在线工博会
返回

基于模糊推理的ERP安全供货库存预测
邵江霞 张美风
为节省流量，手机版未显示文章中的图片，请点击此处浏览网页版
ERP(Enterprise Resource Planning)，即企业资源计划，是以企业的供应链(supply chain)为核心，把企业内部的制造活动同供应商的制造资源及客户需求整合在一起，并对供应链上的所有环节进行有效管理，这些环节包括定单、采购、库存、计划、生产制造、质量控制、运输、销售、服务维修以及财务、人事管理等。
ERP中安全库存是指由于供货商供货存在延迟期，企业为了保障生产而储备的库存量，为了避免外界因素造成的生产延迟，企业通常的解决办法是增加采购量，或提前采购，这样会占用更多的资金。而且，由于供货商的供货可能存在次品，当企业库存中能用于生产的实际量低于预计需求量时，企业将面临二次采购，这势必会影响生产，尤其是周期短、流程连续性强的生产过程，为解决这个问题，企业往往在安全库存的基础上增加一部分储备量——安全供货库存。
企业增加储备就意味着占用更多的资金，承担着更大的风险，因此如何在满足生产供应的前提下，合理调整原材料和备品备件库存、及时采购入库、压缩库存积压以减少流动资金的占用，就是本文要解决的主要问题。
1 现有解决途径及利弊分析
1.1统计学方法
安全库存的设立是为了解决企业生产中的不确定性(可以分为需求的不确定性和作业时间的不确定性)，由于这种不确定性来源于大量的随机事件，按照统计学对随机事件的处理方法，可以通过概率理论，寻找使库存成本最低的存货数量。
就统计学而言，它在解决随机问题上的理论思想已经比较成熟，实际中应用也比较广泛，统计学的本质是从大量的随机数据中总结已有事件的规律，从而对将要发生的事件做出判断，但是，在企业实际生产中，安全库存的大小与货源稳定性、供货运输时问的差异、企业的作业周期等因素有密切关系，而且这些因素包含了较大的不稳定性，没有特定的规律，因此确定统计学数学模型时会遇到较大困难。
1.2神经网络方法
神经网络是一种数据处理方法，它不需要设计任何数学模型，可以处理非线性的数据，因此也有人尝试用神经网络来解决供货库存问题。
神经网络是靠训练、学习来解决问题的，在训练的过程中，它根据历史数据决定神经网络各处理单元的权重，当训练结束后，这些固定了的权重就可以影射输入到输出的关系，从而完成对数据的处理。
在组织神经网络训练、测试时首先会遇到数据转化和分类问题，因为神经网络对输入的数据格式有一定的要求，而影响安全供货库存因素的数据格式备异，因此如何合理分类和转化数据是应用神经网络解决安全供货库存的首要问题。
由于神经网络训练结束后各权重就固定不变，对训练范围内的数据，神经网络通过学习可以得到合理的输出，但是对于千变万化的影响安全库存的因索来说，数据并不会经常保持即定范围，所以神经网络的输出结果可能不会如预期的那么理想，唯一的解决办法是多次训练、学习来更新模型，这势必增加工作量，更重要的是这种技术在企业中的应用很受限制，因为更新模型需要专业人员操作，从只需要得到预测结果的企业应用角度出发，要求其掌握这种技术不现实，因此它的应用推广难度较大。
2 一种新途径——模糊推理
一个缺乏精确数学模型的对象，很难用传统的的理论来处理，但人对复杂现象的分析和处理能力是很强的，特别是有经验的操作人员，通过实际工作中对系统的操作，可以总结出一套控制规则o]，应用模糊集合理论，把这些规则写成模糊条件语句，便构成一个模型，利用这个模型可以设计出比较理想的控制器。
本文使用模糊推理来解决安全供货库存预测问题。
3 用模糊推理预测安全供货库存
将影响安全供货库存数量的因素分为企业和生产商两个方面。
企业方面主要考虑库存成本和使用频率两个因素，库存成本包括：持有成本，例如资本成本、仓储成本、保险费和税费、残缺变质成本和过期成本；缺货成本，例如为了弥补某物资缺少对生产造成影响而需要的费用；获得材料的费用，例如采购费用及相关的差旅费等；控制系统成本等，库存成本越高，安全供货库存就越低，使用频率是指企业在一段时间内从仓库中调用某物资的次数，调用的次数越多，即使用的频率越高，安全供货库存就越高。
在供应商方面，主要考虑供货延时和次品率，供货延时是指从企业需要供货商供货到物资运送到达所需要的时间，这一段时间越长，安全供货库存就越高；次品率是指供货商所供物资的质量水平，次品率越低，安全供货库存就越低，安全供货库存模糊控制器结构如图1所示。

（图片）

图1 安全供货库存模糊控制器结构

3.1输入量的模糊化
本控制器的输入量为：库存成本(RS)，使用频率(RF)，供货延时(BD)和供货合格率(BR)。
按照最大库存为30件，将库存成本变量RS的论域取为0～30，其论域分为5个模糊状态：SB(很大)，SM(较大)，SO(一般)，SS(较小)，SL(很小)，根据问题的性质，选用高斯型隶属函数，即：

（图片）

对某一输入x即可求其对各语言值的隶属度，使用频率RF的论域为0～5次／月，分为5个模糊状态：FB(很高)，FM(较高)，FO(一般)，FS(较低)，FL(很低)；供货延时BD的论域为0～18天，5个模糊状态为：DB(很长)，DM(较长)，DO(一般)，DS(较短)，DL(很短)；合格率BR的论域为85％～100％，分为3个状态：FM(较高)，RO(一般)，RS(较低)，这些变量对各个语言值的隶属度均采用高斯函数来决定。
3.2输出量的模糊化
控制器的输出应该根据实际情况确定相应的范围，本文将安全供货库存SGS的范围设为0～30，分为7个不同状态：GB(很大)，GM(较大)，GP(略大)，GO(一般)，GA(略少)，GS(较少)，GL(很少)，通过隶属函数对这些表示模糊概念的不同状态进行定量描述，隶属函数没有统一的模式，本文由高斯函数分别给出它们分属于不同模糊状态语言值的隶属度：

（图片）

其中：μ为隶属度；x为论域区间值；a为模糊子集的均值；b为方差，一般取值较小。
3.3模糊规则
在模糊控制中，用一组“if...then...”语句来表达模糊规则，本控制器中，库存成本Rs、使用频率尺F、供货延时BD、供货合格率BR和安全供货库存5个因素构成了控制规则，例如：
if RS=SB and RF=FL and BD=DL and BR=Rn then SGS=GL
用语言表达即为：如果库存成本很高，使用频率很低，供货延迟时间很短，供货合格率很高，则安全供货库存很低。
这些包含人工经验、考虑到实际生产中各种可能情况的诸多“if...then...”语句构成了模糊推理的核心：模糊规则，正是这种语言型特色使其在需要大量经验的库存预测中发挥了重要作用。
3.4模糊关系和解模糊
在控制器中，模糊关系用数学语言描述事物元素在某一模糊概念上的关联程度，即模糊规则，从而使运用模糊数学完成推理成为可能，根据模糊数学理论，输入到输出的关系为
R=RS•RF•BD•BR•SGS (1)
式中，R是用数学语言表达的模糊规则集合，模糊输出为
SGS=(RS•RF•BD•BR)R (2)
根据实际输入值RS、RF、BD和BR，由式(2)可以计算出安全供货库存的模糊量，采用最大隶属度法解模糊，将模糊量转化为精确的安全供货库存数值。
以上是模糊推理方法解决安全供货库存的详细过程，算法流程如图2所示。

（图片）

图2模糊控制器算法流程

4 实验与结论
模糊推理以其优越性能解决了传统概率论模型难确定的问题，以及统计学不能做出恰当处理的模糊随机事件问题和无客观依据不能用精确概率度量某种可能性事件的情况，也能弥补神经网络输人值经过转化分类后物理意义不明确，避免了神经网络在预测安全供货库存中权值固定、学习算法编写复杂的缺陷，模糊推理“语言型”控制特点使得其能够采用经验知识，丰富控制规律，更容易面向普通用户。

表1 模糊预测仿真实验结果

（图片）

仿真结果见表1，可以看出模糊控制器预测值与参考库存值的误差范围为一1～+4，可见其可以有效预测ERP系统的安全供货库存，预测结果可信度较大。 5/29/2013

电脑版 客户端 关于我们
佳工机电网 - 机电行业首选网站