劉 偉 李國清 侯 杰 王 浩 陳連韞 范純超

(1.北京科技大學土木與資源工程學院,北京 100083;2.金屬礦山高效開采與安全教育部重點實驗室,北京 100083;3.山東黃金集團有限公司,山東 濟南 250102)

礦山企業(yè)采購備件的種類多、數(shù)量大、資金占用率高,同時備件采購量受眾多因素影響,存在較大的不確定性,因此,科學估計備件采購量對于礦山企業(yè)生產(chǎn)與經(jīng)營至關重要?，F(xiàn)代礦山企業(yè)備件采購具有精細化、動態(tài)化、信息化等特征。礦山采購備件的種類復雜、需求量差異性較大,針對各類備件的需求特點制定更為精細化的采購策略,有助于提高備件采購的科學性。隨著生產(chǎn)任務量與作業(yè)條件的變化,礦山企業(yè)對備件的需求量處于動態(tài)變化之中,采購量應因時、按需而定,否則易出現(xiàn)因采購量過大導致庫存積壓和因采購量不足導致供不應求等問題[1-3]?，F(xiàn)階段,我國礦山普遍建設了備件采購管理系統(tǒng),實現(xiàn)了對備件采購、運輸、倉儲的管理,提升了企業(yè)備件的信息化管理水平與效率[4-7]。系統(tǒng)經(jīng)過長時間的應用,積累了海量備件采購數(shù)據(jù),大數(shù)據(jù)分析技術為數(shù)據(jù)的深度利用與潛在知識挖掘提供了新的途徑,運用大數(shù)據(jù)分析結果指導企業(yè)備件采購則更為科學可靠。因此,通過構建科學的數(shù)據(jù)分析模型,以實現(xiàn)礦山備件采購量的科學決策是我國礦山企業(yè)亟待解決的現(xiàn)實問題。

目前在理論研究方面,不少學者結合了ABC分類思想,開展了以決策樹、隨機森林、支持向量機、聚類分析、人工神經(jīng)網(wǎng)絡等算法等為代表的各類備件分類方法研究,考慮了備件分類的各影響因素,取得了比傳統(tǒng)分類方法更全面、更準確的分類效果[8-13]。有關備件消耗量的預測研究,常見的有基于時間序列的傳統(tǒng)預測方法,如指數(shù)平滑法、差分整合移動平均自回歸模型(Autoregressive Integrated Moving Average Model,ARIMA)、先知模型(Prophet)等,以及基于神經(jīng)網(wǎng)絡的預測方法,如長短期記憶人工神經(jīng)網(wǎng)絡(Long Short-Term Memory,LSTM)等[14-18]。在實際應用方面,隨著智能礦山建設的推進,我國礦山企業(yè)普遍建立了物資備件管理系統(tǒng),完成了對備件采購、運輸、倉儲等流程從單一人工管理到信息化集成管理的轉變,積累了海量的備件采購、運輸、存儲方面的數(shù)據(jù)。例如神東煤炭集團公司[19]在長期應用物資備件管理系統(tǒng)的過程中,發(fā)現(xiàn)存在設備故障率高、備件儲備計劃準確性差、采購周期長和積壓浪費等問題,并進行了相應的庫存策略調整,提高了庫存周轉率與管理水平。

綜上所述,現(xiàn)階段的理論研究偏向于對備件分類與消耗預測在算法上的優(yōu)化,未將備件分類與備件消耗預測進行整合,根據(jù)備件分類結果選擇相應的備件消耗預測策略,實現(xiàn)有針對性地優(yōu)化。另外,在實際應用方面,對海量數(shù)據(jù)的深層次挖掘程度還處在初級階段,多以簡單的統(tǒng)計分析為主,未能對科學采購提供足夠的正向反饋與決策支持。為此,本研究利用大數(shù)據(jù)分析方法構建了一套體系完整的礦山備件采購預測模型,形成了基于大數(shù)據(jù)分析的礦山備件采購優(yōu)化思路,并采用山東某地下黃金礦山備件管理數(shù)據(jù)進行模型驗證,為實現(xiàn)礦山備件的科學采購管理提供數(shù)據(jù)支持。

1 礦山企業(yè)備件采購分析

1.1 礦山企業(yè)備件采購流程

礦山企業(yè)的備件管理系統(tǒng)實現(xiàn)了備件采購業(yè)務的信息化管理,具體流程如圖1所示。礦山各級生產(chǎn)單位根據(jù)生產(chǎn)計劃與設備狀況,統(tǒng)計本單位的備件需求,提交至礦山采購部門。采購部門結合匯總的需求、實時庫存信息與歷史領料記錄,制定采購計劃并向外部供應商下達采購訂單。備件供應商在收到訂單后,向礦山組織供貨,并由礦山備件庫存管理部門進行備件入庫、庫存盤點、出庫記錄等工作。

圖1 礦山備件采購流程Fig.1 Procurement process of mine spare parts

系統(tǒng)應用不僅提高了業(yè)務處理效率,在長期的采購過程中,在各個關鍵節(jié)點均積累了大量關于備件需求量、采購時間、采購金額、庫存量、備件領用量等數(shù)據(jù),充分利用歷史數(shù)據(jù)智能制定采購策略,是優(yōu)化備件采購管理的重要途徑之一。礦山企業(yè)作為備件需求方和采購方,需充分考慮各類備件的現(xiàn)有庫存量和未來一段時間的需求量,針對不同類別的備件制定差異化采購策略,避免主觀因素帶來的認知偏差,進而提高礦山備件采購的科學性與準確性。

1.2 礦山企業(yè)備件采購數(shù)據(jù)的主要特征

經(jīng)過對礦山物資備件采購流程的梳理與物資備件管理系統(tǒng)的使用和調研,獲取了部分礦山備件采購相關數(shù)據(jù),經(jīng)過分析主要表現(xiàn)出以下特征:

(1)產(chǎn)生節(jié)點多。在備件采購及管理的全流程中,從企業(yè)內(nèi)部的各級生產(chǎn)單位、物資裝備部與庫存管理部門到企業(yè)外部供應商的各個節(jié)點都會產(chǎn)生相應的數(shù)據(jù),共同構成了備件數(shù)據(jù)的來源。

(2)涉及維度廣。備件的屬性涉及多個維度,包括備件自身屬性如名稱、歸屬設備、規(guī)格等,備件采購及管理流程屬性如采購數(shù)量、采購價格、采購周期、采購供應商、庫存量、領用時間、領用量等,構成了龐大的數(shù)據(jù)維度。

(3)增長速度快。礦山企業(yè)生產(chǎn)任務重,使用的設備及相應備件種類多,更新迭代速度快,加之備件屬性維度廣、產(chǎn)生節(jié)點多,導致備件數(shù)據(jù)增長速度快、動態(tài)性強。

2 基于大數(shù)據(jù)分析的備件采購預測模型構建

2.1 礦山備件采購大數(shù)據(jù)分析邏輯架構

結合礦山備件采購流程中存在的問題與礦山備件數(shù)據(jù)的主要特征,利用大數(shù)據(jù)分析技術構建備件采購預測模型,實現(xiàn)對礦山備件采購的預測與優(yōu)化,以適應礦山企業(yè)備件需求動態(tài)變化的特點,進而制定科學合理的備件采購計劃,實現(xiàn)采購成本控制與備件合理儲備。備件采購預測模型邏輯架構如圖2所示。

圖2 備件采購預測模型邏輯架構Fig.2 Logical framework of prediction model for spare parts procurement

(1)數(shù)據(jù)預處理。按照數(shù)據(jù)清洗、數(shù)據(jù)變換、數(shù)據(jù)歸約等步驟,完成對數(shù)據(jù)缺失、數(shù)據(jù)異常、數(shù)據(jù)維度過多等問題的處理,實現(xiàn)對礦山備件數(shù)據(jù)的預處理,為后續(xù)模型構建及驗證奠定基礎。

(2)備件智能分類。為彌補傳統(tǒng)ABC分類法基于價值進行分類,忽略了其他因素導致分類結果不科學的不足,綜合考慮備件的采購價格、采購周期與消耗速度,運用K-means聚類模型對備件進行分類并分析其特點,為備件消耗預測提供分類依據(jù)。

(3)備件消耗預測。基于備件分類結果,制定相應的預測策略,分別應用LSTM神經(jīng)網(wǎng)絡與Prophet模型進行備件消耗預測,并結合兩種模型的優(yōu)點構建組合預測模型,提高預測的準確性和穩(wěn)定性,為制定采購計劃提供數(shù)據(jù)支持。

2.2 基于K-means聚類模型的備件智能分類

受礦山企業(yè)備件種類、價格、供應商、需求量等方面的影響,其采購成本與周期具有較大差異,為此進行備件分類是首要工作,而人為對備件進行分類不僅工作量大而且容易受主觀因素影響,導致分類不準確。采用聚類算法,根據(jù)備件的屬性因素進行聚類分析,得到較為合理、科學的備件分類準則,可以為后續(xù)的備件消耗預測及備件采購提供思路。K-means聚類算法是一種廣泛使用的無監(jiān)督式機器學習技術,能夠從樣本數(shù)據(jù)中發(fā)掘出隱藏的聯(lián)系和結構,可用于隱含規(guī)律的發(fā)掘。其優(yōu)點是收斂速度快、聚類效果好、可解釋度強,尤其適合大數(shù)據(jù)集的應用。

對備件分類的影響因素進行綜合分析后,本研究選擇以采購價格、消耗速度、采購周期作為備件聚類的屬性維度。

(1)采購價格。表示備件的經(jīng)濟屬性,單個備件的采購價格越高,同等條件下產(chǎn)生的采購資金占用越多,對礦山帶來的資金流動壓力越大。

(2)消耗速度。表示備件的消耗快慢程度,消耗速度越快,需要進行的采購次數(shù)越頻繁或單次采購的數(shù)量越多,同等條件下產(chǎn)生的資金消耗和庫存空間占用越多。

(3)采購周期。表示備件采購難易程度,采購周期越長,發(fā)生供貨延遲的概率越大,對生產(chǎn)造成的不良影響也越大,需要提前進行采購來防止該現(xiàn)象發(fā)生。

將上述3個屬性作為備件的維度,即每個備件作為一個三維向量并隨機選取向量作為聚類中心,通過計算所有向量與各聚類中心的歐式距離,將每個向量賦給最近的簇,使得每一個向量到其對應聚類中心的歐式距離之和最短,即備件屬性越接近從而完成備件分類。

根據(jù)備件的不同屬性組合,共有8種備件類型,分別為高價格、快消耗長、周期備件,高價格、慢消耗、長周期備件,高價格、快消耗、短周期備件,高價格、慢消耗、短周期備件,低價格、快消耗、長周期備件,低價格、快消耗、短周期備件,低價格、慢消耗、長周期備件,低價格、慢消耗、短周期備件。

2.3 基于LSTM-Prophet組合模型的備件消耗預測

面對各類備件不同的數(shù)據(jù)變化趨勢特點,采用單個預測模型難以達到理想的預測效果。因此使用組合預測模型,將不同預測模型的預測結果進行加權組合,使之包含更全面的時序數(shù)據(jù)和動態(tài)信息,解決單個預測模型在某些時間或狀態(tài)存在較大偏差的問題,有效提高整體預測精度。Prophet模型在時間序列數(shù)據(jù)預測方面,能較為出色地適應數(shù)據(jù)的節(jié)日效應和變化趨勢點,而LSTM神經(jīng)網(wǎng)絡在學習和挖掘長期歷史數(shù)據(jù)中隱藏的非線性和非周期性等特征存在較大的優(yōu)勢。通過將兩者相結合進行組合預測,以Prophet模型擬合數(shù)據(jù)的節(jié)日效應和變化趨勢點,以LSTM神經(jīng)網(wǎng)絡學習長期歷史數(shù)據(jù)的趨勢特征,最后采用誤差倒數(shù)法,即通過對平均相對誤差小的模型賦予較大的權重,使組合模型的平均相對誤差趨于減小,將兩個單一模型進行組合得到更準確的預測值。

定義LSTM-Prophet組合模型為

式中,P(t)為組合預測模型的預測結果;ω1、ω2分別為Prophet模型與LSTM神經(jīng)網(wǎng)絡模型的權重;y(t)為Prophet模型預測結果;l(t)為LSTM神經(jīng)網(wǎng)絡模型預測結果;ε1和ε2分別為Prophet模型與LSTM神經(jīng)網(wǎng)絡模型預測結果與實際值的平均相對誤差。

建模過程如圖3所示。

圖3 組合預測模型架構Fig.3 Structure of combined forecasting model

針對不同備件類型屬性特點,消耗預測策略如下:

(1)高價格、快消耗、長周期備件。存在資金占用、庫存不足、供貨延遲風險,需要對采購數(shù)量與采購時間進行精準控制,即同時對采購數(shù)量與采購時間進行預測。

(2)高價格、慢消耗、長周期備件。存在資金占用、供貨延遲風險,但消耗速度慢,需要對采購時間進行重點預測。

(3)高價格、快消耗、短周期備件。存在資金占用、庫存不足風險,但采購周期短,需要對采購數(shù)量進行重點預測。

(4)高價格、慢消耗、短周期備件。存在資金占用風險,但消耗速度慢、采購周期短,無需預測,可選擇“零庫存”模式,需要時進行臨時采購。

(5)低價格、快消耗、長周期備件。存在庫存不足、供貨延遲風險,但采購價格低,需要對采購數(shù)量與時間進行預測,并保持較高數(shù)量庫存。

(6)低價格、快消耗、短周期備件。存在庫存不足風險,但采購價格低、采購周期短,需要對采購數(shù)量進行預測,并保持少量庫存。

(7)低價格、慢消耗、長周期備件。存在供貨延遲風險,但采購價格低、消耗速度慢,需要對采購時間進行預測,并保持少量庫存。

(8)低價格、慢消耗、短周期備件。風險較低,可選擇“零庫存”模式,需要時進行臨時采購。

3 模型應用及分析

3.1 數(shù)據(jù)預處理

山東某黃金地下礦山正在積極推進數(shù)字礦山建設,目前大數(shù)據(jù)中心與數(shù)據(jù)標準體系建設已經(jīng)完成,實現(xiàn)了各系統(tǒng)數(shù)據(jù)的匯集,為后續(xù)的大數(shù)據(jù)分析奠定了良好的基礎。通過該礦山物資備件管理系統(tǒng),獲取了該礦山部分備件的原始數(shù)據(jù),主要包括備件編碼、名稱、對應設備、采購單、備件入庫單、備件領用單等,如表1所示,部分物資備件采購記錄數(shù)據(jù)見表2。經(jīng)過數(shù)據(jù)清理、數(shù)據(jù)變換、數(shù)據(jù)歸約后,應用備件采購預測模型進行驗證。數(shù)據(jù)處理結果見表3。

表1 主要原始數(shù)據(jù)Table 1 Main original data

表2 物資備件采購單部分數(shù)據(jù)Table 2 Partial data of “MATERIAL_PURCHASE”

表3 數(shù)據(jù)預處理結果Table 3 Results of data preprocessing

3.2 備件智能分類結果

山東黃金某礦山使用的備件多達6 760類,本研究以備件采購價格、年平均消耗量、采購周期作為備件的屬性維度進行K-means聚類分析。通過對初始聚類中心與聚類數(shù)量的尋優(yōu),當聚類簇數(shù)為4時,聚類效果最優(yōu),如圖4、圖5及表4所示。

圖4 K-means聚類散點圖Fig.4 Scatter p lot of K-means clustering

圖5 K-means聚類雷達圖Fig.5 Radar chart of K-means clustering

表4 備件分類結果Table 4 Classification results of spare parts

如圖5所示,應用K-means聚類模型,將備件劃分為4類,各類備件的分類界限較為明顯,存在少量的離群點,整體達到了預期分類效果。各類備件的屬性如表4所示,備件種類1、備件種類2分別為3 036類、2 541類,屬于低價格、慢消耗、短周期備件,占比最高;備件種類3共1 111類,屬于低價格、快消耗、短周期備件,占比次之;備件種類4僅72類,屬于高價格、慢消耗、長周期備件,占比最少。

3.3 備件消耗預測結果

針對備件分類結果中4類備件的特點,選擇對應的消耗預測策略,即備件種類1、備件種類2因風險較低,可選擇“零庫存”模式,無需進行預測;備件種類3消耗速度快,針對其消耗量進行預測;備件種類4采購周期長,針對其消耗時間進行預測。

分別以某高價格、慢消耗、長周期備件“發(fā)動機總成”與某低價格、快消耗、短周期備件“釬尾”為例,進行備件消耗預測,其基本屬性見表5。高價格、慢消耗、長周期備件的采購時間預測效果如圖6所示,低價格、快消耗、短周期備件的消耗量預測效果如圖7所示,兩者預測效果評價見表6、表7。

表5 備件基本屬性Table 5 Basic characters of spare parts

圖6 “發(fā)動機總成”采購時間預測效果Fig.6 Prediction results of“engine assembly”procurement time

圖7 “釬尾”消耗量預測效果Fig.7 Prediction results of“shank adapters”consumption

表6 “發(fā)動機總成”采購時間預測結果評價Table 6 Evaluation of prediction results of "engine assembly" procurement time

表7 “釬尾”消耗量預測結果評價Table 7 Evaluation of prediction results of "shank adapters" consumption

由上述分析可知:針對不同屬性特點的備件選擇相應的預測策略,分別選取某高價格、慢消耗、長周期備件“發(fā)動機總成”與某低價格、快消耗、短周期備件“釬尾”進行采購時間預測與采購數(shù)量預測,得到了較為精確的預測效果,可為制定采購計劃提供數(shù)據(jù)支持。

4 結 論

(1)運用大數(shù)據(jù)分析技術對礦山企業(yè)備件采購過程中產(chǎn)生的海量歷史數(shù)據(jù)進行深入挖掘,通過構建礦山備件采購預測模型,實現(xiàn)了備件智能化分類與消耗量預測,為制定備件采購策略提供了科學指導,有助于降低企業(yè)備件庫存量及資金占用量。

(2)基于K-means算法構建的備件智能分類模型,從采購價格、消耗速度、采購周期等多個維度對礦山備件進行無監(jiān)督式聚類分析,實現(xiàn)了礦山備件的智能化、精細化分類,解決了ABC分類法基于單一屬性進行分類導致分類結果不科學的問題。

(3)基于Prophet-LSTM算法構建的備件消耗組合預測模型,綜合考慮了備件消耗的長效性、周期性和趨勢性等特征,解決了單個預測模型易出現(xiàn)較大偏差的問題,針對不同類型備件制定了差異性預測策略,有效提高了預測的全面性和精確度。

(4)以“備件智能分類—備件消耗預測”為核心框架的礦山備件采購預測模型,符合礦山采購管理的普遍性特征,對于其他地下金屬礦山制定備件采購策略具有重要的借鑒意義。但是具備海量的采購歷史數(shù)據(jù)是建立大數(shù)據(jù)分析模型的基礎,并需要根據(jù)礦山具體備件情況進行個性化設置。