用于调拨工程机械配件的系统及方法与流程

1.本发明涉及工程机械技术领域，具体地，涉及一种用于调拨工程机械配件的系统及方法。


背景技术：

2.工程机械行业的配件需求主要依赖其对应的主机的保养和维修，由于其主机在计划外停机时，会极大地影响客户工期，带来额外的经济损失，故其配件需求有时间急、品种多、单个物料需求量少等特点，大部分物料无法形成稳定的物流，导致库存网点呆滞严重，配件不流通。现有技术中对于工程机械配件的调度不进行驻外仓库的相互调拨，做月度备货工作时，所有仓库需求都通过总仓出库，并生成调拨单。这样，易导致大量物料在一部分驻外仓库过剩呆滞，另一部分仓库却缺货，从而导致采购成本和运输成本较高。


技术实现要素：

3.本发明的目的是提供一种用于调拨工程机械配件的系统及方法，用以解决现有技术中关于工程机械配件的调度的采购成本和运输成本较高的问题。
4.为了实现上述目的，本发明第一方面提供一种用于调拨工程机械配件的系统，该系统包括：
5.数据预处理模块，被配置成获取每个仓库的库存数据，并将库存数据进行整合以转化为数学矩阵；
6.配件调拨模块，与数据预处理模块通信连接，被配置成根据数学矩阵与构建的数学模型确定各仓库间的调拨方案；
7.数据存储模块，与数据预处理模块和配件调拨模块通信连接，被配置成存储数据预处理模块和配件调拨模块的数据信息；
8.配件调拨看板模块，与数据存储模块通信连接，被配置成显示数据预处理模块和配件调拨模块的数据信息。
9.在本发明的实施例中，数据预处理模块包括：
10.数据获取子模块，被配置成根据每个仓库的安全库存、机器学习预测库存和现有库存确定库存数据；
11.数据清洗子模块，被配置成对库存数据进行筛选及清洗以获得调拨仓库的调度数据；
12.矩阵化子模块，被配置成将调度数据转换为数学矩阵。
13.在本发明的实施例中，数据清洗子模块被配置成：
14.根据每个仓库的库存数据确定调拨仓库以及调拨仓库对应的调拨配件；
15.筛选出调拨仓库之间的运输距离、调拨配件的重量以及采购价格以得到调拨数据表。
16.在本发明的实施例中，配件调拨模块包括：
17.数学建模子模块，被配置成构建用于确定调拨方案的数学模型；
18.调拨计算子模块，被配置成根据数学矩阵和数学模型确定调拨方案。
19.在本发明的实施例中，数学模型满足以下公式：
20.argminf＝∑
i,j,k
s
·
(x
ijk
z
k
)d
ij
∑
j，k
p
k
x
1jk
；
[0021][0022][0023]
其中，i表示第i个仓库,j表示第j个仓库，i＝1和i＝1时表示总仓；k表示配件；z
ijk
表示配件k的重量；x
ijk
表示配件k从仓库i调拨到仓库j的数量(非负整数)；d
ij
表示从仓库i调拨到仓库j的距离；s表示单位重量、距离的运输费用；q
ik
表示仓库i中配件k的冗余库存量；m
jk
表示仓库j中配件k的缺货库存量；p
k
表示配件k的采购费用。
[0024]
在本发明的实施例中，调拨计算子模块被配置成：
[0025]
将数学矩阵输入至数学模型，以得出结果矩阵；
[0026]
将结果矩阵转化为对应的调拨计划表；
[0027]
其中，调拨计划表包括调出仓库、调入仓库、配件型号和调拨数量。
[0028]
在本发明的实施例中，数据存储模块包括：
[0029]
源数据存储子模块，被配置成存储每个仓库的库存数据；
[0030]
结果数据存储子模块，被配置成存储每个仓库的调拨数据；
[0031]
模型优化子模块，被配置成存储数学模型的参数数据。
[0032]
在本发明的实施例中，库存调拨看板模块包括：
[0033]
库存状态看板子模块，被配置成显示数据预处理子模块的数据信息；
[0034]
调拨状态看板子模块，被配置成显示配件调拨模块的数据信息。
[0035]
本发明第二方面提供一种用于调拨工程机械配件的方法，该方法包括：
[0036]
根据每个仓库的安全库存、机器学习预测库存和现有库存确定库存数据；
[0037]
对库存数据进行筛选及清洗以获得调拨仓库的调度数据；
[0038]
将调度数据转换为数学矩阵；
[0039]
根据数学矩阵与构建的数学模型确定各仓库间的调拨方案。
[0040]
在本发明的实施例中，根据数学矩阵与构建的数学模型确定各仓库间的调拨方案包括：
[0041]
构建用于确定调拨方案的数学模型；
[0042]
将数学矩阵输入至数学模型，以得出结果矩阵；
[0043]
将结果矩阵转化为对应的调拨计划表；
[0044]
其中，调拨计划表包括调出仓库、调入仓库、配件型号和调拨数量。
[0045]
通过上述技术方案，通过数据预处理模块和配件调拨模块结合机器学习预测值对配件库存进行计算，提高了准确性，引入数学模型进行全局优化，通过冗余库存填补缺货库存，降低了配件采购费用，节省了总成本，使用自动化方法对不同仓库、配件的库存状态进行平衡，提高了仓库配货的稳定性，降低了呆滞库存率；并且通过数据存储模块和配件调拨看板模块，能及时跟踪配件库存与调拨状态信息，提高了仓库库存的维护效率。
[0046]
本发明的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
[0047]
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
[0048]
图1是本发明一实施例提供的用于调拨工程机械配件的系统的结构示意图；
[0049]
图2是本发明另一实施例提供的用于调拨工程机械配件的系统的结构示意图；
[0050]
图3是本发明一实施例提供的用于调拨工程机械配件的方法的流程示意图；
[0051]
图4是本发明另一实施例提供的用于调拨工程机械配件的方法的流程示意图。
具体实施方式
[0052]
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
[0053]
需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后
……
)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
[0054]
另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本技术要求的保护范围之内。
[0055]
本发明实施例结合机器学习预测与混合整数优化的工程机械配件调拨数学模型，根据各仓库配件的冗余库存、缺货库存、配送距离以及各种类配件的质量、采购价格、销售价格等多维数据，获得各仓库间的配件调拨优化方案，从而盘活各仓库库存，弥补配件库存缺口，减少配件库存呆滞。
[0056]
图1是本发明一实施例提供的用于调拨工程机械配件的系统的结构示意图。如图1所示，本发明提供一种用于调拨工程机械配件的系统，该系统可以包括：
[0057]
数据预处理模块1，被配置成获取每个仓库的库存数据，并将库存数据进行整合以转化为数学矩阵；
[0058]
配件调拨模块2，与数据预处理模块通信连接，被配置成根据数学矩阵与构建的数学模型确定各仓库间的调拨方案；
[0059]
数据存储模块3，与数据预处理模块和配件调拨模块通信连接，被配置成存储数据预处理模块和配件调拨模块的数据信息；
[0060]
配件调拨看板模块4，与数据存储模块通信连接，被配置成显示数据预处理模块和配件调拨模块的数据信息。
[0061]
在本发明的实施例中，用于调拨工程机械的系统包括数据预处理模块1、配件调拨模块2、数据存储模块3和配件调拨看板模块4。数据预处理模块1和配件调拨模块2通信连接，数据存储模块3分别与数据预处理模块1和配件调拨模块2通信连接，配件调拨看板模块4与数据存储模块3通信连接。本发明实施例可以结合机器学习模型预测库存数据，相比于传统的库存管理能够获得更加精确的数据，机器学习模型可以利用产品的库存数据以及某
一结点的销售情况以及分销情况，实现高精度地预测多少库存最优。在一个示例中，本发明实施例的每个仓库的每种配件的库存数据可以通过安全库存、机器学习预测库存和现有库存得到。例如，以月份为单位对仓库的库存状况进行计算，每种配件的库存数据＝安全库存 机器学习预测库存
‑
现有库存。其中，安全库存(又称保险库存)是为防止未来物资供应或需求的不确定因素(如大量突发性订货、交货意外中断或突然延期等)而准备的缓冲库存，其大小取决于供应和需求的不确定性、顾客服务水平(或订货满足率)，以及缺货成本和库存持有成本。顾客服务水平较高，则安全库存量增加并导致缺货成本较低、库存持有成本较高；相反，顾客服务水平较低，则安全库存量减小并导致缺货成本较高、库存持有成本较小。现有库存是指企业在仓库中实际存放的物料的可用库存量，例如，某一周期的现有库存量等于前一个时间周期的现有库存量加上同期的计划接收量，再加上同期的计划订单接收量并减去毛需求量。通过上述计算公式得出每个仓库的库存数据后，判断每个仓库的库存数据是否大于零。在仓库的库存数据大于零的情况下，判定当前仓库的库存数据为冗余库存，当仓库的库存数据小于零的情况下，判定当前仓库的库存数据为缺货库存。确定每个仓库的库存数据后，数据预处理模块1还可以将库存数据进行整合并转化为数学矩阵，以便于输入数学模型确定调拨方案。判定为缺货库存的仓库是需要从外部调拨配件的仓库，判定为冗余库存的仓库可以调拨配件给缺货的仓库，通过每个仓库每种配件的库存数据可以确定参与调拨的仓库、配件，与每个仓库之间的距离、配件重量等数据匹配筛选得到调拨数据表，并转化成数学矩阵形式。本发明实施例的数学矩阵可以是以行、列分别代表配件、仓库将调拨数据表的调拨数据矩阵化。例如，第一行表示a配件，第二行表示b配件
…
第一列表示1号仓库，第二列表示2号仓库
…
以此类推。这样，将关于配件和仓库的库存数据通过矩阵化的形式呈现，以便输入至数学模型。
[0062]
在本发明的实施例中，数学模型是指运筹优化数学模型，将配件调拨计划进行数学建模，转化为混合整数规划问题，以调拨费用最小化为优化目标构建出配件调拨的数学模型。结合数据预处理模块1得到的数学矩阵和数学模型，可以得到每个仓库之间的配件调拨方案。混合整数规划算法集成了精确算法(割平面法，分支定界法)、近似算法、启发式算法等求解算法。将仓库、配件数据以数学矩阵的形式输入至数学模型进行运算，以得到优化结果。通过数学模型得到的结果也是矩阵模式，因此，还需要对矩阵结果进行转化，将混合整数规划算法求解的结果转化成包含调出仓库、调入仓库、配件型号、调拨数量等信息数据的配件调拨计划表。本发明实施例结合机器学习预测值对配件库存进行计算，提高了准确性，引入数学模型进行全局优化，通过冗余库存填补缺货库存，降低了配件采购费用，节省了总成本，使用自动化方法对不同仓库、配件的库存状态进行平衡，提高了仓库配货的稳定性，降低了呆滞库存率。
[0063]
在本发明的实施例中，数据存储模块3与数据预处理模块1和配件调拨模块2通信连接，可以存储数据预处理模块1和配件调拨模块2的数据，例如，源数据、结果数据以及模型优化数据。源数据是每个仓库的安全库存、机器学习预存库存、实际库存、每个仓库之间的配送距离、配件的重量、采购价格等数据；结果数据是每个仓库参与调拨的配件数据；模型优化数据是模型路径、模型指标数据、模型参考数据等数据。配件调拨看板模块4也与数据存储模块3通信连接，可以查看数据存储模块3存储的数据，例如，对配件库存数据进行可视化处理，以仓库为单位显示库存情况；显示配件调拨方案的完成进度、调拨费用等执行情
况等。本发明实施例通过数据存储模块3和配件调拨看板模块4，能及时跟踪配件库存与调拨状态信息，提高了仓库库存的维护效率。
[0064]
图2是本发明另一实施例提供的用于调拨工程机械配件的系统的结构示意图。如图2所示，数据预处理模块1可以包括：
[0065]
数据获取子模块11，被配置成根据每个仓库的安全库存、机器学习预测库存和现有库存确定库存数据；
[0066]
数据清洗子模块12，被配置成对库存数据进行筛选及清洗以获得调拨仓库的调度数据；
[0067]
矩阵化子模块13，被配置成将调度数据转换为数学矩阵。
[0068]
在本发明的实施例中，每个仓库的每种配件的库存数据可以通过安全库存、机器学习预测库存和现有库存得到。例如，以月份为单位对仓库的库存状况进行计算，每种配件的库存数据＝安全库存 机器学习预测库存
‑
现有库存。其中，安全库存(又称保险库存)是为防止未来物资供应或需求的不确定因素(如大量突发性订货、交货意外中断或突然延期等)而准备的缓冲库存，其大小取决于供应和需求的不确定性、顾客服务水平(或订货满足率)，以及缺货成本和库存持有成本。顾客服务水平较高，则安全库存量增加并导致缺货成本较低、库存持有成本较高；相反，顾客服务水平较低，则安全库存量减小并导致缺货成本较高、库存持有成本较小。现有库存是指企业在仓库中实际存放的物料的可用库存量，例如，某一周期的现有库存量等于前一个时间周期的现有库存量加上同期的计划接收量，再加上同期的计划订单接收量并减去毛需求量。通过上述计算公式得出每个仓库的库存数据后，判断每个仓库的库存数据是否大于零。在仓库的库存数据大于零的情况下，判定当前仓库的库存数据为冗余库存，当仓库的库存数据小于零的情况下，判定当前仓库的库存数据为缺货库存。
[0069]
在本发明的实施例中，计划得到的库存数据与实际获取的库存数据可能具有偏差，因此数据清洗子模块12还会对库存数据进行清洗和筛选。例如，1号仓库的a配件缺货，但是这个月不需要a配件，因此可以筛选和清洗掉，选择这个月需要的b配件的库存数据。
[0070]
在一个示例中，数据清洗子模块12可以被配置成：
[0071]
根据每个仓库的库存数据确定调拨仓库以及调拨仓库对应的调拨配件；
[0072]
筛选出调拨仓库之间的运输距离、调拨配件的重量以及采购价格以得到调拨数据表。
[0073]
具体地，判定为缺货库存的仓库是需要从外部调拨配件的仓库，判定为冗余库存的仓库可以调拨配件给缺货的仓库，通过每个仓库每种配件的库存数据可以确定参与调拨的仓库、配件，与每个仓库之间的距离、配件重量等数据匹配筛选得到调拨数据表，并转化成数学矩阵形式。可以根据缺货库存、冗余库存确定可以参与调拨的所有仓库与配件数据，筛选出调拨仓库之间的运输距离与调拨配件的重量等数据，最后矩阵化子模块3再以行、列分别代表配件、仓库将调拨数据表的调拨数据矩阵化。例如，第一行表示a配件，第二行表示b配件
…
第一列表示1号仓库，第二列表示2号仓库
…
以此类推。这样，将关于配件和仓库的库存数据通过矩阵化的形式呈现，以便输入至数学模型。这样，将关于配件和仓库的库存数据通过矩阵化的形式呈现，以便输入至数学模型。
[0074]
如图2所示，在本发明的实施例中，配件调拨模块2可以包括：
[0075]
数学建模子模块21，被配置成构建用于确定调拨方案的数学模型；
[0076]
调拨计算子模块22，被配置成根据数学矩阵和数学模型确定调拨方案。
[0077]
在本发明的实施例中，数学模型是指运筹优化数学模型，将配件调拨计划进行数学建模，转化为混合整数规划问题，以调拨费用最小化为优化目标构建出配件调拨的数学模型。结合数据预处理模块1得到的数学矩阵和数学模型，可以得到每个仓库之间的配件调拨方案。混合整数规划算法集成了精确算法(割平面法，分支定界法)、近似算法、启发式算法等求解算法。将仓库、配件数据以数学矩阵的形式输入至数学模型进行运算，以得到优化结果。通过数学模型得到的结果也是矩阵模式，因此，还需要对矩阵结果进行转化，将混合整数规划算法求解的结果转化成包含调出仓库、调入仓库、配件型号、调拨数量等信息数据的配件调拨计划表。本发明实施例结合机器学习预测值对配件库存进行计算，提高了准确性，引入数学模型进行全局优化，通过冗余库存填补缺货库存，降低了配件采购费用，节省了总成本，使用自动化方法对不同仓库、配件的库存状态进行平衡，提高了仓库配货的稳定性，降低了呆滞库存率。
[0078]
在本发明的实施例中，数学模型可以满足以下公式：
[0079]
argminf＝∑
i,j,k
s.(x
ijk
z
k
)d
ij
∑
j，k
p
k
x
1jk
；
[0080][0081][0082]
其中，i表示第i个仓库,j表示第j个仓库，i＝1和i＝1时表示总仓；k表示配件；z
ijk
表示配件k的重量；x
ijk
表示配件k从仓库i调拨到仓库j的数量(非负整数)；d
ij
表示从仓库i调拨到仓库j的距离；s表示单位重量、距离的运输费用；q
ik
表示仓库i中配件k的冗余库存量；m
jk
表示仓库j中配件k的缺货库存量；p
k
表示配件k的采购费用。
[0083]
需要说明的是，本发明实施例的数学模型不限于上述的公式，还可以是其他能够进行运筹优化的数学模型。
[0084]
在本发明的实施例中，调拨计算子模块22可以被配置成：
[0085]
将数学矩阵输入至数学模型，以得出结果矩阵；
[0086]
将结果矩阵转化为对应的调拨计划表；
[0087]
其中，调拨计划表包括调出仓库、调入仓库、配件型号和调拨数量。
[0088]
具体地，将仓库、配件数据以数学矩阵的形式输入至数学模型进行运算，以得到优化结果。通过数学模型得到的结果也是矩阵模式，因此，还需要对矩阵结果进行转化，将混合整数规划算法求解的结果转化成包含调出仓库、调入仓库、配件型号、调拨数量等信息数据的配件调拨计划表。
[0089]
如图2所示，在本发明的实施例中，数据存储模块3可以包括：
[0090]
源数据存储子模块31，被配置成存储每个仓库的库存数据；
[0091]
结果数据存储子模块32，被配置成存储每个仓库的调拨数据；
[0092]
模型优化子模块33，被配置成存储数学模型的参数数据。
[0093]
在本发明的实施例中，数据存储模块3与数据预处理模块1和配件调拨模块2通信连接，可以存储数据预处理模块1和配件调拨模块2的数据，例如，源数据、结果数据以及模型优化数据。源数据是每个仓库的安全库存、机器学习预存库存、实际库存、每个仓库之间
的配送距离、配件的重量、采购价格等数据；结果数据是每个仓库参与调拨的配件数据；模型优化数据是模型路径、模型指标数据、模型参考数据等数据。
[0094]
如图2所示，在本发明的实施例中，库存调拨看板模块4可以包括：
[0095]
库存状态看板子模块41，被配置成显示数据预处理子模块的数据信息；
[0096]
调拨状态看板子模块42，被配置成显示配件调拨模块的数据信息。
[0097]
在本发明的实施例中，配件调拨看板模块4也与数据存储模块3通信连接，可以查看数据存储模块3存储的数据，例如，对配件库存数据进行可视化处理，以仓库为单位显示库存情况；显示配件调拨方案的完成进度、调拨费用等执行情况等。本发明实施例通过数据存储模块3和配件调拨看板模块4，能及时跟踪配件库存与调拨状态信息，提高了仓库库存的维护效率。
[0098]
图3是本发明一实施例提供的用于调拨工程机械配件的方法的流程示意图。如图3所示，本发明提供一种用于调拨工程机械配件的方法，该方法可以包括：
[0099]
步骤s31、根据每个仓库的安全库存、机器学习预测库存和现有库存确定库存数据；
[0100]
步骤s32、对库存数据进行筛选及清洗以获得调拨仓库的调度数据；
[0101]
步骤s33、将调度数据转换为数学矩阵；
[0102]
步骤s34、根据数学矩阵与构建的数学模型确定各仓库间的调拨方案。
[0103]
在本发明的实施例的用于调拨工程机械配件的方法应用于上述用于调拨工程机械配件的系统，该系统包括数据预处理模块、配件调拨模块、数据存储模块和配件调拨看板模块。数据预处理模块和配件调拨模块通信连接，数据存储模块分别与数据预处理模块和配件调拨模块通信连接，配件调拨看板模块与数据存储模块通信连接。本发明实施例可以结合机器学习模型预测库存数据，相比于传统的库存管理能够获得更加精确的数据，机器学习模型可以利用产品的库存数据以及某一结点的销售情况以及分销情况，实现高精度地预测多少库存最优。在一个示例中，本发明实施例的每个仓库的每种配件的库存数据可以通过安全库存、机器学习预测库存和现有库存得到。例如，以月份为单位对仓库的库存状况进行计算，每种配件的库存数据＝安全库存 机器学习预测库存
‑
现有库存。其中，安全库存(又称保险库存)是为防止未来物资供应或需求的不确定因素(如大量突发性订货、交货意外中断或突然延期等)而准备的缓冲库存，其大小取决于供应和需求的不确定性、顾客服务水平(或订货满足率)，以及缺货成本和库存持有成本。顾客服务水平较高，则安全库存量增加并导致缺货成本较低、库存持有成本较高；相反，顾客服务水平较低，则安全库存量减小并导致缺货成本较高、库存持有成本较小。现有库存是指企业在仓库中实际存放的物料的可用库存量，例如，某一周期的现有库存量等于前一个时间周期的现有库存量加上同期的计划接收量，再加上同期的计划订单接收量并减去毛需求量。通过上述计算公式得出每个仓库的库存数据后，判断每个仓库的库存数据是否大于零。在仓库的库存数据大于零的情况下，判定当前仓库的库存数据为冗余库存，当仓库的库存数据小于零的情况下，判定当前仓库的库存数据为缺货库存。
[0104]
在本发明的实施例中，计划得到的库存数据与实际获取的库存数据可能具有偏差，因此还会对库存数据进行清洗和筛选。例如，1号仓库的a配件缺货，但是这个月不需要a配件，因此可以筛选和清洗掉，选择这个月需要的b配件的库存数据。在一个示例中，对库存
数据进行筛选及清洗以获得调拨仓库的调度数据可以包括：根据每个仓库的库存数据确定调拨仓库以及调拨仓库对应的调拨配件；筛选出调拨仓库之间的运输距离、调拨配件的重量以及采购价格以得到调拨数据表。
[0105]
经过数据清洗和筛选确定每个仓库的库存数据后，还可以将库存数据进行整合并转化为数学矩阵，以便于输入数学模型确定调拨方案。判定为缺货库存的仓库是需要从外部调拨配件的仓库，判定为冗余库存的仓库可以调拨配件给缺货的仓库，通过每个仓库每种配件的库存数据可以确定参与调拨的仓库、配件，与每个仓库之间的距离、配件重量等数据匹配筛选得到调拨数据表，并转化成数学矩阵形式。本发明实施例的数学矩阵可以是以行、列分别代表配件、仓库将调拨数据表的调拨数据矩阵化。例如，第一行表示a配件，第二行表示b配件
…
第一列表示1号仓库，第二列表示2号仓库
…
以此类推。这样，将关于配件和仓库的库存数据通过矩阵化的形式呈现，以便输入至数学模型。
[0106]
在本发明的实施例中，数学模型是指运筹优化数学模型，将配件调拨计划进行数学建模，转化为混合整数规划问题，以调拨费用最小化为优化目标构建出配件调拨的数学模型。结合数学矩阵和数学模型，可以得到每个仓库之间的配件调拨方案。混合整数规划算法集成了精确算法(割平面法，分支定界法)、近似算法、启发式算法等求解算法。将仓库、配件数据以数学矩阵的形式输入至数学模型进行运算，以得到优化结果。通过数学模型得到的结果也是矩阵模式，因此，还需要对矩阵结果进行转化，将混合整数规划算法求解的结果转化成包含调出仓库、调入仓库、配件型号、调拨数量等信息数据的配件调拨计划表。本发明实施例结合机器学习预测值对配件库存进行计算，提高了准确性，引入数学模型进行全局优化，通过冗余库存填补缺货库存，降低了配件采购费用，节省了总成本，使用自动化方法对不同仓库、配件的库存状态进行平衡，提高了仓库配货的稳定性，降低了呆滞库存率。
[0107]
图4是本发明另一实施例提供的用于调拨工程机械配件的方法的流程示意图。如图4所示，步骤s34、根据数学矩阵与构建的数学模型确定各仓库间的调拨方案包括：
[0108]
步骤s41、构建用于确定调拨方案的数学模型；
[0109]
步骤s42、将数学矩阵输入至数学模型，以得出结果矩阵；
[0110]
步骤s43、将结果矩阵转化为对应的调拨计划表；
[0111]
其中，调拨计划表包括调出仓库、调入仓库、配件型号和调拨数量。
[0112]
在本发明的实施例中，数学模型可以满足以下公式：
[0113]
argminf＝c
i,j,k
s
·
(x
ijk
z
k
)d
ij
∑
j，k
p
k
x
1jk
；
[0114][0115][0116]
其中，i表示第i个仓库,j表示第j个仓库，i＝1和i＝1时表示总仓；k表示配件；z
ijk
表示配件k的重量；x
ijk
表示配件k从仓库i调拨到仓库j的数量(非负整数)；d
ij
表示从仓库i调拨到仓库j的距离；s表示单位重量、距离的运输费用；q
ik
表示仓库i中配件k的冗余库存量；m
jk
表示仓库j中配件k的缺货库存量；p
k
表示配件k的采购费用。
[0117]
需要说明的是，本发明实施例的数学模型不限于上述的公式，还可以是其他能够进行运筹优化的数学模型。
[0118]
在本发明的实施例中，将仓库、配件数据以数学矩阵的形式输入至数学模型进行
运算，以得到优化结果。通过数学模型得到的结果也是矩阵模式，因此，还需要对矩阵结果进行转化，将混合整数规划算法求解的结果转化成包含调出仓库、调入仓库、配件型号、调拨数量等信息数据的配件调拨计划表。综上，本发明实施例结合机器学习预测值对配件库存进行计算，提高了准确性，引入数学模型进行全局优化，通过冗余库存填补缺货库存，降低了配件采购费用，节省了总成本，使用自动化方法对不同仓库、配件的库存状态进行平衡，提高了仓库配货的稳定性，降低了呆滞库存率。
[0119]
在本发明的实施例中，数据存储模块与数据预处理模块和配件调拨模块通信连接，可以存储数据预处理模块和配件调拨模块的数据，例如，源数据、结果数据以及模型优化数据。源数据是每个仓库的安全库存、机器学习预存库存、实际库存、每个仓库之间的配送距离、配件的重量、采购价格等数据；结果数据是每个仓库参与调拨的配件数据；模型优化数据是模型路径、模型指标数据、模型参考数据等数据。
[0120]
在本发明的实施例中，配件调拨看板模块也与数据存储模块通信连接，可以查看数据存储模块存储的数据，例如，对配件库存数据进行可视化处理，以仓库为单位显示库存情况；显示配件调拨方案的完成进度、调拨费用等执行情况等。本发明实施例通过数据存储模块和配件调拨看板模块，能及时跟踪配件库存与调拨状态信息，提高了仓库库存的维护效率。
[0121]
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
[0122]
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
[0123]
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。