一种数据驱动的精益制造中VMI出库需求预测方法与流程

本发明涉及精益制造，更具体地说，它涉及一种数据驱动的精益制造中vmi出库需求预测方法。

背景技术：

1、多品种、小批量的混流生产模式已成为离散制造企业满足动态多样化客户需求的主要生产方式。在此模式下，高价值制造企业面临因多品种、小批量生产的需求剧烈波动，导致供应商库存管理（vmi）模式处于缺货风险与库存积压并存的双重困境。管理者需要预测由生产订单转化而来的物料出库需求，以便更高效地配置人力、库存、场地等资源，更好地服务生产及交付。

2、然而，传统数据驱动型预测方法往往难以捕捉复杂混流排产环境下的非平稳需求特征，同时忽视生产计划带来的物料消耗物理约束，进而造成精益供应链动态调整效率低下、运营水平难以达到最优。

3、现有vmi物料需求预测技术在适配精益混流生产场景时存在诸多技术短板，无法同时满足预测精度与库存风险管控需求，具体缺陷如下：

4、1、需求模式适配性差，预测精度低。传统sarima、croston等统计模型默认时序数据平稳，对需求波峰、突发需求的捕捉能力薄弱，存在预测误差大的问题，难以兼顾连续性与间歇性两类差异化需求模式，导致库存积压与缺货风险，无法适配多机型混流生产带来的非平稳、多尺度波动需求序列。

5、2、损失函数与工业实际脱节。现有模型均采用对称损失函数，未贴合离散制造业“缺货停工损失远高于仓储积压成本”的实际成本结构，对需求高估、低估的惩罚权重一致，极易引发产线断料停机问题。

6、3、缺乏生产机理约束，预测偏移严重。传统模型仅依托历史出库数据建模，未引入车间混流排产内部机理特征，无法量化多机型混排复杂度对物料需求波动的放大、平滑作用，无物理机理约束，极端排产场景下预测结果严重偏移。

7、4、时序噪声干扰大，易出现过拟合问题。原始物料出库时序叠加了周循环生产、月度产能波动、临时加急订单等多层噪声，传统模型未做多尺度解耦处理，直接拟合原始数据易引发过拟合和欠拟合，导致完全丧失预测参考价值。

8、综上，现有技术缺乏融合生产机理、时序频域解耦、双向时序特征挖掘、非对称风险损失的一体化预测框架，无法兼顾预测精度与库存风险管控，难以支撑精益生产vmi模式下的安全库存定量决策。

技术实现思路

1、本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的是提供一种数据驱动的精益制造中vmi出库需求预测方法。

2、本发明的技术方案是：一种数据驱动的精益制造中vmi出库需求预测方法，包括以下步骤s：

3、步骤s1.采集目标vmi仓库在预设历史时间段内的历史出库数据序列，以及对应的排产计划；

4、步骤s2.采用变分模态分解算法将所述出库数据序列分解为指定数量个具有不同中心频率的本征模态函数分量；

5、步骤s3.根据所述排产计划计算在所述预设历史时间段的生产多样性熵；

6、步骤s4.将所述本征模态函数分量与生产多样性熵进行组合构成多维输入特征矩阵，并对所述多维输入特征矩阵进行归一化处理构建多维输入张量，根据所述多维输入张量构建样本集；

7、步骤s5.以所述多维输入张量为输入，以排产建议量为输出，构建bilstm网络，所述bilstm网络由前向lstm层和后向lstm层组合而成；

8、步骤s6.根据所述样本集，并以pinball loss损失函数作为所述bilstm网络的损失函数进行模型训练，得到出库需求预测模型；

9、步骤s7.将所述出库需求预测模型部署至企业vmi管理系统或mes系统中，采集当前时刻之前时间段内的出库数据及排产计划数据，按照步骤s2～步骤s4的方法进行处理构建多维输入张量，并输入所述出库需求预测模型，得到当前时刻之后时间段内的排产建议量。

10、作为进一步地改进，所述排产计划的数据包括每日各机型的计划排产数量。

11、进一步地，在步骤s1中，对采集的历史出库数据序列和排产计划的数据进行清洗或缺失值处理。

12、进一步地，在步骤s2中，所述变分模态分解算法通过构建并求解以下约束变分问题实现：

13、

14、约束条件为：

15、

16、其中，为分解得到的第个本征模态函数分量，为第个分量的中心频率，为狄拉克函数，表示卷积运算，为虚数单位；

17、引入二次惩罚项参数和拉格朗日乘子，将所述约束变分问题转化为无约束的广义拉格朗日函数：

18、

19、采用乘子交替方向法进行迭代优化，在频域中更新分量、中心频率、拉格朗日乘子的计算公式分别如下：

20、

21、

22、

23、其中，为乘子更新步长，更新终止条件设定为：

24、

25、其中，为收敛容差。

26、进一步地，在步骤s3中，设发动机型号为种，当天系统的总排产规模为：

27、

28、时刻机型的产量占比为：

29、

30、基于香农信息熵原理，定义时刻的生产多样性熵为：

31、

32、其中，满足边界约束条件：

33、

34、所述生产多样性熵具有以下边界特征：若当日仅生产单一机型，则，；若所有种机型以等比例混流生产，则，达到最大值。

35、进一步地，在步骤s4中，归一化公式为：

36、。

37、进一步地，在步骤s5中，lstm通过引入门控机制来控制信息的积累与遗忘；在特定时刻，输入向量为，前一时刻的隐藏状态为，前一时刻的细胞状态为，其内部控制门的计算公式如下：

38、遗忘门决定前一时刻细胞状态中需要丢弃的信息比例为：

39、

40、输入门与候选细胞状态控制当前时刻输入向量写入细胞状态的比例为：

41、

42、

43、当前细胞状态更新为：

44、

45、输出门与当前隐藏状态为：

46、

47、

48、其中，为权重矩阵，为偏置向量；为sigmoid激活函数；为双曲正切激活函数；表示hadamard积。

49、进一步地，所述前向lstm层按时间正序提取序列的前向依赖特征，所述后向lstm层按时间逆序提取序列的后向依赖特征；

50、所述前向lstm层的隐状态序列的计算式为：

51、

52、所述后向lstm层的隐状态序列的计算式为：

53、

54、最终，通过拼接前向和后向的隐状态序列，输出融合了双向时间依赖特征的特征向量：

55、。

56、进一步地，所述pinball loss损失函数为：

57、

58、

59、其中，为实际需求值，为模型预测值，为分位数参数，为预测偏低导致的单位损失，为预测偏高导致的单位损失。

60、进一步地，设定不小于0.9。

61、有益效果

62、本发明与现有技术相比，具有的优点为：

63、1.解决现有技术忽视上游排产方案对下游物料需求物理驱动效应的问题。本发明引入生产多样性熵作为物理外生约束特征，量化车间精益排产的复杂程度及其对物料波动的边界影响。

64、2.解决现有预测模型无法有效处理vmi出库需求序列强非平稳性和多尺度噪声干扰的技术问题。本发明采用变分模态分解技术对非平稳出库需求序列进行频域解耦，构建了基于vmd与双向长短期记忆网络的组合预测模型，有效解决了噪声干扰与过拟合问题。

65、3.解决现有对称损失函数无法匹配vmi业务场景中预测偏差的成本非对称性的问题。本发明引入非对称pinball loss作为损失函数进行优化，实现了风险敏感型的动态库存水位决策。

66、4.本发明解决传统技术非平稳混合需求拟合差、预测偏差惩罚同质化、未利用生产先验信息、库存风险不可控的技术难题，同时兼顾时序拟合精度与缺货风险约束，可输出带置信区间的定量补货水位，为精益生产vmi模式下的安全库存配置、智能排产、供应商协同备货提供量化、科学的决策依据。