羅亦斌 徐克林

(同濟(jì)大學(xué) 機(jī)械與能源工程學(xué)院 上海 200092)

在現(xiàn)代制造業(yè)中，自動(dòng)化、半自動(dòng)化設(shè)備的普及是生產(chǎn)企業(yè)的基礎(chǔ)，設(shè)備能否正常運(yùn)行是對(duì)企業(yè)產(chǎn)量影響的重要因素。為了保障設(shè)備的正常運(yùn)行，設(shè)備備件種類及數(shù)量的可靠性對(duì)企業(yè)有著很大的意義。但從另一個(gè)角度來講，長(zhǎng)期積壓的備件無法保證其產(chǎn)品性能不會(huì)隨著時(shí)間的推移而得到保證。因此，合理的設(shè)備備件需求量的預(yù)測(cè)可以避免設(shè)備在出現(xiàn)故障時(shí)面臨長(zhǎng)時(shí)間的停機(jī)，也可以避免企業(yè)在設(shè)備備件上積壓大量資金，對(duì)企業(yè)的生產(chǎn)運(yùn)作、資金運(yùn)作有著指導(dǎo)作用。

在對(duì)于備件類物資的研究上，人們往往側(cè)重于對(duì)物資分類模型的研究和對(duì)物資訂貨策略及模型的研究。如基于模糊層次分析的備件重要性評(píng)價(jià)，研究了如何分析備件的重要性及建立相對(duì)應(yīng)的評(píng)價(jià)模型。而在研究上則更側(cè)重于對(duì)備件的需求量及其所需資金的預(yù)測(cè)性分析，這樣才能反應(yīng)出研究模型對(duì)企業(yè)的實(shí)際價(jià)值。

常用的預(yù)測(cè)方法包括時(shí)間序列方法、移動(dòng)平滑法、相關(guān)回歸分析法、灰色預(yù)測(cè)方法和多種方法綜合的組合預(yù)測(cè)方法等。這些方法大都集中在對(duì)其因果關(guān)系回歸模型的分析上，不能全面、科學(xué)和本質(zhì)地反映所預(yù)測(cè)的動(dòng)態(tài)數(shù)據(jù)的內(nèi)在結(jié)構(gòu)和復(fù)雜特性，而所研究的對(duì)象恰恰又是因果關(guān)系卻不明顯，其內(nèi)在數(shù)據(jù)結(jié)構(gòu)較模糊，因此并不適用。

人工神經(jīng)網(wǎng)絡(luò)是由大量簡(jiǎn)單的處理單元組成的非線性、自適應(yīng)、自組織系統(tǒng)，只需要給出對(duì)象的輸入和輸出數(shù)據(jù)，通過網(wǎng)絡(luò)自身的學(xué)習(xí)功能就可以達(dá)到輸入和輸出的映射關(guān)系。相對(duì)于傳統(tǒng)的根據(jù)數(shù)據(jù)分析預(yù)測(cè)方法，適合于處理模糊、非線性的和模式特征不明確的問題。

1 運(yùn)用廣義回歸神經(jīng)網(wǎng)絡(luò)(GRNN)作為該類設(shè)備備件需求預(yù)測(cè)的技術(shù)要點(diǎn)

廣義回歸神經(jīng)網(wǎng)絡(luò)是徑向基神經(jīng)網(wǎng)絡(luò)的一種，具有很強(qiáng)的非線性映射能力和柔性網(wǎng)絡(luò)結(jié)構(gòu)以及高度的容錯(cuò)性和魯棒性，適用于解決非線性問題。GRNN在逼近能力、分類能力和學(xué)習(xí)速度方面具有較強(qiáng)的優(yōu)勢(shì)，網(wǎng)絡(luò)最后收斂于樣本量積累最多的優(yōu)化回歸面，并且在樣本數(shù)據(jù)較少時(shí)，預(yù)測(cè)效果較好。網(wǎng)絡(luò)也可以處理不穩(wěn)定的數(shù)據(jù)，因此可以運(yùn)用建立設(shè)備備件需求量預(yù)測(cè)模型，并利用該企業(yè)歷史的統(tǒng)計(jì)數(shù)據(jù)對(duì)將來的需求量進(jìn)行測(cè)算。

在利用神經(jīng)網(wǎng)絡(luò)進(jìn)行需求預(yù)測(cè)時(shí)，先要通過訓(xùn)練確立網(wǎng)絡(luò)結(jié)構(gòu)及建立模型，才能預(yù)測(cè)將來的需求量。而其中的關(guān)鍵是要有大量的歷史數(shù)據(jù)從各個(gè)維度來訓(xùn)練網(wǎng)絡(luò)，從而提高最終預(yù)測(cè)的可靠性。由于設(shè)備故障是不可預(yù)測(cè)的，因此對(duì)于預(yù)測(cè)修復(fù)故障而產(chǎn)生的備件需求量會(huì)比較復(fù)雜，需要通過分析設(shè)備的實(shí)際使用情況來確定最終的影響因素。與設(shè)備備件相關(guān)的因素是:

(1)企業(yè)的產(chǎn)量。企業(yè)的產(chǎn)量直接反映了設(shè)備的開動(dòng)時(shí)間。開動(dòng)的時(shí)間越長(zhǎng)，損壞的幾率就越大，需要相應(yīng)的備件保障量也會(huì)增加。

(2)設(shè)備運(yùn)行的時(shí)間。設(shè)備運(yùn)行時(shí)間的長(zhǎng)短將會(huì)直接影響設(shè)備產(chǎn)生故障的概率，特別是在長(zhǎng)時(shí)間、滿負(fù)荷的運(yùn)轉(zhuǎn)時(shí)更容易對(duì)設(shè)備的各個(gè)部件造成疲勞性的損壞，引起設(shè)備的故障，增加對(duì)備件的需求。

(3)備件的采購周期。由于部分備件是從國(guó)外進(jìn)口，采購周期會(huì)有較大的波動(dòng)。根據(jù)實(shí)際的生產(chǎn)需求也需要不同的采購策略，但無論如何備件的采購周期對(duì)于保障設(shè)備的正常運(yùn)行和備件儲(chǔ)備總量有著直接的聯(lián)系。

(4)備件的價(jià)值。作為企業(yè)，價(jià)格越昂貴的東西越不愿意儲(chǔ)備，一方面影響了流動(dòng)資金，另一方面也會(huì)積壓庫存資金。所以對(duì)于價(jià)格高的備件，一般都需要作慎重考慮。

(5)備件的消耗。備件的消耗量或是消耗金額與多個(gè)因素有關(guān)，與設(shè)備的使用情況有關(guān)，與該備件的自身特性有關(guān)(如:接觸式開關(guān)就要比感應(yīng)開關(guān)容易損壞)，也與操作人員的操作熟練程度有關(guān)等等。備件消耗量的波動(dòng)也直接影響了對(duì)備件需求量的變化。

(6)備件在設(shè)備上的使用情況。這也是與多個(gè)因素有關(guān)，最主要的是備件其本身的設(shè)計(jì)特性。如軸承類產(chǎn)品有其設(shè)計(jì)壽命，但在實(shí)際使用中如果增加了潤(rùn)滑或是冷卻油路并進(jìn)行定期保養(yǎng)，這樣軸承的壽命可以大大延長(zhǎng)。

(7)備件的周轉(zhuǎn)率。周轉(zhuǎn)率越高表明物資的使用越頻繁，但設(shè)備備件有其特殊性，不可能高效周轉(zhuǎn)，該數(shù)據(jù)只能提高備件的存儲(chǔ)能力，使備件的周轉(zhuǎn)越來越合理。

綜上所述，設(shè)備備件的需求不是一個(gè)單一的概念，其與諸多因素有關(guān)，但卻并不都是直接相關(guān)，是與多個(gè)因素共同作用的結(jié)果。也就是說在研究的這個(gè)問題的原因和結(jié)果之間存在了一個(gè)較為復(fù)雜、非線性的關(guān)系。這類關(guān)系無法用線性的函數(shù)來解析，而神經(jīng)網(wǎng)絡(luò)在此方面卻有優(yōu)勢(shì)，解決了在處理輸入和輸出值關(guān)系中特征不明確的問題。

基于以上的考慮，選取S企業(yè)X型號(hào)的設(shè)備作為研究對(duì)象，把在這個(gè)類型設(shè)備上消耗的主要備件及其歷史數(shù)據(jù)為樣本展開研究?；谝陨戏治龅膬?nèi)容考慮，分別選取設(shè)備運(yùn)行的時(shí)間、企業(yè)生產(chǎn)總量、設(shè)備故障次數(shù)、設(shè)備故障時(shí)間、備件消耗量、備件消耗金額和備件采購周期等因素作為輸入，將采購總量、采購總金額作為輸出，由此來構(gòu)建廣義回歸神經(jīng)網(wǎng)絡(luò)。

2 網(wǎng)絡(luò)結(jié)構(gòu)

GRNN的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，主要由輸入層、模式層、求和層和輸出層組成。本案例將運(yùn)用S企業(yè)的各個(gè)歷史數(shù)據(jù)作為學(xué)習(xí)樣本，是整個(gè)GRNN網(wǎng)絡(luò)的輸入向量，將該變量傳遞給模式層。

圖1 GRNN的網(wǎng)絡(luò)結(jié)構(gòu)

模式層神經(jīng)元數(shù)目等于學(xué)習(xí)樣本的數(shù)目，其神經(jīng)元的傳遞函數(shù)為:

式(1)中的X是學(xué)習(xí)樣本，為網(wǎng)絡(luò)輸入變量。

求和層是對(duì)所有模式層神經(jīng)元的輸出進(jìn)行算數(shù)求和，其模式層和神經(jīng)元的連接權(quán)值為 1，傳遞函數(shù)為:

或是對(duì)所有模式層神經(jīng)元的輸出進(jìn)行加權(quán)求和，傳遞函數(shù)為:

輸出層中的神經(jīng)元數(shù)目等于學(xué)習(xí)樣本中輸出向量的維數(shù) k，各神經(jīng)元將求和層的輸出相除，即公式為:

3 仿真計(jì)算

應(yīng)用MATLAB2010編程創(chuàng)建一個(gè) GRNN網(wǎng)絡(luò)，采用MATLAB語言編寫算法計(jì)算程序來構(gòu)建預(yù)測(cè)模型。根據(jù)之前的分析，以企業(yè)產(chǎn)量、設(shè)備數(shù)量、設(shè)備平均運(yùn)行時(shí)間、設(shè)備故障時(shí)間、備件平均采購周期、備件平均周轉(zhuǎn)率、備件消耗總量和備件價(jià)格等作為輸入值，預(yù)測(cè)最終所需備件的數(shù)量以及價(jià)值。利用2002－2012年的對(duì)應(yīng)數(shù)據(jù)作為樣本數(shù)據(jù)，見表1。輸入向量組數(shù)為12，每組向量的元素個(gè)數(shù)為8，對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試。的訓(xùn)練樣本，采取交叉驗(yàn)證方法進(jìn)行訓(xùn)練，找出最佳的Spread參數(shù)。將2012年的數(shù)據(jù)作為網(wǎng)絡(luò)的外推測(cè)試樣本進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果見表2。

表1 樣本數(shù)據(jù)

表2 預(yù)測(cè)結(jié)果

4 結(jié)語

在試驗(yàn)中發(fā)現(xiàn)，GRNN模型的結(jié)構(gòu)簡(jiǎn)單，收斂性較好，同時(shí)預(yù)測(cè)精度高，預(yù)測(cè)速度快，避免了繁瑣的數(shù)學(xué)計(jì)算，應(yīng)用性較好。從GRNN網(wǎng)絡(luò)預(yù)測(cè)的結(jié)果和實(shí)際值來看，在對(duì)企業(yè)中一些歷史統(tǒng)計(jì)的數(shù)據(jù)進(jìn)行訓(xùn)練后，建立的神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)值和誤差率上都取得了較好的效果，可以為企業(yè)備件資金的預(yù)測(cè)提供支持。通過試驗(yàn)說明了該模型的可靠性和實(shí)用性，對(duì)于企業(yè)全面推廣備件需求預(yù)測(cè)有著重要的意義。另一方面，該模型的分析方法也可用于其他不同需求類型的管理，可以對(duì)企業(yè)中的其他類型需求預(yù)測(cè)提供借鑒。