一种基于学习曲线改进模型的服装生产计划预测方法及系统与流程

1.本发明涉及服装生产计划预测领域，具体涉及一种基于学习曲线改进模型的服装生产计划预测方法及系统。


背景技术：

2.消费者对服装需求日益多样化与个性化，推动着服装生产模式由单一大批量生产转变为“多品种、小批量”。由于生产模式的转变，准确合理的制定生产计划是节省管理成本、提升生产效率的重要条件。多数企业依据传统经验制定生产计划，这种计划方法容易实施但存在很强的主观性，容易造成误差，从而导致生产线产品积压、无法按期交货等问题。
3.有学者通过与已生产服装的相似性确定未生产服装学习曲线，从而制定生产计划。虽然可以快速高效地计算出不同批量服装生产时间，但是在款式多变的生产任务背景下，通过相似款学习曲线预测的生产时间无法适用于现有的服装生产模式。


技术实现要素：

4.针对目前在服装生产过程中服装计划制定存在的问题，本发明提供了一种基于学习曲线改进模型的服装生产计划预测方法及系统。本发明基于员工技能度构建学习曲线改进模型，再利用改进的学习曲线模型对生产计划进行预测，能够根据企业实际生产能力客观准确的制定生产计划。
5.本发明解决其技术问题所采用的技术方案是：
6.一种基于学习曲线改进模型的服装生产计划预测方法，具体为：
7.采集待生产服装的生产相关信息，包括服装批量值x、出勤人数n、出勤时间t及标准工时s；
8.利用服装生产计划预测计算方法结合采集的生产相关信息，获得服装生产计划预测时间；所述服装生产计划预测计算方法如下：
[0009][0010]
式中，d为服装计划预测时间；a和b分别表示首件工时与学习系数；通过如下关系式求解获得：
[0011][0012][0013]
式中，k1、k2、k3、k4、v1、v2均为系数，均通过收集的历史生产数据集拟合获得；所述历史生产数据集包括m款服装历史生产数据，每款服装历史生产数据包括出勤人数n、出勤时间t、标准工时s、首件工时与学习系数。
[0014]
进一步地，每款服装历史生产数据中的首件工时与学习系数通过每款服装历史生产的累计平均工时及累计产量拟合获得。
[0015]
进一步地，所述历史生产数据集基于实际生产情况进行定时更新，a和b关系式中的系数基于更新的历史生产数据集进行定时更新。
[0016]
进一步地，所述历史生产数据集中每款服装历史生产数据的生产时间不少于3天。
[0017]
一种基于学习曲线改进模型的服装生产计划预测系统，包括存储器、处理器及存储在存储器上并可在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如上所述的基于学习曲线改进模型的服装生产计划预测方法。
[0018]
与现有技术相比，本发明至少具有以下有益效果：
[0019]
1.分析员工技能熟练度与学习系数的相关性，结合首件工时对学习曲线进行改进。
[0020]
2.对于款式多变服装生产模式和生产前没有相似款数据的条件下，利用学习曲线改进模型预测服装生产计划，能够精准、快速的制定服装生产计划，具有通用性，可适用于各类不同款式的服装生产计划预测。
附图说明
[0021]
此处的说明附图用来提供对本说明书的进一步理解，构成本说明书的一部分，本说明书的示意性实施例及其说明用于解释本说明书，并不构成对本说明书的不当限定。
[0022]
图1为构建本发明中的服装生产计划预测计算方法的流程图；
[0023]
图2为本发明的首件工时和学习率所对应的散点图。
具体实施方式
[0024]
为了说明本发明的目的、技术方案及优点，本发明根据一个具体实例结合实际生产数据行详细说明。应当理解，此处所描述的具体实例仅用以解释本发明，并不用于限定本发明。
[0025]
本发明提供的一种基于学习曲线改进模型的服装生产计划预测方法，具体为：
[0026]
采集待生产服装的生产相关信息，包括服装批量值x、出勤人数n、出勤时间t及标准工时s；再利用服装生产计划预测计算方法结合采集的生产相关信息即可得到服装生产计划预测时间。
[0027]
本发明中的服装生产计划预测计算方法是对基于收集的历史生产数据集构建得到的学习曲线改进模型进行积分得到的，具体地，如图1所示，构建本发明中的服装生产计划预测计算方法的步骤如下：
[0028]
步骤1：采集m款服装历史生产数据，构建历史生产数据集；
[0029]
以浙江某外贸加工企业为研究对象，该企业的标准工时是根据预定动作标准时间法中的一般车缝数据动作分析确定的。从mes系统获取该企业已经生产服装的款式、标准工时、出勤人数、出勤时间、产量等数据，通过数据计算服装每天的累计产量和累计平均工时。员工对不同款服装的技能熟练度可以由式(1)表示，部分数据如表1所示。
[0030]
[0031]
其中：f为技能熟练度；si为第i款服装的标准工时，min；fi为第i款服装的第一天累计平均工时，min。
[0032]
表1服装生产数据
[0033][0034]
利用幂函数对累计产量和累计平均工时进行拟合，获得每款服装的首件工时、学习系数和学习率。学习曲线的公式表示如下：
[0035][0036]
式中：ai、bi和ci分别表示第i款服装的首件工时、学习系数和学习率，yi表示累计平均工时；x为累计产量；
[0037]
其部分款式的学习曲线拟合数据如表2所示。
[0038]
表2学习曲线拟合相关数据表
[0039][0040]
最后将每款服装历史生产数据包括出勤人数n、出勤时间t、标准工时s、首件工时与学习系数等数据构建成历史生产数据集。
[0041]
步骤2：基于员工技能度构建学习曲线改进模型，其中学习曲线改进模型包括：模型的学习系数计算和模型的首件工时计算；
[0042]
(1)改进模型的学习系数求解
[0043]
利用pearson法对学习系数与员工技能熟练度进行相关性分析，结果如表3所示。
[0044]
表3学习系数与员工技能熟练度相关性关系表
[0045][0046]
注：**在置信度(双测)为0.01时，相关性是显著的。
[0047]
可以发现，学习系数与技能熟练度相关性系数为-0.803，其绝对值位于线性极强相关区间[0.8，1]内，表明两个变量存在较强相关性。因此，对两个变量之间关系进行线性回归，可得到形如公式(3)的线性方程；
[0048]
b＝v1f v2ꢀꢀꢀ
(3)
[0049]
其中：b为学习系数；f为技能熟练度；v1为系数；v2为常数。
[0050]
本实施例中，拟合的方程结果为：
[0051]
b＝-0.495f 0359
[0052]
该方程的判定系数r2为0.716，表明拟合效果较好。
[0053]
由于员工平均技能熟练度f是通过公式(1)计算所得，对于未生产服装，其第一天累计平均工时是未知量。因此，对第一天累计平均工时进行求解。用pearson法对第一天累计平均工时与标准工时、出勤时间和出勤人数进行相关性分析，结果见表4。
[0054]
表4第一天累计平均工时与标准工时、出勤时间、出勤人数相关性分析表
[0055][0056]
注：**在置信度(双测)为0.01时，相关性是显著的。
[0057]
*在置信度(双测)为0.05时，相关性是显著的。
[0058]
结果显示，第一天累计平均工时与标准工时、出勤时间、出勤人数均存在相关性。由此，对第一天累计平均工时与员工人数、出勤时间、标准工时进行线性拟合，线性回归方程为(4)：
[0059]
f＝ki k2n k3t k4s
ꢀꢀꢀ
(4)
[0060]
其中：f为的第一天累计平均工时，min；n为出勤人数；t为出勤时间，h；s为标准工时，min；k1、k2、k3、k4为系数。
[0061]
本实施例中，拟合得到的方程如下：
[0062]
f＝6.692n 9.981t 2.5535-179.761
[0063]
拟合得到的对应的回归系数见表5。得到判定系数r2为0.83，其拟合效果较好。其中，各项的方差膨胀因子(vif)均小于10，表示三个变量之间不存在多重共线性。
[0064]
表5第一天累计平均工时方程回归系数表
[0065][0066]
注：因变量为第一天累计平均工时
[0067]
结合公式(3)-(4)，得到改进模型的学习系数计算公式为：
[0068]
[0069]
本实施例中代入拟合的系数表示为：
[0070][0071]
对改进模型的学习系数与通过公式(2)学习曲线拟合的学习系数进行误差分析，结果显示误差基本控制在6％以内，其部分数据如表6所示。
[0072]
表6学习系数计算误差分析表
[0073][0074][0075]
(2)改进模型的首件工时求解
[0076]
图2为本实施例采集的历史数据集中首件工时和学习率所对应的散点图，可以看出首件工时a与学习率c存在幂函数关系，因此可以建立首件工时与学习率幂函数关系式：
[0077][0078]
其中：a为首件工时，c为学习率，n1、n2为系数；
[0079]
图2中数据拟合判定系数r2为0.886，其公式为：
[0080]
a＝56.163c-11.552
[0081]
将公式(6)、公式(2)和公式(5)进行联立，得改进模型的首件工时计算公式为：
[0082][0083]
最终将a、b求解公式代入学习曲线即得到改进的学习曲线模型，具体为：
[0084][0085]
本实施例中，综合以上拟合结果，得到系数如表7所示：
[0086]
表7服装生产计划预测公式系数列表
[0087][0088]
步骤3：利用改进的学习曲线模型构建本发明中的服装生产计划预测计算方法；
[0089]
首先根据微分思想，批量为x的某款服装总生产时间τ可以通过如下公式求得：
[0090][0091]
求解积分得批量生产时间为：
[0092]
[0093]
通过批量生产时间可得计划生产天数为：
[0094][0095]
结合公式(10)和(11)即得到服装生产计划预测计算方法：
[0096][0097]
其中：d为计划生产天数，x为服装批量值；τ为服装批量生产时间，min。
[0098]
本实施例中，最终的服装生产计划预测计算方法表示如下：
[0099][0100]
基于上述服装生产计划预测计算方法对一批裤子订单的生产计划进行预测，已知该款服装订单量为824件、标准工时为55.6min、工序数为99道，安排到有14名员工、每天工作12小时的流水线生产，通过本发明方法可以快速制定出该批订单的生产计划。将已知新款服装基本数据代入学习曲线改进模型中，求得学习系数为0.13，首件工时为176.26，将其代入服装生产计划预测计算方法中，可知这批裤装安排在该小组计划7.4天可以制作完成。跟踪这批裤装生产，订单实际制作所用时间为7天。
[0101]
后期对12款服装进行生产计划的预测，利用改进前拟合学习曲线方法确定基本款服装学习曲线，根据款式相似性计算服装生产时间，并跟踪12款服装实际生产，结果如表8所示。
[0102]
表8生产计划预测表
[0103][0104]
采用相对误差检验法对改进模型预测结果进行验证，步骤如下：
[0105]
计算相对误差：
[0106][0107]
其中：d(k）表示第k款服装预测生产天数；d（k）表示第k款服装实际生产时间。
[0108]
计算平均相对误差：
[0109][0110]
得出精度：
[0111][0112]
检验证明，基于学习曲线改进模型预测生产计划的精度为94.38％，预测效果较好。
[0113]
本发明利用服装历史生产数据集，分析企业生产技术水平，根据员工技能熟练度对学习系数进行求解，结合首件工时提出学习曲线改进方法。在此基础上，利用改进的学习曲线模型对服装生产计划进行预测。服装企业可以根据实际生产数据求解模型系数，将新款订单的批量、标准工时、出勤人数、出勤时间数据代入模型，即可快速准确地计算出生产时间。避免了主观因素对流水线进度估计造成的误差，帮助企业准确高效的制定生产计划。可以提前预判无法按期完成的生产任务，及时外发协作工厂生产，保证企业在交货期内保质完成订单，为生产管理部门合理排产提供依据。
[0114]
进一步地，所述历史生产数据集可以基于实际生产情况进行定时更新，a和b关系式中的系数基于更新的历史生产数据集进行定时更新，从而不断完善提高服装生产计划预测计算方法的精度。同样地，所述历史生产数据集中每款服装历史生产数据的生产时间不少于3天，最好不少于5天，以提高服装生产计划预测计算方法的精度。
[0115]
另外，本发明还提供了基于学习曲线改进模型的服装生产计划预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上所述的基于学习曲线改进模型的服装生产计划预测方法。
[0116]
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
[0117]
以上所述仅为本发明的解决方法，仅用于对本发明的解释说明，并不用于限制本发明的保护范围，凡在本发明的精神和原则之内所做的任何修改、等同替换或改进等，均应包含在本发明的保护范围之内。