一种面向钢厂的采购物流全流程闭环协同管理方法与流程

摘要: 本发明涉及钢铁企业供应链管理与工业互联网,尤其涉及一种面向钢厂的采购物流全流程闭环协同管理方法。背景技术:1、随着工业互联网技术的发展,钢铁企业在采购物流数字化...
一种面向钢厂的采购物流全流程闭环协同管理方法与流程

本发明涉及钢铁企业供应链管理与工业互联网,尤其涉及一种面向钢厂的采购物流全流程闭环协同管理方法。

背景技术:

1、随着工业互联网技术的发展,钢铁企业在采购物流数字化方面已取得一定进展。在厂内物流环节,无人值守称重系统、智能卸料引导系统、车辆自动识别系统已得到广泛应用,实现了车辆进厂、过磅、卸料、出厂的全流程无人化管理;在运输监控环节,通过对接gps/北斗定位系统、国铁95306货运系统、船讯网等平台,可实现车辆、船舶的实时位置跟踪与异常状态预警;在质检管理环节,智能取样系统、自动化验设备以及实验室信息管理系统(lims)的应用,显著提高了原燃料质检的效率和准确性;在采购管理环节,部分企业已上线电子采购平台,实现了采购订单的线上化发布与跟踪。然而,现有技术在实际应用中仍存在诸多深层次的技术缺陷,无法满足钢铁企业高质量发展的需求,具体体现在以下几个方面:

2、首先,目前钢铁企业获取的装货时间、装货数量、装货品质等关键信息完全依赖供应商单方面申报,缺乏独立的技术手段进行交叉验证。虽然部分企业要求供应商上传装货照片或视频,但这些信息极易被篡改,无法保证其真实性和时效性。一旦出现装货数量不符或品质偏差,钢厂往往只能在货物到厂后才能发现,造成排产延误和资源浪费。

3、其次,虽然目前也采用实时获取车辆的位置、速度等信息的方案,但这些信息仅用于运输过程的监控与异常预警,并未转化为对生产排产有价值的决策依据。现有生产排产系统仍然基于静态的采购订单和约定的交货期进行排产,无法根据物料的实际运输进度动态调整生产计划。当运输过程中出现天气变化、道路拥堵、车辆故障等不可预见因素导致物料延迟到达时,排产计划无法及时响应,只能通过临时调整生产节奏或消耗安全库存来应对,这不仅增加了库存成本,还可能导致生产秩序混乱。

4、最后,在途物料信息不能有效传导至生产排产系统,导致排产决策缺乏在途库存数据的支撑。同时,物料到厂后的检化验数据与供应商、承运商的绩效考核体系相互割裂,质检异常结果缺乏与供应商扣款机制的自动化联动,无法根据历史质检数据自动调整供应商的评级和采购份额,难以实现供应商的优胜劣汰。

技术实现思路

1、为了解决上述技术问题,本技术提出一种面向钢厂的采购物流全流程闭环协同管理方法,应用于包含供应商数据对接单元、车载数据采集单元、在途库存计算单元、排产协同单元和质检考核单元的面向钢厂的采购物流全流程闭环协同管理系统,其特征在于,包括以下步骤:

2、s1:所述供应商数据对接单元接收并校验供应商端在装货完成后发送的装货实绩信息;

3、所述装货实绩信息至少包含合同编号、物料信息、申报装货数量及承运车辆标识。

4、s2:所述车载数据采集单元在承运车辆装货后,通过预装的载重传感器采集出厂载重基准值,并将所述出厂载重基准值与所述装货实绩信息中的申报装货数量进行交叉比对二者的偏差,验证装货真实性;

5、进行交叉比对的过程中,若所述偏差超出预设阈值则触发装货异常预警并通知钢厂和供应商。

6、将车载载重数据用于供应商装货真实性的事前核验,将管控边界从钢厂厂区大门向前延伸至供应商装货现场,打破供应商端的信息盲区,能够在车辆驶离供应商厂区前及时发现短装、漏装、虚报数量等问题,避免货物到厂后才发现异常导致的生产排产延误和生产线待料停产损失。

7、s3:运输过程中,所述车载数据采集单元按预设时间频率实时采集车辆定位、实时载重数据及驾驶行为安全事件数据,并上传至云端平台。

8、在途监控不仅能跟踪车辆位置,还可以关联货物信息,为后续在途库存数据计算、货物完整性监测和运输安全风险评估提供全面、可追溯的数据支撑。

9、s4:所述在途库存计算单元根据实时上传的车辆定位以及运输起点位置、预设运输路径、中转库预计停留时长,动态计算每批次物料的预计到厂时间eta,并基于eta生成结构化的在途库存数据。

10、s5:所述排产协同单元将所述在途库存数据推送至钢厂生产排产系统,以支持排产计划的前置编制或调整,实现在途排产决策。

11、s6:物料到厂后,所述质检考核单元接收并检测来自钢厂质检系统的检化验结果数据;

12、所述检化验结果数据与所述合同编号、物料信息及承运车辆标识一一对应。

13、每批次物料的质量问题都能准确对应到具体的供应商和承运商,为后续的责任认定和考核扣款提供客观、不可辩驳的依据。

14、s7:当检测到所述检化验结果数据出现异常时,所述质检考核单元自动匹配对应的供应商和承运商信息,并按照预设考核规则生成并推送考核扣款单据。

15、通过上述技术方案,构建从异常检测到责任匹配以及扣款考核的完整业务闭环,实现质量管理的全流程自动化,大幅提高结算效率,减少了人工干预和结算纠纷,倒逼供应链上下游持续提升服务质量。

16、进一步地,步骤s2中,所述载重传感器通过can总线接口按照预设can id获取整车总重量数据;所述初始载重基准值为车辆装货完成并首次启动时采集的稳定重量值。

17、进一步地,步骤s4中,所述动态计算预计到厂时间的具体方式为:

18、eta = t_current + t_remaining + t_transfer;

19、其中,t_current为当前时间,t_remaining为基于历史运输时效统计模型和实时路况加权计算得到的剩余道路运输时长,t_transfer为中转库预计停留时长;所述历史运输时效统计模型为基于过去的预设时间内同一运输线路、同一时段、同一季节的历史运输数据建立的分路段平均行驶时长数据库。

20、进一步地,所述驾驶行为安全事件数据包括由车载数据采集单元监测到的驾驶员疲劳驾驶、分心驾驶、前车碰撞预警、车道偏离预警及急加速急减速事件;所述在途库存数据至少包括物料的种类和数量、供应商信息、承运商信息、车辆定位、预计到厂时间及中转库停留状态;所述考核扣款单据至少包括异常检测项目、标准值、实测值、偏差幅度、扣款金额及扣款依据。

21、进一步地,步骤s4还包括:根据实时上传的车辆定位进行运输路线监测,根据载重数据进行货物完整性监测,以及根据驾驶行为安全事件数据进行运输安全风险评估,当检测到行驶路线偏离预设路径或停留时间超时、车辆载重发生异常变化、以及驾驶员驾驶行为存在风险时,立即触发在途异常预警并通知相关管理人员。

22、将离散的在途物流数据转化为结构化的可量化在途库存数据,实现在途物料的资产化管理;通过实时载重持续比对,能够及时发现中途卸货、换货、货物洒落等异常行为,保障了货物运输的完整性;通过驾驶行为安全风险评估,能够提前预警驾驶员疲劳驾驶、分心驾驶等安全隐患,显著降低运输事故的发生率。

23、进一步地,步骤s5具体包括:

24、s51:所述排产协同单元将在途库存数据与钢厂现有实物库存数据和已排产计划进行对比分析;

25、s52:对于预计到厂时间eta早于排产用料需求时间的物料,标记为可用在途库存并纳入排产可用资源;

26、s53:对于预计到厂时间eta滞后于排产用料需求的物料,自动生成排产调整建议,包括推迟对应生产订单、启动替代物料方案或调整生产节奏。

27、进一步地,步骤s53还包括:

28、当存在多个批次物料预计到厂时间滞后于排产需求时,计算每个滞后批次物料的生产紧急度系数e,公式为:e = ;

29、其中,为预设的物料重要性权重,主原料的大于辅助原料的;为物料的现有实物库存可用天数,为对应生产工序的紧急度权重,核心工序的大于非核心工艺的;、均满足大于0且小于等于1;

30、最后按照生产紧急度系数e从高到低对滞后批次物料进行排序,优先调整生产紧急度系数e高的滞后批次物料对应的生产订单。

31、通过生产紧急度系数,实现多批次物料同时延迟时的排产优先级自动优化,能够优先保障铁矿石、焦炭等主原料和高炉、转炉等核心工序的供应,避免因排产冲突导致的非计划停产,有助于提升生产系统的抗风险能力。

32、进一步地,步骤s7中,所述检化验结果数据异常包括化学成分偏差、物理性能偏差及外观质量缺陷;所述质检考核单元内置异常判定规则引擎,用于在检测到采购合同预先约定的任一检化验项目的实测值超出预设允误差范围时判定为异常,并根据合同编号自动关联供应商和承运商,匹配预设的阶梯式或固定金额扣款标准。

33、进一步地,步骤s7还包括:将历史装货验证数据、运输时效数据、驾驶行为安全事件数据及质检结果数据进行整合,生成供应商及承运商的全生命周期信用评价报告,为采购份额调整提供数据支撑。

34、较佳地,步骤s1中,所述装货实绩数据还包含装货现场照片或视频数据,所述平台对所述照片或视频进行识别,辅助验证装货过程的真实性。

35、较佳地,所述车载数据采集单元集成北斗/gps双模定位模块和4g/5g通信模块,支持断网本地缓存和网络恢复后的自动补传功能。

36、较佳地,当触发在途异常预警时,系统自动截取对应时段的车载视频片段和传感器数据,生成带时间戳的异常事件取证报告并加密存储。

37、较佳地,步骤s4中,当检测到车辆在非指定地点停留超过2.5小时时,系统自动向承运商发送调度提醒,并根据实时路况和交通管制信息提供最优绕行路线建议。

38、本发明一种面向钢厂的采购物流全流程闭环协同管理方法的有益效果为:(1)通过建立供应商-钢厂-承运商三方数据交叉验证机制,将车载载重数据用于供应商装货真实性的事前验证,将管控边界从钢厂大门向前延伸至供应商装货现场,解决装货信息不透明的问题,能够提前发现装货异常,避免因原料短缺导致的生产停线;(2)通过动态计算预计到厂时间并将其量化为在途库存数据,将在途物流数据转化为可直接驱动生产排产的决策数据,实现了物流与生产的深度协同,使钢厂能够基于实物库存和在途库存进行排产决策,提高库存周转率;(3)构建了从质检异常检测到责任匹配、自动扣款、考核联动的完整业务闭环,实现了质量管理的全流程自动化,大幅提高结算效率和准确性并减少人工干预和结算纠纷;(4)实时采集在途载重数据并与出厂载重基准值进行持续比对,还采集驾驶员驾驶行为安全事件数据并进行风险评估,实现了在途货物完整性的自动监测和运输过程中的安全风险预警,能够及时发现中途卸货、换货等异常行为以及驾驶安全隐患,保障了货物运输的安全性和完整性,降低运输事故的发生率;(5)采用模块化设计和标准化接口,无需对现有系统进行大规模改造,实施成本低且见效快,特别适合钢铁企业的数字化转型需求。