AC公司基于BP神经网络预测的安全库存优化分析

■宋志浩 阿特拉斯·科普柯上海贸易有限公司

■郑永前 同济大学机械与能源工程学院

一、引言

AC公司作为全球最大的气体压缩机及工程机械产品专业制造商，是世界上最大的工业集团之一。集团在四大洲15个国家生产3000多种产品。通过渗透于150个国家的销售网络，采取多品牌策略，专业营销麾下各产品，其中半数产品由集团全权拥有或控制的销售公司统一销售。

集团主要由四大部门组成，即压缩机技术部、工业技术部、建筑及矿山技术部和租机服务部。其中，移动式空气压缩机、液压破碎锤、移动式发电机、手持式气动工具等机械工程产品，是AC公司建筑及矿山技术部的主打产品。为适应日趋激烈的市场竞争，公司产品线覆盖面的不断扩大。随着公司业务不断增长的同时，各类工程机械产品售后服务配件的种类和数量也越来越多，客户对售后服务配件的要求不断提高。面对客户与市场复杂的需求，企业为提升市场反应能力，保证销售及业务的连续性，库存金额逐月上升。

如何更好地满足客户的需求，同时能有效降低企业库存成本；不断提高企业的竞争力，成为许多工程机械企业面临的最大难题。在这种背景下，在保证客户满意度的同时，优化企业库存成本，成为AC公司售后服务部重要目标。本文运用BP神经网络预测方法，通过Matlab工具箱仿真实现企业对于售后服务配件安全库存的预测及优化。

二、BP神经网络需求预测模型

反向传播网络（Back-PropagationNetwork，简称为BP网络）是将W-H学习规则一般化，对非线性可微分函数进行权值训练的多层网络。BP多层神经网络结构如图1所示，BP网络结构由输入层、中间层和输出层组成，中间层为隐含层，可以是一层或多层。图中BP网络包括输入层、隐含层和输出层。

图1 神经网络图

BP网络算法的基本思想，是在学习过程中，由信号的正向传播以及误差的反向传播这两个过程组成。正向传播时，输入样本由输入层传入，经过各隐层逐层处理完毕后，传向输出层。若输出层的实际输出与期望的输出不相符，即转入误差的反向传播阶段。误差反传将输出误差以某种形式由隐含层向输入层逐层反传，并将输出误差反摊给各层的所有单元，从而得到各层单元的误差信号，该误差信号即为修正各单元权值的依据。

这种信号在各层权值中的正向传播与误差的反向传播调整过程是周而复始的，这也就是网络的学习训练过程。此过程持续进行到网络输出的误差数值减少到可接受的程度为止。

三、AC公司实际库存值的影响因素分析

针对AC公司每月库存进行分析，以重要售后服务零件为样本，记录每月的仓库安全库存值，以及相关影响指标值，预测对象是各售后服务备件的月度最小安全库存值。为便于讨论，本文选取20组AC公司最常用的售后服务零配件的某月度最小实际库存值历史数据作为参考依据。

通过实际调查发现，AC公司影响原料安全库存的因素可以分为企业内部因素和企业外部综合因素，结合AC公司的实际情况，选取对影响安全库存量较大的因素作为网络输入层节点。

1.企业外部综合影响因素：主要考虑供应商等因素，如市场需求量(件/月)、订单到货周期(天)、供应商产品合格率等。

（1）市场需求量(件/月)：售后服务产品零配件月度总市场需求；

（2）订单到货周期(天)：物料部门根据市场需求，下订单后，供应商供应周期；

（3）供应商产品合格率：配件订单到货后检测合格率；

2.企业内部影响因素：主要考虑物料部门对库存维护，发货管理等费用及产生影响因素，如配件订货费用(元/件)、保管费用(元/件)、缺货损失(元/件)等。

（1）订货费用(元/件)：物流部门根据售后服务部门的需求，向供应商产生订单后，配件入库前所产生的运输等费用；

（2）保管费用(元/件)：物流部门对安全库存的维护管理费用；

（3）缺货损失(元/件)：缺货成本是指生产时因缺少该物资而造成的损失费用。

本文根据AC公司某月度实际库存数据，将以上6点影响安全库存的主要因素作为输入层，输出层为实际安全库存，即对AC公司现实运营中安全库存进行预测及模拟分析，详见表1。

表1 AC公司安全库存预测样本数据

由于神经网络预测系统是非线性的，初始值的设定将对学习能否达到局部最小化起到很大的作用，因此需要初始化权值使输入累加时每个神经元的初始状态值都接近于零。输入／输出样本需进行归一化处理，使比较大的输出落在传递函数梯度较大的地方，避免因指标量纲的不同，使得部分神经元达到过饱和状态。现对数据输入／输出向量作归一化处理，令：X‘=X’／XAVG，其中XAVG.为输入样本中所属个节点的平均值，对网络输出也同样处理。经过标准化处理后的安全库存多因素数据见表2。

表2 标准化处理后AC公司安全库存预测样本数据

四、BP神经网络预测模型参数设计

BP神经网络预测模型训练过程中，隐层节点数量对预测模型性能会有影响，隐层节点数选择太少，拟合精度下降，隐含层节点数太多，泛化能力下降。一般都会根据训练误差、测试误差与预测模型节点数多少关系，使用节点数逐渐增加或减少的方法来决定合适的隐层节点数。

输入层和隐含层，以及隐含层与输出层之间的船体函数全部采用正切Sigmoid的函数Tansig；网络训练函数采用trainlm；最大训练步数设为1000；goal为0.0001；如表3所示。

表3 BP网络训练模型各类参数

五、BP神经网络模型实现的步骤

使用用MATLAB7.6编写出网络的训练和预测程序，使用建好的BP神经网络对AC公司库存数据进行网络训练，经过57次迭代后网络达到训练的精度,Goal=0.0001，并最终确定网络训练的均方根误差为9.9967e-006，训练样本误差曲线如图2所示。

图2 BP网络训练模型误差曲线图

训练后的BP神经网络安全库存预测模型的权值和阈值为：

其中，W1，W2为输入层与隐含层、隐含层与输出层神经元之间的权值，B1，B2分别为隐含层与输出层神经元的阈值。最终得到的网络实际预测结果如表4所示：

表4 标准化处理后AC公司安全库存预测样本数据

预测误差率E数值：

六、BP神经网络模型实际应用分析

用训练好的BP神经网络对数据15-20进行仿真，并对结果进行标准化处理，得到表5：

表5 标准化处理后AC公司安全库存预测实际应用分析

表5中数据表明，利用BP网络所得的输出值与期望值之间的最大误仅差为1.37% ，误差非常小，拟合精度很高，即BP网络的计算结果与实际发生的情况基本一致。利用训练好的BP神经网络进行AC公司仓库最小安全库存值预测是有效、可行的，能较准确的反应各因素对安全库存最小值的影响。

七、结论

从上面的预测过程分析和预测结果检验可以看出，用BP神经网络预测模型对企业最小安全库存值进行预测控制是有效、可行的。由于数据的波动性，结果肯定会产生细微误差，但预测出来的数据都在误差要求范围内，并且精度很高。

预测的结果给实际企业提高了库存信息，为安全库存量的调整提供了更多依据，为企业对原料安全库存量进行控制提供了参考，对降低企业的库存成本，提示企业市场竞争力，以及更好得应对客户需求，创造更多利润有着重要的现实意义。

[1]《运筹学》[M]E 京：清华大学出版社，2005.

[2]陈治亚，周艾飞，谭钦之，等.基于改进的BP 人工神经网络的物流需求规模预测[J].铁道科学与工程学报，2008(6)：62-68.

[3]董长虹，神经网络与应用[M]E 京：国防工业出版社，2005.

[4]胡金滨，唐旭清.人工神经网络的BP 算法及其应用[J].信息技术，2004(4)：1-4.

[5]汪澜，刘万军，马国利.一种改进的BP 人工神经网络模型[J].辽宁工程技术大学学报，2O04(1)：l4-16.