基于BP 神经网络实现小批量物料生产安排

胡肖勤

（陕西工业职业技术学院公共课教学部 陕西 咸阳 712000）

0 引言

随着经济与科技的不断发展，电子制造产业也迅速地发展了起来，多品种小批量的生产方式在现代的设计和制造中得到了快速的发展。 然而，管理制度不完善、信息化生产水平低、生产进度滞后等原因，常常会让企业面临物料不足或产品积压等问题，给企业带来不必要的人力、物力上的损失。 如果能进行精准化的产品需求预测，进而制定合理的生产计划，不仅能让企业工作效率大大提高，更能提升企业的利润率和声誉，对企业的长久发展大有裨益。

在预测研究方面，目前使用较多的有BP 神经网络［1］、线性回归［2］、时间序列［3］等方法。 因为BP 神经网络具有自适应性强、学习能力强、并行计算能力强、可以处理高维数据等优点，所以本文主要采用BP 神经网络对需求量进行预测，进而制定物料的生产计划安排，为小批量物料生产企业的发展添砖加瓦。

1 问题分析

电子产品制造公司具有一些难题：在多种类批量较小的生产物料中，由于未提前得知实际物料的需求量，公司无法正确地计划物料制作。 公司期望运用数学的方法对既有的数据进行解析，建立模型，解决问题。

问题一，需求量预测问题。 先对数据进行预处理；之后从频数、数量等方面确定六种应重点关注的物料；接着，根据既有数据来建立物料需要的周预测模型；最后，将模型预测的数据与原始数据进行比较，使用指标进行评价该模型的优劣。

问题二，建立生产计划模型。 要求从需求量的预测值、需求特征、库存量和缺货量等方面总体考量，建立生产计划模型，并使得平均服务水平大于85%。

2 模型假设

（1）假设原始数据一天出现的多次数据为一天提出的多次需求。

（2）假设原始数据均为某电子产品制造企业的真实数据。

（3）假设原始数据均为有效数据，无人为因素。

3 模型的建立与求解

3.1 问题一

3.1.1 模型建立

为了建立物料需要的周预测模型，使用BP 神经网络模型。 针对神经网络来说，BP 算法由数据流的前向传播（正向计算）和误差信号的反向传播两个过程构成，通过两个过程的交替进行，在权向量空间执行误差函数梯度下降策略，动态迭代搜索一组权向量，使网络误差函数达到最小值，从而完成信息提取和记忆过程［4］。 流程图如图1所示。

图1 BP 神经网络模型的流程图

3.1.2 模型求解

3.1.2.1 选择6 种应重点关注的物料

首先对原始的284 种物料数据进行预筛选，将频数较小、历史数据不完整、缺失较多的物料筛除，然后对剩下的11 组数据进行模糊综合评价［5－6］。

选取每种物料需求量的去零方差、去零标准差、物料频数之和与需求量之和为因素集，11 种不同物料为评价集（具体数据见表1），进行模糊综合评价后取排序结果前6 种编号为应当重点关注的物料。 排序结果如表2 所示。

表1 11 种物料数据的统计结果

表2 对11 种不同物料进行模糊综合评价后的排序结果

3.1.2.2 建立物料需要的周预测模型

根据模糊综合评价所选择的6 种物料数据，基于MATLAB 建立的BP 神经网络模型［7］，利用第1 周～第40周的数据对第41 周～第50 周的数据进行预测分析。 结果如图2～图5 所示。

图2 6004010256 第1 周～第50 周真实数据与预测数据对比图

图3 6004020622 第1 周～第50 周真实数据与预测数据对比图

图4 6004010256 第41 周～第50 周真实数据与预测数据相对误差图

图5 6004020622 第41 周～第50 周真实数据与预测数据相对误差图

图2 ～图5 只列出了6004010256、6004020622 两种物料的数据对比图和相对误差图，其他结果类似，就不做赘述。 可以看出，模型预测值与真实数据的拟合度较好。 为了使模型更具有说服力，进一步计算了真实数据与预测数据的平均绝对误差、均方误差和总方差，对模型进行评价。结果如表3 所示。

表3 6 组真实数据与预测数据的误差结果

通过表3 可以看出，三种误差的结果均较小，故认为建立的BP 神经网络周预测模型结果可信。

3.2 问题二

3.2.1 模型建立

根据问题一得到的6 种物料的数据，利用6 种物料的历史数据对其进行预测，预测第101 周～第177周的数据，然后定义需求量特征，根据第101 周～第177 周的预测数据对每一周的数据使用前五周的数据进行回归［8］，求出需求特征，如果呈上升趋势则令它为1，如果呈下降趋势则令它为－1，如果趋势平稳则令它为0。

根据预测需求量、需求特征、库存量、缺货量及实际需求量之间的关系，建立生产计划模型如式（1）所示。

式（1）中，Wi为生产计划量，Yi为预测需求量，Ti为需求特征，Si为库存量，Li为缺货量。 令Qi为实际需求量，则有式（2）、式（3）：

当实际需求量小于生产计划量，则有库存，无缺货，Li＝0；实际需求量大于生产计划量，则无库存，有缺货，Si＝0。

服务水平定义如式（4）所示。

通过服务水平Fi是否满足要求来判断模型是否成立。

3.2.2 模型求解

由题目假设本周计划生产的物料只能在下周及以后使用，故初始计划等于下一周的需求值，初始库存量和缺失量均为零，即Q100＝8，W100＝Q101＝7，S100＝L100＝0.1，取模型中参数a＝1.3，b＝1，c＝0.1，d＝0.1，库存量及缺失量可参考当前周需求值与一周前计划生产值，生产计划参考当前周的库存量、缺失量、需求特征及一周后预测值来求。 由建立的生产计划模型可得6004010256 物料第101周～第110 周的生产计划、实际需求量、库存量、缺货量及服务水平，如表4 所示。

表4 6004010256 物料第101 周～第110 周生产计划、实际需求量、库存量、缺货量及服务水平

6 种物料的综合结果如表5 所示。

表5 6 种物料的综合结果 件／周

4 结论

综上所述，物料需求量的预测对生产计划的安排起着至关重要的作用。 本文通过建立的BP 神经网络模型对物料需求进行周预测，综合相对误差、平均绝对误差、均方误差及总方差多方面的统计结果评估，可验证该模型的结果有效且可靠。 基于预测需求量、需求特征、库存量、缺货量四个数据之间的相互关系，建立了生产计划模型，根据选定物料的综合结果可以看出，其平均服务水平均大于85%，满足实际需求，表明建立的生产计划模型是合理的，可用于实际生产计划，且模型结构简单，便于推广应用。