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 PDFInfo
- 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
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
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。
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)
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)
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 |
-
2017
- 2017-12-26 CN CN201711432208.0A patent/CN108280535A/zh active Pending
Patent Citations (4)
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)
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)
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 |