CN108280535A - 一种基于机器学习的库存预测系统 - Google Patents

一种基于机器学习的库存预测系统 Download PDF

Info

Publication number
CN108280535A
CN108280535A CN201711432208.0A CN201711432208A CN108280535A CN 108280535 A CN108280535 A CN 108280535A CN 201711432208 A CN201711432208 A CN 201711432208A CN 108280535 A CN108280535 A CN 108280535A
Authority
CN
China
Prior art keywords
conveyer belt
shell
machine learning
trend
controller
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201711432208.0A
Other languages
English (en)
Inventor
孟洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jiangsu Nakahiro Keijin Mdt Infotech Ltd
Original Assignee
Jiangsu Nakahiro Keijin Mdt Infotech Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Jiangsu Nakahiro Keijin Mdt Infotech Ltd filed Critical Jiangsu Nakahiro Keijin Mdt Infotech Ltd
Priority to CN201711432208.0A priority Critical patent/CN108280535A/zh
Publication of CN108280535A publication Critical patent/CN108280535A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Computing Systems (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Game Theory and Decision Science (AREA)
  • Control Of Conveyors (AREA)

Abstract

本发明公开了一种基于机器学习的库存预测系统，包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。传送带包括第一传送带、第二传送带，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。该装置结构合理，操作方便，自动化程度高。提高货物进出库效率，对库存进行科学管理，对库存进行智能预测，方便与ERP库存管理模块衔接。

Description

一种基于机器学习的库存预测系统
技术领域
本发明涉及人工智能技术领域，更具体地涉及一种基于机器学习的库存预测系统。
背景技术
适当的库存是企业正常运转且获得最大利润的必要条件，过多过少的库存都会给企业带来不利影响。过多的库存会占用大量的空间和资金，增加存储费用，财务成本加重；过少的库存会导致订货费用增加，可能因库存量不足造成停产待料，从而影响生产效率或服务质量。因此，企业需要通过有效的库存管理，提高资金周转率及生产效率，提高经济效益和顾客满意度。
库存管理是制造业企业管理的重要组成部分，库存管理的对象是库存项目，即企业中所有物料，包括原材料、零部件、在制品、半成品及产品，以及起辅助物料。库存管理的主要功能是在供、需之间建立缓冲区，达到缓和用户需求与企业生产能力之间，最终装配需求与零配件之间，零件加工工序之间、生产厂家需求与原材料供应商之间的矛盾。在美国，有些企业库存周期只有8天，但有些中国企业的库存周期长达51天。
在企业生产经营活动中，库存管理既必须保证生产车间对原材料、零部件需求，又直接影响采购、销售部门的购、销活动。当前，企业进行货物进出库时，需要对货物进行扫描记录，但现有的扫描装置只是进出统计管理，不能对库存进行智能预测。
发明内容
1.发明目的。
针对现有技术存在的缺陷，提出一种基于机器学习的库存预测系统，提高货物进出库效率，对库存进行科学管理，对库存进行智能预测，方便与ERP库存管理模块衔接。
2.本发明的技术方案。
一种基于机器学习的库存预测系统，包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。
更进一步，所述传送带包括第一传送带、第二传送带，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。
更进一步，所述气泵的活动端连接伸缩杆，伸缩杆的端部固定连接检测器，通过气泵和伸缩杆运动，可以调节检测器与传送带的相对位置。
更进一步，所述探测器为光学摄像头或红外扫描仪，所述传感器为压力传感器。
更进一步，所述控制器包括数据处理模块、输入模块、输出模块、通信模块、显示模块和按键模块；数据处理模块采用TMS320L2812；输入模块与探测器电气连接，输入数字图像或二维码信号；输入模块与传感器电气连接，输入压力信号；输出模块与电机、气泵、伸缩杆电气连接，输出控制信号；通信模块与ERP库存管理模块电气连接。
更进一步，所述控制器的时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0-3，4-7，8-10，11-15，16-30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。
更进一步，所述控制器的供货商趋势判断方法：影响部件是否能及时供货的另一个判断条件是各供货商，利用回归算法，在总时间段，以及6个分时间段，分别将各供货商的趋势与总趋势进行回归计算，判断出各时间段内各供货商对总趋势影响最大的供货商。
更进一步，所述控制器的部件趋势判断方法：对各部件供货趋势状态进行汇总，找出影响部件供货的原因，包括时间段和供货商两个因素。
更进一步，所述控制器的部件缺货预测方法：对缺货部件进行库存管理的数据分析，找出导致部件缺货的原因，包括订单量、物流量、入库量、出库量四个因素。
3.本发明的技术效果。
该装置结构合理，操作方便，自动化程度高。提高货物进出库效率，对库存进行科学管理，对库存进行智能预测，方便与ERP库存管理模块衔接。
附图说明
图1为实施例的回归次数。
图2为本发明的外观示意图。
图3为本发明的结构示意图。
具体实施方式
实施例1
一种智能进出库货物扫描记录装置，如图2、3所示，包括外壳1、传送带2、3、气泵4、伸缩杆5、探测器6、控制器7、传感器8、电机9，外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。
传送带包括第一传送带2、第二传送带3，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。
气泵的活动端连接伸缩杆，伸缩杆的端部固定连接检测器，通过气泵和伸缩杆运动，可以调节检测器与传送带的相对位置。
探测器为光学摄像头或红外扫描仪，传感器为压力传感器。
实施例2
一种智能进出库货物扫描记录装置，如图2、3所示，包括外壳1、传送带2、3、气泵4、伸缩杆5、探测器6、控制器7、传感器8、电机9，外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。
控制器包括数据处理模块、输入模块、输出模块、通信模块、显示模块和按键模块；数据处理模块采用TMS320L2812；输入模块与探测器电气连接，输入数字图像或二维码信号；输入模块与传感器电气连接，输入压力信号；输出模块与电机、气泵、伸缩杆电气连接，输出控制信号；通信模块与ERP库存管理模块电气连接。
实施例3
一种智能进出库货物扫描记录装置，如图2、3所示，包括外壳1、传送带2、3、气泵4、伸缩杆5、探测器6、控制器7、传感器8、电机9，外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。
时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0-3，4-7，8-10，11-15，16-30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。
供货商趋势判断方法：影响部件是否能及时供货的另一个判断条件是各供货商，利用回归算法，在总时间段，以及6个分时间段，分别将各供货商的趋势与总趋势进行回归计算，判断出各时间段内各供货商对总趋势影响最大的供货商。
部件趋势判断方法：对各部件供货趋势状态进行汇总，找出影响部件供货的原因，包括时间段和供货商两个因素。
部件缺货预测方法：对缺货部件进行库存管理的数据分析，找出导致部件缺货的原因，包括订单量、物流量、入库量、出库量四个因素。
由于库存数据单位不一，而所要预测的系统非线性，初始值设定可能影响到人工智能学习速度、结构复杂性和精度，所以必须对样本进行归一化处理，即通过线性变化将输入数据转换成[0，1]之间的数据，常用变换函数是sigmoid{}。此处采用BP神经网络学习算法，随机选择20组数据样本作为训练样本，剩余10组数据样本作为测试样本，对实际安全库存进行预测对比，结果如图1所示，2次迭代之后进入目标精度。
以上描述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种基于机器学习的库存预测系统，其特征在于：包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器；所述控制器的时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0-3，4-7，8-10，11-15，16-30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。
2.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述控制器的供货商趋势判断方法：影响部件是否能及时供货的另一个判断条件是各供货商，利用回归算法，在总时间段，以及6个分时间段，分别将各供货商的趋势与总趋势进行回归计算，判断出各时间段内各供货商对总趋势影响最大的供货商。
3.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述控制器的部件趋势判断方法：对各部件供货趋势状态进行汇总，找出影响部件供货的原因，包括时间段和供货商两个因素。
4.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述控制器的部件缺货预测方法：对缺货部件进行库存管理的数据分析，找出导致部件缺货的原因，包括订单量、物流量、入库量、出库量四个因素。
5.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述传送带包括第一传送带、第二传送带，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。
6.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述气泵的活动端连接伸缩杆，伸缩杆的端部固定连接检测器，通过气泵和伸缩杆运动，可以调节检测器与传送带的相对位置。
7.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述探测器为光学摄像头或红外扫描仪，所述传感器为压力传感器。
8.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述控制器包括数据处理模块、输入模块、输出模块、通信模块、显示模块和按键模块；数据处理模块采用TMS320L2812；输入模块与探测器电气连接，输入数字图像或二维码信号；输入模块与传感器电气连接，输入压力信号；输出模块与电机、气泵、伸缩杆电气连接，输出控制信号；通信模块与ERP库存管理模块电气连接。
CN201711432208.0A 2017-12-26 2017-12-26 一种基于机器学习的库存预测系统 Pending CN108280535A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711432208.0A CN108280535A (zh) 2017-12-26 2017-12-26 一种基于机器学习的库存预测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711432208.0A CN108280535A (zh) 2017-12-26 2017-12-26 一种基于机器学习的库存预测系统

Publications (1)

Publication Number Publication Date
CN108280535A true CN108280535A (zh) 2018-07-13

Family

ID=62802259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711432208.0A Pending CN108280535A (zh) 2017-12-26 2017-12-26 一种基于机器学习的库存预测系统

Country Status (1)

Country Link
CN (1) CN108280535A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064274A (zh) * 2018-07-24 2018-12-21 方骥 一种基于机器学习的智慧电商页面缺货管理方法及系统
CN110928924A (zh) * 2019-11-28 2020-03-27 江苏电力信息技术有限公司 基于神经网络的电力系统客户满意度分析与预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1452105A (zh) * 2002-04-13 2003-10-29 鸿富锦精密工业（深圳）有限公司 库存管理系统及方法
CN1641665A (zh) * 2004-01-16 2005-07-20 鸿富锦精密工业（深圳）有限公司 多据点库存分析系统及方法
CN101814204A (zh) * 2009-02-23 2010-08-25 鸿富锦精密工业（深圳）有限公司 仓库管理系统及方法
CN206400120U (zh) * 2017-01-20 2017-08-11 重庆工业职业技术学院 一种智能快递包裹安检扫描装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1452105A (zh) * 2002-04-13 2003-10-29 鸿富锦精密工业（深圳）有限公司 库存管理系统及方法
CN1641665A (zh) * 2004-01-16 2005-07-20 鸿富锦精密工业（深圳）有限公司 多据点库存分析系统及方法
CN101814204A (zh) * 2009-02-23 2010-08-25 鸿富锦精密工业（深圳）有限公司 仓库管理系统及方法
CN206400120U (zh) * 2017-01-20 2017-08-11 重庆工业职业技术学院 一种智能快递包裹安检扫描装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张颖;贾民平;: "零件库存用量的预测方法比较" *
王金策;杨宁;: "时间序列趋势预测" *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109064274A (zh) * 2018-07-24 2018-12-21 方骥 一种基于机器学习的智慧电商页面缺货管理方法及系统
CN109064274B (zh) * 2018-07-24 2021-09-21 方骥 一种基于机器学习的智慧电商页面缺货管理方法及系统
CN110928924A (zh) * 2019-11-28 2020-03-27 江苏电力信息技术有限公司 基于神经网络的电力系统客户满意度分析与预测方法

Similar Documents

Publication Publication Date Title
US11054811B2 (en) Systems and methods for line balancing
Chandriah et al. RNN/LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting
Rad et al. Optimizing inventory and sales decisions in a two-stage supply chain with imperfect production and backorders
Bulnes et al. An efficient method for defect detection during the manufacturing of web materials
CN108280535A (zh) 一种基于机器学习的库存预测系统
Browne Artificial intelligence data-driven internet of things systems, real-time process monitoring, and sustainable industrial value creation in smart networked factories
US20180158015A1 (en) Inventory management system and inventory management method
CN116596441A (zh) 一种基于云计算的智能仓储服务管理方法及系统
Khadem et al. Application of artificial intelligence in supply chain revolutionizing efficiency and optimization
Daryanto et al. Optimal order quantity considering carbon emission costs, defective items, and partial backorder
CN113327243B (zh) 基于AYOLOv3-Tiny新框架的PAD导光板缺陷可视化检测方法
CN108960739B (zh) 一种物流供应链管理系统
CN115482014B (zh) 一种二手车虚假车源的识别方法和装置
KR102375880B1 (ko) 인공지능 모델 기반의 제조 공정에서의 견적 및 설계도 산출 시스템
US20230274248A1 (en) Systems and methods of image processing and shrinkage evaluation
Borgue et al. Model-based design of am components to enable decentralized digital manufacturing systems
Mallick et al. Local design vs. global design: A strategic business choice
CN112558554A (zh) 任务追踪方法和系统
TWI803789B (zh) 一種消費資訊處理系統及其方法
Bányai et al. Multi-channel supply chain optimisation in cyber-physical environment under quantity discounts
CN213482934U (zh) 一种生鲜产品供应链服务系统
KR102636928B1 (ko) 중고 부품 판매 플랫폼 서비스를 제공하기 위한 방법, 장치 및 프로그램
US20240135315A1 (en) Systems and methods of detecting price tags and associating the price tags with products
Veerasamy et al. Retail Shelf Monitoring for Product Availability
Yu Research on the application of big data in e-commerce enterprise supply chain cost control

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination