CN114331146A - 一种基于大数据预测的纺织厂供应链管理系统 - Google Patents
一种基于大数据预测的纺织厂供应链管理系统 Download PDFInfo
- Publication number
- CN114331146A CN114331146A CN202111650412.6A CN202111650412A CN114331146A CN 114331146 A CN114331146 A CN 114331146A CN 202111650412 A CN202111650412 A CN 202111650412A CN 114331146 A CN114331146 A CN 114331146A
- Authority
- CN
- China
- Prior art keywords
- production
- supply chain
- incoming material
- raw materials
- data
- 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.)
- Granted
Links
- 238000013068 supply chain management Methods 0.000 title claims abstract description 36
- 239000004753 textile Substances 0.000 title claims abstract description 17
- 238000004519 manufacturing process Methods 0.000 claims abstract description 104
- 239000002994 raw material Substances 0.000 claims abstract description 81
- 239000013072 incoming material Substances 0.000 claims abstract description 78
- 238000007726 management method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000008901 benefit Effects 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 31
- 239000000463 material Substances 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000013135 deep learning Methods 0.000 claims description 5
- 230000003139 buffering effect Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 235000003642 hunger Nutrition 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000037351 starvation Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims 2
- 238000012937 correction Methods 0.000 claims 1
- 238000010801 machine learning Methods 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 3
- 239000000047 product Substances 0.000 description 23
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000013499 data model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据预测的纺织厂供应链管理系统，所述管理系统包括：数据采集单元，用于为所述管理系统提供历史数据；数据处理单元，用于对历史数据进行处理，并生成来料预测模型；策略分析单元，基于建立的所述来料预测模型进行生产原料的来料数值预测，执行对供应链和产线原料的策略分析和指导，并反馈优化后的供应链策略；其中，所述数据处理单元采用基于时间序列的LSTM预测模型建立所述来料预测模型；所述供应链策略，包括以经济效益最大化、总产量最大化以及缺料指数最小化为管理目标；并加入多个关于生产原料存量的约束条件，约束所述策略分析单元在生成所述供应链策略时的计算过程。
Description
技术领域
本发明涉及生产管理系统技术领域。具体而言，涉及一种基于大数据预测的纺织厂供应链管理系统。
背景技术
供应链是指围绕核心企业，从产品的生产原料开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的、将供应商，制造商，分销商直到最终用户连成一个整体的功能网链结构。供应链管理的经营理念是从下游生产者的角度，通过对上游企业间的协作和整合，谋求供应链条整体最佳化。其中对于原料的库存量控制至关重要，善于进行供应链优化的生产企业通过精准的库存量控制，能够实现动态的零库存，大大降低了企业的库存成本浪费。
查阅相关已公开技术方案，公开号为AU2021107272(A4)的技术方案，提出一种使用区块链实现的物联网食品和药品供应链管理系统，用于提供一种轻量级系统以确保在物联网支持的供应链管理中使用区块链的数据完整性；公开号为CN111602157(A)的技术方案提出一种可视化的供应链风险分析方法管理系统，通过对评估对象企业相关的文本数据为基础而计算风险分数，并通过可视化的分式作出结果的呈现；公开号为US2021272055(A1)的技术方案，通过存储、分析和跟踪供应链事件并帮助协调和维护贸易伙伴的联系，从而保证了药品供应链的持续正常运作。以上关于供应链的管理系统方统主要基于已经的供应链数据作出对应的分析，在如今供应链管理越趋复杂的情况下，还需要一种更能发掘供应链内在规律的预测方法，以帮助提前对供应链策略做出超前部署。
发明内容
本发明的目的在于，提出一种基于大数据预测的纺织厂供应链管理系统，通过基于历史数据建立关于纺织生产的来料预测模型，用于预测在下一时间周期的原物料的供应情况，并进一步的基于生产原料的来料量预测数据，通过计算各个产品的收益和成本的最大效益，指导供应链执行相应的优化策略。
本发明采用如下技术方案：
一种基于大数据预测的纺织厂供应链管理系统，所述管理系统包括：
数据采集单元，用于为所述管理系统提供历史数据；
数据处理单元，用于对历史数据进行处理，并利用历史数据进行深度学习训练，建立来料预测模型；
策略分析单元，基于建立的所述来料预测模型，执行对供应链的策略分析和指导，并反馈优化后的供应链管理策略；
其中，所述数据处理单元采用基于时间序列的LSTM预测模型建立所述来料预测模型S；所述策略分析单元进行所述供应链管理策略的优化计算以所述来料预测模型S对生产原料的来料数值作出预测，并以来料数值的预测值，作为所述供应链管理优化策略的数据源；
所述管理系统包括一种基于大数据预测的纺织厂供应链管理方法，包括以下执行步骤：
步骤S1：将供应链中生产原料的来料情况进行采集、分析，形成第一数据集；
步骤S2：将所述第一数据集进行数据整理，获得来料数据集；
步骤S3：将所述来料数据集输入所述数据处理单元进行基于LSTM预测模型的数据训练，获得所述来料预测模型S；
步骤S4：使用所述来料预测模型S进行供应链管理策略优化计算，并通过多个约束条件约束对以上优化计算进行约束；
在步骤S2中，包括以下子步骤：
步骤S201：将所述第一数据集按照来料的时间序列进行整理排序；
步骤S202：对所述来料数据集进行数据归一化处理，获得所述来料数据集；
在步骤S3中，包括以下步骤；
步骤S301：将所述来料数据集按照8：2的比例分为来料数据训练集、来料数据测试集；
步骤S302：将所述来料数据训练集输入所述数据处理单元，训练并建立所述来料预测模型S，并使用所述来料数据测试集对所述来料预测模型S进行测试并优化；
在步骤S4中，包括以下子步骤：
步骤S401：以经济效益最大化、总产量最大化以及缺料指数最小化为优化目标，根据所述来料预测模型S进行原料的来料数量预测，并进一步构建以下第一目标函数G1，并求得max(G1),即净收益最大化；
其中，所述第一目标函数G1代表净收益；t为时段，取值为1，2……T；p为生产车间，取值为1，2……P；q为工位，取值为1，2……Q；Lpq为p车间q工位的生产效益指数；Xtpq为p车间q工位在t时段配置的生产原料数量；
n为仓库编号，取值为1，2……N；Fn为n号仓库维持每一标准单位的生产原料库存所消耗的成本，Ctn为在n号仓库在t时段的生产原料库存量；
σ为一个布值变量，取值为0或1，当σtn取值为1代表n号仓库在时段t需要进行临时缓冲增容,当σtn取值为0代表n号仓库在时段t不需要进行临时缓冲增容；Rn代表n号仓库进行临时缓冲增容的额外成本；Etn代表n号仓库在t时段的临时缓冲的增容量；
步骤S402：以总产量最大化为目标，根据生产原料分配到不同产品的二次产量函数，得到计算成品总产量的第二目标函数G2,并求得max(G2),即总产量最大化；
其中，h为成品的种类，取值为1，2……H；λph为第p生产车间进行生产h类成品的产能；Ytph为在t时段在p车间为h类产品配置的生产原料数量；参数ω、b和ε分别为二次项、一次项以及常数项的权重系数，通过对产能进行标准化生产条件试验所得；
步骤S403：以缺料情况最小化为目标，根据各生产车间的配料情况作出综合判断，得到一个关于缺料情况的缺料指数函数，即第三目标函数G3，并求得min(G3),即使缺料指数最小化；
其中，φpq为p车间q工位的配料权重，可通过对各车间和工位的实际工作效率或者根据产品的利润率进行统计所得；Max(Xtpq)为在p车间q工位在t时段配置生产原料的最大数量；
步骤S404：以在线原料动态保持量、在线原料量限制、仓库库存量约束、仓库临时增容量、最低产量要求以及各个车间的原料总需求量作为约束条件，进行对以上目标函数进行优化时的约束，其中：
步骤S4041：在线原料动态保持量约束：
其中，LCt为t时段在线原料动态保持量，即安排在产线上的生产原料数量；S为生产原料的预测来料量；初始值为t＝0时，即生产未开始前，产线保持一定的生产原料数量，可由产线生产人员统计获悉；生产开始后，通过上式使产线上的生产原料保持一定的动态平衡；
步骤S4042：在线原料量限制约束：
Lmt(LCt)≤LCt≤Max(LCt)；
其中，Lmt(LCt)为在线原料的最小保持量，Max(LCt)为在线原料的最大保持量；
步骤S4043：仓库库存量约束：
Ctn≤Max(Ctn)；
其中Max(Ctn)为t时段n号仓库的最大标准库存量；
步骤S4044：仓库临时增容量约束：
Etn≤Max(Etn)；
其中Max(Etn)为t时段n号仓库的最大临时缓冲增容量，通过对仓库临时增容区的实测可得；
步骤S4045：最低产量要求约束：
G2≥Limit(volume)；
其中Limit(volume)为计算周期内最低的成品产量要求；
步骤S4046：各个车间的原料总需求量：
Limit(Xtpq)≤Xtpq≤Max(Xtpq)；
Limit(Ytpq)≤Ytpq≤Max(Ytpq)；
其中，Limit(Xtpq)为p车间q工位在t时段的最小配置生产原料的数量；Limit(Ytph)为t时段在p车间进行h类产品配置的生产原料的最小需求数量；Max(Ytph)为t时段在p车间进行h类产品配置的生产原料的最大需求数量；
通过以上各个约束，对所述第一目标函数G1、所述第二目标函数G2以及所述第三目标函数G3进行最解优计算，从而获得所述供应链管理策略。
本发明所取得的有益效果是：
1.本发明的管理系统先通过建立来料预测模型，对未来一定时间周期的生产原料供应量作出预测，为进行生产原料的存量管理提供数据模型参考；
2.本发明的管理系统对在线原料、仓库库存和临时缓冲区之间进行有效的库存动态平衡，提高了生产原料在生产车间的流转效率；
3.本发明的管理系统通过多个约束条件对库存量、车间排产、产品类型进行生产指导，进一步提高了供应链中各环节和元素的利用效率；
4.本发明的软、硬件布局需求基于模块化设计，可在技术更新和修改阶段方便地进行切换和升级，有利于今后技术方案的优化和升级。
附图说明
从以下结合附图的描述可以进一步理解本发明。图中的部件不一定按比例绘制，而是将重点放在示出实施例的原理上。在不同的视图中，相同的附图标记指定对应的部分。
图1为所述管理系统的流程示意图；
图2为原料的来料-消耗过程示意图；
图3为纺织厂仓库库存示意图；
图4为仓库临时缓冲增容的示意图。
附图编号说明：101-原料；102-仓库；103-临产缓冲区。
具体实施方式
为了使得本发明的目的技术方案及优点更加清楚明白，以下结合其实施例，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施例仅用于解释本发明，并不用于限定本发明。对于本领域技术人员而言，在查阅以下详细描述之后，本实施例的其它系统、方法和/或特征将变得显而易见。旨在所有此类附加的系统、方法、特征和优点都包括在本说明书、本发明的范围内，并且受所附权利要求书的保护。在以下详细描述描述了所公开的实施例的另外的特征，并且这些特征根据以下将详细描述将是显而易见的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或组件必须具有特定的方位.以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例一：
良好的供应链管理，可以将生产原料迅速的安排到产线上进行生产，并保持产线上的生产原料的动态平衡；而仓库作为生产原料的主要存储方式，实际在不断制造生产成本；而进一步的，在来料量特大的时候，一般会对仓库进行临时增容以应付临时的来料量增加，然而临时增容的方式亦不利于生产管理并且加剧额外的库存成本，因此，本实施例提出以下的实施方案：
一种基于大数据预测的纺织厂供应链管理系统，所述管理系统包括：
数据采集单元，用于为所述管理系统提供历史数据；
数据处理单元，用于对历史数据进行处理，并利用历史数据进行深度学习训练，建立来料预测模型；
策略分析单元，基于建立的所述来料预测模型，执行对供应链的策略分析和指导，并反馈优化后的供应链管理策略；
其中，所述数据处理单元采用基于时间序列的LSTM预测模型建立所述来料预测模型S；所述策略分析单元进行所述供应链管理策略的优化计算以所述来料预测模型S对生产原料的来料数值作出预测，并以来料数值的预测值，作为所述供应链管理优化策略的数据源；
所述管理系统包括一种基于大数据预测的纺织厂供应链管理方法，包括以下执行步骤：
步骤S1：将供应链中生产原料的来料情况进行采集、分析，形成第一数据集；
步骤S2：将所述第一数据集进行数据整理，获得来料数据集；
步骤S3：将所述来料数据集输入所述数据处理单元进行基于LSTM预测模型的数据训练，获得所述来料预测模型S；
步骤S4：使用所述来料预测模型S进行供应链管理策略优化计算，并通过多个约束条件约束对以上优化计算进行约束；
在步骤S2中，包括以下子步骤：
步骤S201：将所述第一数据集按照来料的时间序列进行整理排序；
步骤S202：对所述来料数据集进行数据归一化处理，获得所述来料数据集；
在步骤S3中，包括以下步骤；
步骤S301：将所述来料数据集按照8：2的比例分为来料数据训练集、来料数据测试集；
步骤S302：将所述来料数据训练集输入所述数据处理单元，训练并建立所述来料预测模型S，并使用所述来料数据测试集对所述来料预测模型S进行测试并优化；
在步骤S4中，包括以下子步骤：
步骤S401：以经济效益最大化、总产量最大化以及缺料指数最小化为优化目标，根据所述来料预测模型S进行原料的来料数量预测，并进一步构建以下第一目标函数G1，并求得max(G1),即净收益最大化；
其中，所述第一目标函数G1代表净收益；t为时段，取值为1，2……T；p为生产车间，取值为1，2……P；q为工位，取值为1，2……Q；Lpq为p车间q工位的生产效益指数；Xtpq为p车间q工位在t时段配置的生产原料数量；
n为仓库编号，取值为1，2……N；Fn为n号仓库维持每一标准单位的生产原料库存所消耗的成本，Ctn为在n号仓库在t时段的生产原料库存量；
σ为一个布值变量，取值为0或1，当σtn取值为1代表n号仓库在时段t需要进行临时缓冲增容,当σtn取值为0代表n号仓库在时段t不需要进行临时缓冲增容；Rn代表n号仓库进行临时缓冲增容的额外成本；Etn代表n号仓库在t时段的临时缓冲的增容量；
步骤S402：以总产量最大化为目标，根据生产原料分配到不同产品的二次产量函数，得到计算成品总产量的第二目标函数G2,并求得max(G2),即总产量最大化；
其中，h为成品的种类，取值为1，2……H；λph为第p生产车间进行生产h类成品的产能；Ytph为在t时段在p车间为h类产品配置的生产原料数量；参数ω、b和ε分别为二次项、一次项以及常数项的权重系数，通过对产能进行标准化生产条件试验所得；
步骤S403：以缺料情况最小化为目标，根据各生产车间的配料情况作出综合判断，得到一个关于缺料情况的缺料指数函数，即第三目标函数G3，并求得min(G3),即使缺料指数最小化；
其中，φpq为p车间q工位的配料权重，可通过对各车间和工位的实际工作效率或者根据产品的利润率进行统计所得；Max(Xtpq)为在p车间q工位在t时段配置生产原料的最大数量；
步骤S404：以在线原料动态保持量、在线原料量限制、仓库库存量约束、仓库临时增容量、最低产量要求以及各个车间的原料总需求量作为约束条件，进行对以上目标函数进行优化时的约束，其中：
步骤S4041：在线原料动态保持量约束：
其中，LCt为t时段在线原料动态保持量，即安排在产线上的生产原料数量；S为生产原料的预测来料量；初始值为t＝0时，即生产未开始前，产线保持一定的生产原料数量，可由产线生产人员统计获悉；生产开始后，通过上式使产线上的生产原料保持一定的动态平衡；
步骤S4042：在线原料量限制约束：
Lmt(LCt)≤LCt≤Max(LCt)；
其中，Lmt(LCt)为在线原料的最小保持量，Max(LCt)为在线原料的最大保持量；
步骤S4043：仓库库存量约束：
Ctn≤Max(Ctn)；
其中Max(Ctn)为t时段n号仓库的最大标准库存量；
步骤S4044：仓库临时增容量约束：
Etn≤Max(Etn)；
其中Max(Etn)为t时段n号仓库的最大临时缓冲增容量，通过对仓库临时增容区的实测可得；
步骤S4045：最低产量要求约束：
G2≥Limit(volume)；
其中Limit(volume)为计算周期内最低的成品产量要求；
步骤S4046：各个车间的原料总需求量：
Limit(Xtpq)≤Xtpq≤Max(Xtpq)；
Limit(Ytpq)≤Ytpq≤Max(Ytpq)；
其中，Limit(Xtpq)为p车间q工位在t时段的最小配置生产原料的数量；Limit(Ytph)为t时段在p车间进行h类产品配置的生产原料的最小需求数量；Max(Ytph)为t时段在p车间进行h类产品配置的生产原料的最大需求数量；
通过以上各个约束，对所述第一目标函数G1、所述第二目标函数G2以及所述第三目标函数G3进行最解优计算，从而获得所述供应链管理策略。
实施例二：
本实施例应当理解为至少包含前述任意一个实施例的全部特征，并在其基础上进一步改进；
其中有一些实施情况中，包括增加在供应商处的第二库存，通过支付一定的租金以及额外的运输成本等，可以进一步在生产原料价格下降以及生产高峰时期作进一步的库存扩容，其中，设在供应商处的库存量为Dtn，有：
其中，l为供应商的编号，取值为1，2……L；η为一个布尔值变量，取值为0或1，当ηtl取值为1代表需要L号供应商在时段t提供临时的库存；Rn′代表L号供应商提供临时库存时的额外收费成本；Dtn代表L号供应商在t时段提供临时库存的能力；
通过以上公式，可进一步提高库存的容量，并通过优化公式作出决策的指导。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
虽然上面已经参考各种实施例描述了本发明，但是应当理解，在不脱离本发明的范围的情况下，可以进行许多改变和修改。也就是说上面讨论的方法，系统和设备是示例。各种配置可以适当地省略，替换或添加各种过程或组件。例如，在替代配置中，可以以与所描述的顺序不同的顺序执行方法，和/或可以添加，省略和/或组合各种部件。而且，关于某些配置描述的特征可以以各种其他配置组合，如可以以类似的方式组合配置的不同方面和元素。此外，随着技术发展其中的元素可以更新，即许多元素是示例，并不限制本公开或权利要求的范围。
在说明书中给出了具体细节以提供对包括实现的示例性配置的透彻理解。然而，可以在没有这些具体细节的情况下实践配置例如，已经示出了众所周知的电路，过程，算法，结构和技术而没有不必要的细节，以避免模糊配置。该描述仅提供示例配置，并且不限制权利要求的范围，适用性或配置。相反，前面对配置的描述将为本领域技术人员提供用于实现所描述的技术的使能描述。在不脱离本公开的精神或范围的情况下，可以对元件的功能和布置进行各种改变。
综上，其旨在上述详细描述被认为是例示性的而非限制性的，并且应当理解，以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (5)
1.一种基于大数据预测的纺织厂供应链管理系统，其特征在于，所述管理系统包括：
数据采集单元，用于为所述管理系统提供历史数据；
数据处理单元，用于对历史数据进行处理，并利用历史数据进行深度学习训练，建立来料预测模型；
策略分析单元，基于建立的所述来料预测模型，执行对供应链的策略分析和指导，并反馈优化后的供应链管理策略；
所述数据处理单元采用基于时间序列的卷积神经网络进行深度学习，建立所述来料预测模型S；所述策略分析单元进行所述供应链管理策略的优化计算以所述来料预测模型S对生产原料的来料数值作出预测，并以来料数值的预测值，作为所述供应链管理优化策略的数据源。
其中在进行所述供应链管理优化策略的优化计算时，包括以下子步骤：
步骤S401：以经济效益最大化、总产量最大化以及缺料指数最小化为优化目标，根据所述来料预测模型S进行原料的来料数量预测，并进一步构建以下第一目标函数G1，并求得max(G1),即净收益最大化；
其中，所述第一目标函数G1代表净收益；t为时段，取值为1，2……T；p为生产车间，取值为1，2……P；q为工位，取值为1，2……Q；Lpq为p车间q工位的生产效益指数；Xtpq为p车间q工位在t时段配置的生产原料数量；
n为仓库编号，取值为1，2……N；Fn为n号仓库维持每一标准单位的生产原料库存所消耗的成本，Ctn为在n号仓库在t时段的生产原料库存量；
σ为一个布值变量，取值为0或1，当σtn取值为1代表n号仓库在时段t需要进行临时缓冲增容,当σtn取值为0代表n号仓库在时段t不需要进行临时缓冲增容；Rn代表n号仓库进行临时缓冲增容的额外成本；Etn代表n号仓库在t时段的临时缓冲的增容量；
步骤S402：以总产量最大化为目标，根据生产原料分配到不同产品的二次产量函数，得到计算成品总产量的第二目标函数G2,并求得max(G2),即总产量最大化；
其中，h为成品的种类，取值为1，2……H；λph为第p生产车间进行生产h类成品的产能；Ytph为在t时段在p车间为h类产品配置的生产原料数量；参数ω、b和ε分别为二次项、一次项以及常数项的权重系数，通过对产能进行标准化生产条件试验所得；
步骤S403：以缺料情况最小化为目标，根据各生产车间的配料情况作出综合判断，得到一个关于缺料情况的缺料指数函数，即第三目标函数G3，并求得min(G3),即使缺料指数最小化；
其中，φpq为p车间q工位的配料权重，可通过对各车间和工位的实际工作效率或者根据产品的利润率进行统计所得；Max(Xtpq)为在p车间q工位在t时段配置生产原料的最大数量；
步骤S404：以在线原料动态保持量、在线原料量限制、仓库库存量约束、仓库临时增容量、最低产量要求以及各个车间的原料总需求量作为约束条件，进行对以上目标函数进行优化时的约束，其中：
步骤S4041：在线原料动态保持量约束：
其中，LCt为t时段在线原料动态保持量，即安排在产线上的生产原料数量；S为生产原料的预测来料量；初始值为t＝0时，即生产未开始前，产线保持一定的生产原料数量，可由产线生产人员统计获悉；生产开始后，通过上式使产线上的生产原料保持一定的动态平衡；
步骤S4042：在线原料量限制约束：
Lmt(LCt)≤LCt≤Max(LCt)；
其中，Lmt(LCt)为在线原料的最小保持量，Max(LCt)为在线原料的最大保持量；
步骤S4043：仓库库存量约束：
Ctn≤Max(Ctn)；
其中Max(Ctn)为t时段n号仓库的最大标准库存量；
步骤S4044：仓库临时增容量约束：
Etn≤Max(Etn)；
其中Max(Etn)为t时段n号仓库的最大临时缓冲增容量，通过对仓库临时增容区的实测可得；
步骤S4045：最低产量要求约束：
G2≥Limit(volume)；
其中Limit(volume)为计算周期内最低的成品产量要求；
步骤S4046：各个车间的原料总需求量：
Limit(Xtpq)≤Xtpq≤Max(Xtpq)；
Limit(Ytpq)≤Ytpq≤Max(Ytpq)；
其中，Limit(Xtpq)为p车间q工位在t时段的最小配置生产原料的数量；
Limit(Ytph)为t时段在p车间进行h类产品配置的生产原料的最小需求数量；
Max(Ytph)为t时段在p车间进行h类产品配置的生产原料的最大需求数量；
通过以上各个约束，对所述第一目标函数G1、所述第二目标函数G2以及所述第三目标函数G3进行最解优计算，从而获得所述供应链管理策略。
2.根据权利要求1所述一种基于大数据预测的纺织厂供应链管理系统，其特征在于，所述管理系统包括一种基于大数据预测的纺织厂供应链管理方法，包括以下执行步骤：
步骤S1：将供应链中生产原料的来料情况进行采集、分析，形成第一数据集；
步骤S2：将所述第一数据集进行数据整理，获得来料数据集；
步骤S3：将所述来料数据集输入所述数据处理单元进行基于LSTM预测模型的数据训练，获得所述来料预测模型S；
步骤S4：使用所述来料预测模型S进行供应链管理策略优化计算，并通过多个约束条件约束对以上优化计算进行约束。
3.根据权利要求2所述一种基于大数据预测的纺织厂供应链管理系统，其特征在于，在步骤S2中，包括将所述第一数据集按照来料的时间序列进行整理排序。
4.根据权利要求3所述一种基于大数据预测的纺织厂供应链管理系统，其特征在于，在步骤S3中，包括以下步骤；
步骤S301：将所述来料数据集按照8：2的比例分为来料数据训练集、来料数据测试集；
步骤S302：将所述来料数据训练集输入所述数据处理单元，训练并建立所述来料预测模型S，并使用所述来料数据测试集对所述来料预测模型S进行测试并优化。
5.根据权利要求4所述一种基于大数据预测的纺织厂供应链管理系统，其特征在于，所述来料数据集包括多个时间节点u的来料数量s1、s2……su，通过卷积神经网络进行深度学习，从而建立所述来料预测模型S，有：
其中a为时间节点的权重系数，b为修正值，两者均通过机器学习进行拟合后获得。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111650412.6A CN114331146B (zh) | 2021-12-29 | 2021-12-29 | 一种基于大数据预测的纺织厂供应链管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111650412.6A CN114331146B (zh) | 2021-12-29 | 2021-12-29 | 一种基于大数据预测的纺织厂供应链管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114331146A true CN114331146A (zh) | 2022-04-12 |
| CN114331146B CN114331146B (zh) | 2024-07-12 |
Family
ID=81018256
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111650412.6A Active CN114331146B (zh) | 2021-12-29 | 2021-12-29 | 一种基于大数据预测的纺织厂供应链管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114331146B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853072A (zh) * | 2024-01-23 | 2024-04-09 | 杭州海仓科技有限公司 | 一种供应链管理系统及方法 |
| CN118052424A (zh) * | 2024-04-16 | 2024-05-17 | 美云智数科技有限公司 | 物料分配方法、装置、电子设备及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050108072A1 (en) * | 2003-11-17 | 2005-05-19 | Theodora Retsina | A method and system for stochastic analysis and mathematical optimization of order allocation for continuous or semi-continuous processes |
| CN108108994A (zh) * | 2017-11-10 | 2018-06-01 | 浙江中控软件技术有限公司 | 用于化工企业供应链的计划优化方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| CN111815198A (zh) * | 2020-07-27 | 2020-10-23 | 名创优品（横琴）企业管理有限公司 | 一种门店补货方法、装置和设备 |
| US20210256443A1 (en) * | 2019-11-19 | 2021-08-19 | Shashank Srivastava | Methods and systems for supply chain network optimization |
| CN113536046A (zh) * | 2021-06-25 | 2021-10-22 | 浙江中控技术股份有限公司 | 供应链计划服务优化方法、系统、电子设备及存储介质 |
-
2021
- 2021-12-29 CN CN202111650412.6A patent/CN114331146B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050108072A1 (en) * | 2003-11-17 | 2005-05-19 | Theodora Retsina | A method and system for stochastic analysis and mathematical optimization of order allocation for continuous or semi-continuous processes |
| CN108108994A (zh) * | 2017-11-10 | 2018-06-01 | 浙江中控软件技术有限公司 | 用于化工企业供应链的计划优化方法 |
| CN109784806A (zh) * | 2018-12-27 | 2019-05-21 | 北京航天智造科技发展有限公司 | 供应链控制方法、系统以及存储介质 |
| US20210256443A1 (en) * | 2019-11-19 | 2021-08-19 | Shashank Srivastava | Methods and systems for supply chain network optimization |
| CN111815198A (zh) * | 2020-07-27 | 2020-10-23 | 名创优品（横琴）企业管理有限公司 | 一种门店补货方法、装置和设备 |
| CN113536046A (zh) * | 2021-06-25 | 2021-10-22 | 浙江中控技术股份有限公司 | 供应链计划服务优化方法、系统、电子设备及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 杨鑫, 程华农, 项曙光, 韩方煜: "过程工业供应链计划调度模型及算法的研究进展", 青岛大学学报(工程技术版), no. 02, 25 June 2003 (2003-06-25), pages 86 - 92 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117853072A (zh) * | 2024-01-23 | 2024-04-09 | 杭州海仓科技有限公司 | 一种供应链管理系统及方法 |
| CN118052424A (zh) * | 2024-04-16 | 2024-05-17 | 美云智数科技有限公司 | 物料分配方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114331146B (zh) | 2024-07-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shao et al. | Modeling and multi-neighborhood iterated greedy algorithm for distributed hybrid flow shop scheduling problem | |
| Ding et al. | Energy aware scheduling in flexible flow shops with hybrid particle swarm optimization | |
| CN114331146A (zh) | 一种基于大数据预测的纺织厂供应链管理系统 | |
| Jeon et al. | Forming part families by using genetic algorithm and designing machine cells under demand changes | |
| Li et al. | A new AGV scheduling algorithm based on harmony search for material transfer in a real-world manufacturing system | |
| Krajewski et al. | Kanban, MRP, and shaping the manufacturing environment | |
| Jolai et al. | A fuzzy goal programming and meta heuristic algorithms for solving integrated production: distribution planning problem | |
| Huang et al. | Demand disruptions, pricing and production decisions in a closed-loop supply chain with technology licensing | |
| Yousefi-Babadi et al. | Designing a reliable multi-objective queuing model of a petrochemical supply chain network under uncertainty: a case study | |
| Mula et al. | Capacity and material requirement planning modelling by comparing deterministic and fuzzy models | |
| Andersson | Solving the flight perturbation problem with meta heuristics | |
| Ghanei et al. | An integrated multi-period layout planning and scheduling model for sustainable reconfigurable manufacturing systems | |
| Liu et al. | Modelling, analysis and improvement of an integrated chance-constrained model for level of repair analysis and spare parts supply control | |
| CN109559033B (zh) | 一种面向云设计制造模式的社交化团队成员优选方法 | |
| CN107146039A (zh) | 一种多目标协同控制的定制式混流装配生产方法及装置 | |
| CN114897379A (zh) | 一种基于信息反馈的动态生产计划排程系统及方法 | |
| Jiang et al. | Spatial and temporal optimization for smart warehouses with fast turnover | |
| CN114298426A (zh) | Aps动态生产计划排程系统 | |
| Chen et al. | Energy-efficient distributed heterogeneous blocking flowshop scheduling problem using a knowledge-based iterated Pareto greedy algorithm | |
| Ou-Yang et al. | The development of a hybrid hierarchical/heterarchical shop floor control system applying bidding method in job dispatching | |
| CN111882151A (zh) | 基于强化学习的离散制造行业生产排程方法及系统 | |
| Chen et al. | Optimizing joint maintenance and stock provisioning policy for a multi-echelon spare part logistics network | |
| Liu et al. | Integrated optimization of mixed-model assembly line balancing and buffer allocation based on operation time complexity | |
| Rabbani et al. | Solving a bi-objective cell formation problem with stochastic production quantities by a two-phase fuzzy linear programming approach | |
| Gao et al. | A framework of cloud-edge collaborated digital twin for flexible job shop scheduling with conflict-free routing |
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 | ||
| GR01 | Patent grant |