一种物料需求计划的计算方法、系统、设备及存储介质与流程

1.本发明涉及制造业技术领域，具体涉及一种物料需求计划的计算方法、系统、设备及存储介质。


背景技术：

2.物料需求计划(material requirements planning,mrp)，指的是一种制造业用来指导企业采购和生产的物资计划管理方法，企业将产品按照结构关系分解为物料清单(bill of material，bom)，以每个物料为计划对象，以产品交货日期为时间基准，根据每种物料的采购提前量倒推下单时间计划，最终制定出物料需求计划。
3.为了对物料需求计划mrp计算准确，需要主生产计划、库存信息、物料清单、采购提前量四个要素。主生产计划指的是为根据销售订单或预测得到的对产品的需求清单，即在某一个时间点对产品的需求量；库存信息指的是企业当前仓库系统的物料剩余库存情况；物料清单是描述产品组成的文件，用于把主生产计划中的产品需求分解为物料需求；采购提前量是每种物料从采购下单与到货时间之间的间隔。只有四个要素都准确，制定出来的mrp才能准确。而制定物料计划时，主生产计划、物料清单、库存信息计算mrp时都可以准确获得，但采购提前量需要人员根据经验来预估，不容易准确预估，所以采购提前量的准确性对mrp的准确性有很大的影响。
4.现有技术中采购提前量都是由采购人员根据经验确定，由于人员的经验差异，导致计算出的mrp不准确。企业在过往的采购活动中，积累了大量的有价值的历史数据，完全可以使用这些数据预测采购提前量，但现有技术并未利用这些数据。


技术实现要素：

5.本发明的目的在于提供一种物料需求计划的计算方法及系统。以期解决背景技术中存在的技术问题。
6.为了实现上述目的，本发明采用以下技术方案：
7.一种物料需求计划的计算方法，包括：
8.训练预测模型；
9.获取主生产计划，并根据物料清单bom将所述主生产计划分解为若干物料需求订单；
10.查询仓库系统计算净需求量；
11.基于所述预测模型预测每种物料的预测采购提前量；
12.根据所述预测采购提前量，基于要求到货日期确定实际采购提前量；
13.基于所述实际采购提前量确定每种物料的mrp计划。
14.在一些实施例中，所述训练预测模型包括：
15.获取历史数据并进行预处理；
16.基于所述历史数据提取数据特征；
17.基于提取的所述数据特征生成训练集与验证集；
18.设置网络参数和激活函数；
19.基于所述训练集对初始模型进行训练；
20.基于所述验证集对训练好的初始模型进行验证。
21.在一些实施例中，所述数据特征包括以下至少之一：
22.供应商代码、物料代码、采购价格、采购数量、历史价格一阶导数。
23.在一些实施例中，所述训练预测模型的标准为：
24.通过训练集和初始预测模型的预测结果构建损失函数，基于损失函数迭代更新模型的参数；当训练的模型满足预设条件时，训练结束；其中，预设条件为损失函数收敛或迭代的次数达到阈值。
25.同时，本发明还公开了一种物料需求计划的计算系统，包括：
26.训练模块，用于训练预测模型；
27.分解模块，用于训练获取主生产计划，并根据物料清单bom将所述主生产计划分解为若干物料需求订单；
28.计算模块，用于查询仓库系统计算净需求量；
29.预测模块，用于基于所述预测模型预测每种物料的预测采购提前量；
30.第一确定模块，用于根据所述预测采购提前量，基于要求到货日期确定实际采购提前量；
31.第二确定模块，用于基于所述实际采购提前量确定每种物料的mrp计划。
32.在一些实施例中，所述训练模块进一步用于：
33.获取历史数据并进行预处理；
34.基于所述历史数据提取数据特征；
35.基于提取的所述数据特征生成训练集与验证集；
36.设置网络参数和激活函数；
37.基于所述训练集对初始模型进行训练；
38.基于所述验证集对训练好的初始模型进行验证。
39.同时，本发明还公开了一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现前述任一项所述的方法。
40.同时，本发明还公开了一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行前述任一项所述的方法。
41.有益效果
42.本发明与现有技术相比，其显著优点是：
43.使用机器学习分析历史数据，可以预测每个主生产订单中每种物料对应的预测采购提前量，使得采购提前量更加准确，从而使mrp的计算准确。
附图说明
44.图1是本实施例涉及的物料需求计划的计算系统示意图；
45.图2是本实施例涉及的物料需求计划的计算方法的流程示意图；
46.图3为本实施例涉及的预测模型的训练的示意图。
具体实施方式
47.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
48.相反，本技术涵盖任何由权利要求定义的在本技术的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本技术有更好的了解，在下文对本技术的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本技术。
49.以下将结合图1-3对本技术实施例所涉及的一种物料需求计划的计算方法进行详细说明。值得注意的是，以下实施例仅仅用于解释本技术，并不构成对本技术的限定。
50.本发明还公开了一种物料需求计划的计算系统100，包括：
51.训练模块101，用于训练预测模型；
52.分解模块102，用于训练获取主生产计划，并根据物料清单bom将所述主生产计划分解为若干物料需求订单；
53.计算模块103，用于查询仓库系统计算净需求量；
54.预测模块104，用于基于所述预测模型预测每种物料的预测采购提前量；
55.第一确定模块105，用于根据所述预测采购提前量，基于要求到货日期确定实际采购提前量；
56.第二确定模块106，用于基于所述实际采购提前量确定每种物料的mrp计划。
57.在一些实施例中，所述训练模块101进一步用于：
58.获取历史数据并进行预处理；
59.基于所述历史数据提取数据特征；
60.基于提取的所述数据特征生成训练集与验证集；
61.设置网络参数和激活函数；
62.基于所述训练集对初始模型进行训练；
63.基于所述验证集对训练好的初始模型进行验证。
64.在一些实施例中，所述数据特征包括以下至少之一：供应商代码、物料代码、采购价格、采购数量、历史价格一阶导数。
65.在一些实施例中，所述训练预测模型的标准为：通过训练集和初始预测模型的预测结果构建损失函数，基于损失函数迭代更新模型的参数；当训练的模型满足预设条件时，训练结束；其中，预设条件为损失函数收敛或迭代的次数达到阈值。
66.在一些实施例中，基于该物料需求计划的计算系统100可以用于预测出每种物料的采购提前量：如对企业的历史数据进行填充缺失值、统一数据单位，价格归一化等预处理；选取数据特征，将数据集分为训练集和验证集；设置神经网络模型的参数和激活函数，利用训练集对神经网络模型进行训练；使用验证集验证模型，利用训练好的模型对验证集中的数据样本进行预测，得到预测结果，并计算均方误差。如果均方误差超过设定的阈值，则触发重新训练。最后训练出用于预测采购提前量的机器学习模型。通过该方式计算出的
采购提前量，比采购人员预估的采购提前量更加准确。
67.在一些实施例中，物料需求计划的计算系统100的应用原理为：首先根据获取主生产计划，生产计划中包含了产品信息、产品；根据物料清单bom将主生产计划分解为物料需求；获取实时库存信息；使用第一方面中训练好的机器学习模型预测每种物料的采购提前量；根据采购提前量，基于要求到货日期倒排，得到比现有技术更加准确的mrp采购下单时间。最后统计下单时间和到货时间间隔期内物料的消耗，最后得到准确的mrp需求量。
68.图2所示为本发明的一种物料需求计划的计算方法，包括：
69.s201，训练预测模型。
70.例如，训练预测采购提前量的机器学习模型，将企业积累的采购历史数据导入本发明的系统中训练模型。
71.在一些实施例中，如图3所示所述训练预测模型包括：
72.s2011，获取历史数据并进行预处理。
73.例如，使用numpy、pandas等工具，对采购历史数据进行预处理，本实施例中按照如下字段(供应商代码suppliercode、物料代码materialcode、采购价格price、采购数量quantity、历史价格的一阶导数pricederivative、实际交货周期deliverycycle、入库检验合格率percentofpass)对每笔采购订单数据进行预处理，填充缺失值、统一数据单位，价格归一化等。
74.s2012，基于所述历史数据提取数据特征。在一些实施例中，所述数据特征包括以下至少之一：供应商代码、物料代码、采购价格、采购数量、历史价格一阶导数。
75.在一些实施例中，历史数据中使用的特征为，供应商代码suppliercode、物料代码materialcode、采购价格price、采购数量quantity、历史价格一阶导数pricederivative，输出特征为实际交货周期deliverycycle，实际交货周期即需要的采购提前量。
76.s2013，基于提取的所述数据特征生成训练集与验证集。
77.例如，将处理后的历史数据作为数据集，使用80％的数据作为训练集，20％作为验证集。
78.s2014，设置网络参数和激活函数。
79.例如，设神经网络包含l层，第k层的参数记为wk和bk。各层采用sigmoid激活函数。其中，第l层(输出层)的输出为标量。
80.s2015，基于所述训练集对初始模型进行训练。即可以利用训练集对神经网络模型进行训练。
81.s2016，基于所述验证集对训练好的初始模型进行验证。
82.例如，利用训练好的模型对验证集中的数据样本进行预测，得到预测结果，并计算均方误差。如果均方误差超过设定的阈值，则触发重新训练。得到最终训练模型。这种方法得到的采购提前量比。
83.在一些实施例中，所述训练预测模型的标准为：
84.通过训练集和初始预测模型的预测结果构建损失函数，基于损失函数迭代更新模型的参数；当训练的模型满足预设条件时，训练结束；其中，预设条件为损失函数收敛或迭代的次数达到阈值。
85.经过步骤s2011～s2016获得了可以用于预测物料采购提前量的机器学习模型，后
续可以根据供应商代码suppliercode、物料代码materialcode、采购价格price、采购数量quantity预测该物料的采购提前量。
86.s202，获取主生产计划，并根据物料清单bom将所述主生产计划分解为若干物料需求订单。
87.例如，在一些实施例中，基于获取主生产计划，并根据物料清单bom将主生产计划分解为如下的物料需求订单：
[0088][0089]
对每个物料对计算方法相同，所以以第一行为例.
[0090]
s203，查询仓库系统计算净需求量。
[0091]
例如，查询仓库系统计算净需求量，获取物料a当前的库存为n，那么本次净需求量为m-n。
[0092]
s204，基于所述预测模型预测每种物料的预测采购提前量。
[0093]
例如，将需求订单(包含供应商代码s1、物料代码a1、采购价格￥1、采购数量10)传入第一步骤训练好的模型中，用需求订单中物料特征信息预测本次采购提前量，得到采购提前量为x天。
[0094]
s205，根据所述预测采购提前量，基于要求到货日期确定实际采购提前量。
[0095]
例如，根据采购提前量，基于要求到货日期倒排，得到采购下单时间为yyyy-mm-dd减去预测采购提前量。这样算出来的mrp下单时间比现有技术根据人员经验获得的更准确。
[0096]
s206，基于所述实际采购提前量确定每种物料的mrp计划。
[0097]
例如，根据生产计划统计从下单时间到要求到货时间的时间段，消耗为p，最终计算出每种物料的mrp需求量为m-n p。现有技术并未考虑到采购过程中库存的消耗情况，加入该步骤可使得mrp需求数量更准确。
[0098]
经过s201～s206计算出物料a的mrp需求数量和下单时间如下表所示：
[0099][0100]
综上可知，本发明的技术方案提供了一种制造业mrp物料需求的计算方法，该系统使用机器学习分析历史数据，预测采购提前量，从而使mrp的计算更加准确。
[0101]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。