主生产计划在计划管理中起“龙头”模块作用，它决定了后续的所有计划及制造行为的目标。“生产数量”是主生产计划制定中的关键参数之一，制定合理的主生产计划需要将“生产数量”准确地预测出来。在各类企业的工程应用中，广泛存在着主生产计划生产数量预测的需求。例如，在一些离散制造企业，主生产计划生产数量预测的合理性和准确性一直是困扰企业管理人员的难题，一旦生产数量预测的不合理或不准确，会给生产全周期中的其它部门(如下游车间、库房等)带来不必要的麻烦，这主要体现在以下方面：1)若生产数量过大，会造成生产任务拖期、车间设备超负荷运转、劳动力不足、库存饱和等问题。2)若生产数量过小，会造成人力资源浪费、设备空闲、库房空置等问题。生产数量的预测至关重要，可以使得企业的生产更加有序地运转、提高生产效率。而生产数量的预测并不仅仅和单个计划系统相关，而是和生产全周期所涉及的多个制造信息系统也密切相关，预测时需要全面地考虑多个制造系统的各类影响因素。

到目前为止，尚无一种从生产全周期角度全面地考虑多个制造信息系统中各类影响因素且将动态特性融入的预测方法。

发明内容

本发明的目的在于提供一种面向主生产计划的生产数量预测方法，旨在解决从生产全周期的多个制造信息系统角度全面考虑影响因素并将动态特性融入预测模型进行生产数量预测属于技术空白问题。

本发明是这样实现的，一种面向主生产计划的生产数量预测方法，所述面向主生产计划的生产数量预测方法全面运用生产全周期的各种制造信息系统数据进行生产数量预测影响因素的提取；选取样本数据，将每年的数据样本设为一个时间序列，建立自回归模型，求解模型的阶数并确定模型中的各项参数，获得最佳预测模型，从而建立基于自回归模型的初始预测模型；在初始预测模型基础上，考虑模型需要适应时间推移引起影响因素变化问题，将动态特性融入初始预测模型，建立生产数量的动态预测模型。本发明所建立的生产数量动态预测模型更全面地考虑了相关影响因素，能够更准确的预测生产数量，从而使得主生产计划编制方案更加合理，提高企业运行效率。

进一步，所述影响主生产计划生产数量预测的因素包括：车间设备人员工时、加工能力；设备维修信息；设备健康信息；零件制造周期及工艺信息；零件在加工过程中的报废率；装配过程中的串件率；产品设计任务的复杂度；产品及物料库存信息；各类生产准备信息等。

进一步，所述制造信息系统数据的预处理包括清洗、转换、归约：属性值错误的数据，需要对其进行剔除，以消除数据错误对数据挖掘结果的影响；数据记录重复的情况，需要检测重复数据，利用数据平滑技术消除数据噪声；数据格式不一致的情况，需要将分类类型数据变换为等价的数值类型数据等。

进一步，所述建立初始生产数量预测模型具体方法如下：

1)将每年的数据样本看为一个时间序列，时间序列为：

{H_t|t＝1,2,3,…,N}；

则其自回归模型为：

H_t＝λ₁H_t-1+λ₂H_t-2+…+λ_nH_t-n+β_t；

式中：β_t满足独立正态分布，其中均值为零，方差为σ²；λ₁,λ₂,…,λ_n为自回归模型参数，n为模型的阶数。

2)自回归模型的阶数n通过最小信息准则来确定，即寻求模型在不同阶数下的最小值；参数λ运用最小二乘法来估计，估计值为：

λ＝(x^Tx)^-1x^Ty；

其中：y＝(H_n+1 H_n+2 … H_M)；

3)模型建立后运用检验β_t是否为白噪声的办法，即检验β_t是否与β_t-1,β_t-2,…,β_t-n无关；

4)建立自回归模型递推公式对结果进行预测；定义为在H_t(k)为在t时刻对未来k步的预测值，e_t(k)为预测误差，即：

e_t(k)＝H_t+k-H_t(k)；

预测误差e_t(k)的方差为最小时的H_t(k)值为最佳预测，对于所给出的自回归模型，最佳预测递推公式为：

$H_t\left(k\right)=\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_{t+k-i},k=1\\ \underset{i=1}{\overset{k-1}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_t(k-i)+\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_{t+k-i},1<k\&le;n\\ \underset{i=1}{\overset{k-1}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_t(k-i),k>1\end{array}\right..$

进一步，将动态特性融入初始预测模型，建立动态预测模型，动态特性融入即样本滚动年限和数据样本集合的求解。

设样本数据滚动年限为M，当前年份为Y，动态特性融入规则主要是将数据样本变为动态样本，即选择下面的数据样本集合中的数据：

{[(Y-M-N)-(Y-N)],……,[(Y-M-1)-(Y-1)],[(Y-M)-Y)]}。

本发明提供的面向主生产计划的生产数量预测方法，全面考虑生产全周期中的各项影响因素，采用能够适应时间变化的动态模型进行预测，从而得到准确的主生产计划生产数量。本发明用于解决主生产计划中的生产数量设置问题，从而获得准确的主生产计划编制方案，能够使得企业更好的调配生产资源，提高企业运行效率。

附图说明

图1是本发明实施例提供的面向主生产计划的生产数量预测方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施案例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例的面向主生产计划的生产数量预测方法包括以下步骤：

STEP1：获取影响主生产计划生产数量预测的各种因素，并选取适当数量的基础数据。

企业主生产计划生产数量的预测需要生产全周期的多方面的数据做支撑，其影响因素涉及到多个系统，如PDM、ERP、CAPP、MES等，概括起来主要包括以下方面：

1)车间设备人员工时、加工能力

2)设备维修信息

3)设备健康信息

4)零件制造周期及工艺信息

5)零件在加工过程中的报废率

6)装配过程中的串件率

7)产品设计任务的复杂度

8)产品及物料库存信息

9)各类生产准备信息

需要将以上影响因素和生产数量的近年历史数据作为基础数据，选取数据的数量没有固定的规则，需根据企业的具体情况而定。一般选取近10-20年的数据即可。

STEP2：基础数据预处理。

基础数据可能存在各种问题，如数据不完整(空值)、数据噪声、数据错误或格式不一致等，这部分数据如果参与分析，必然会对分析结果产生负面影响，因此需要对数据进行清洗、转换、归约等预处理，从而获得高质量的基础数据。例如，属性值错误的数据，需要对其进行剔除，已消除数据错误对数据挖掘结果的影响；数据记录重复的情况，需要检测重复数据，利用数据平滑技术消除数据噪声；数据格式不一致的情况，需要将分类类型数据变换为等价的数值类型数据等。

STEP3：建立初始生产数量预测模型。

选取适当数量的样本数据，进行训练，建立基于自回归模型的初始预测模型。具体方法如下：

1)将每年的数据样本看为一个时间序列，设时间序列为

{H_t|t＝1,2,3,…,N} (公式1)

则其自回归模型为：

H_t＝λ₁H_t-1+λ₂H_t-2+…+λ_nH_t-n+β_t (公式2)

式中：β_t满足独立正态分布，其中均值为零。方差为σ²；λ₁,λ₂,…,λ_n为自回归模型参数。n为模型的阶数。

2)自回归模型的建立主要包括2个关键内容：定阶和参数估计。即求n和λ。阶数n可以通过最小信息准则来确定，即寻求模型在不同阶数下的最小值，此值为所求的阶数。参数λ可以运用最小二乘法来估计。估计值为

λ＝(x^Tx)^-1x^Ty (公式3)

其中：

3)模型建立后要进行适用性检验，可以运用检验β_t是否为白噪声的办法，即检验β_t是否与β_t-1,β_t-2,…,β_t-n等无关。

4)经过自回归模型的定阶、参数估计和适用性检验后，即可建立自回归模型递推公式对结果进行预测。

定义为在H_t(k)为在t时刻对未来k步的预测值，e_t(k)为预测误差，即

e_t(k)＝H_t+k-H_t(k) (公式5)

称预测误差e_t(k)的方差为最小时的H_t(k)值为最佳预测，对于式(2)所给出的自回归模型，其最佳预测递推公式为：

STEP4：将动态特性融入初始预测模型，建立生产数量的动态预测模型。

为了保证预测模型能够适应时间推移的变化，需要考虑预测模型的“适用年限”和“样本数据滚动年限”问题。例如，当前获取了2000-2014年的数据样本，“适用年限”即运用2000-2014的样本数据所构建的模型可预测未来多少年生产数量，设“适用年限”为N；运用样本数据集合{2000-2009,2001-2010,2002-2011,……}来构建模型时，“样本数据滚动年限”为10年，运用样本数据{2000-2011,2001-2012,2002-2013,……}来构建时，“样本数据滚动年限”12年，10年合理还是12年合理需要结合企业实际情况、实验验证数据等多项因素进行评估，设“样本数据滚动年限”为M。

综上，动态特性融入规则为：假定当前年份为Y，则未来N年的生产数量预测模型可以选择下面的数据样本集合中的数据：{[(Y-M-N)-(Y-N)],……,[(Y-M-1)-(Y-1)],[(Y-M)-Y)]}。依据上述动态特性融入规则，将STEP3所建立的初始预测模型变换为动态预测模型，从而使得预测模型能够适应时间推移变化。

STEP5：实例验证及误差分析

运用历史数据进行验证，可以运用2001-2010年的数据样本构建模型及动态改进，运用改进后的模型对2012-2015的生产数量进行预测，求取预测值，将预测值与2012-2015年的实际值作对比并分析其误差，若精度达不到要求，则返回STEP3，根据误差情况对模型进行进一步的优化和改进，若精度符合要求，则结束。

下面结合具体实施例对本发明的应用效果作详细的描述。

以某企业的生产数量预测为例进行方法的实施。

影响生产数量的因素包括加工设备的数量及维修时间、产生废品的比率、关键件串件比率等。结合上述分析，最终确定的影响因素为：设备总数、在用设备数量、新增设备数量、设备维修时间、关键件串件率、关键件报废率、平均工序数量、上年度生产数量，而因变量为本年度生产数量。我们以某企业2001-2015年的基础数据为例，基础数据如表1所示。

表1某企业生产数量预测影响因素的基础数据

通过基础数据的训练，建立初始预测模型(静态模型)，在初始模型基础上进行动态特性融入，从而获得动态预测模型，得出的静态模型生产数量和动态模型生产数量预测结果及误差分析如表2所示。

表2动态模型预测结果与静态模型预测结果及实际生产数量的对比

从表2中可以看出，经过动态特性融入的模型的误差为2.05％，该企业要求的误差范围为6％以内，所以模型预测效果达到了预定要求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种面向主生产计划的生产数量预测方法，其特征在于，所述面向主生产计划的生产数量预测方法运用生产全周期的各种制造信息系统数据；采用适应时间推移的动态模型进行生产数量预测；选取样本数据，进行训练，建立基于自回归模型的初始预测模型；将动态特性融入初始预测模型，建立生产数量的动态预测模型。

2.如权利要求1所述的面向主生产计划的生产数量预测方法，其特征在于，所述影响主生产计划生产数量预测的因素主要包括：车间设备人员工时、加工能力；设备维修信息；设备健康信息；零件制造周期及工艺信息；零件在加工过程中的报废率；装配过程中的串件率；产品设计任务的复杂度；产品及物料库存信息；各类生产准备信息。

3.如权利要求1所述的面向主生产计划的生产数量预测方法，其特征在于，所述制造信息系统数据的预处理包括清洗、转换、归约：属性值错误的数据，进行剔除；数据记录重复的情况，检测重复数据，利用数据平滑技术消除数据噪声；数据格式不一致，将分类类型数据变换为等价的数值类型数据。

4.如权利要求1所述的面向主生产计划的生产数量预测方法，其特征在于，所述建立初始生产数量预测模型具体方法如下：

1)将每年的数据样本看为一个时间序列，时间序列为：

{H_t|t＝1,2,3,…,N}；

则其自回归模型为：

H_t＝λ₁H_t-1+λ₂H_t-2+…+λ_nH_t-n+β_t；

式中：β_t满足独立正态分布，其中均值为零，方差为σ²；λ₁,λ₂,…,λ_n为自回归模型参数，n为模型的阶数；

2)自回归模型的阶数n通过最小信息准则来确定，即寻求模型在不同阶数下的最小值；参数λ运用最小二乘法来估计，估计值为：

λ＝(x^Tx)^-1x^Ty；

其中：y＝(H_n+1 H_n+2 … H_M)；

3)模型建立后运用检验β_t是否为白噪声的办法，即检验β_t是否与β_t-1,β_t-2,…,β_t-n无关；

4)建立自回归模型递推公式对结果进行预测；定义为在H_t(k)为在t时刻对未来k步的预测值，e_t(k)为预测误差，即：

e_t(k)＝H_t+k-H_t(k)；

预测误差e_t(k)的方差为最小时的H_t(k)值为最佳预测，对于所给出的自回归模型，最佳预测递推公式为：

$H_t\left(k\right)=\left\{\begin{array}{c}\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_{t+k-i},k=1\\ \underset{i=1}{\overset{k-1}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_t(k-i)+\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_{t+k-i},1<k\&le;n\\ \underset{i=1}{\overset{k-1}{\&Sigma;}}{\mathrm{\&lambda;}}_i{H}_t(k-i),k>1\end{array}\right..$

5.如权利要求1所述的面向主生产计划的生产数量预测方法，其特征在于，将动态特性融入初始预测模型，建立动态预测模型，动态特性融入即样本滚动年限和数据样本集合的求解；

样本数据滚动年限为M，当前年份为Y，动态特性融入规则是将数据样本变为动态样本，即选择下面的数据样本集合中的数据：

{[(Y-M-N)-(Y-N)],……,[(Y-M-1)-(Y-1)],[(Y-M)-Y)]}；

依据动态特性融入规则，将建立的初始预测模型变换为动态预测模型，使得预测模型能够适应时间推移变化。