一种基于机器学习的库存预测系统技术方案

本发明专利技术公开了一种基于机器学习的库存预测系统，包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。传送带包括第一传送带、第二传送带，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。该装置结构合理，操作方便，自动化程度高。提高货物进出库效率，对库存进行科学管理，对库存进行智能预测，方便与ERP库存管理模块衔接。

An inventory forecasting system based on machine learning

The invention discloses an inventory forecasting system based on machine learning, which includes a shell, a conveyor, a pump, a telescopic rod, a detector, a controller, a sensor, a motor. The front and back of the shell are separately provided with an inlet and an outlet. An electric motor is provided on the left end and the right end of the shell, and the top of the shell is fixed with gas. The outer surface of the pump, the outer surface of the shell is fixed with a controller. The conveyor belt includes the first conveyer belt and second conveyor belt, and the transmission direction is opposite, its power source is the motor and the surface is attached with a sensor; the starting point of the first conveyor is the feed inlet and the end is the outlet. The device has the advantages of reasonable structure, convenient operation and high automation. Improve the efficiency of the goods in and out, manage the stock scientifically, predict the stock intelligently, and facilitate the connection with the ERP inventory management module.

【技术实现步骤摘要】
一种基于机器学习的库存预测系统
本专利技术涉及人工智能
，更具体地涉及一种基于机器学习的库存预测系统。
技术介绍
适当的库存是企业正常运转且获得最大利润的必要条件，过多过少的库存都会给企业带来不利影响。过多的库存会占用大量的空间和资金，增加存储费用，财务成本加重；过少的库存会导致订货费用增加，可能因库存量不足造成停产待料，从而影响生产效率或服务质量。因此，企业需要通过有效的库存管理，提高资金周转率及生产效率，提高经济效益和顾客满意度。库存管理是制造业企业管理的重要组成部分，库存管理的对象是库存项目，即企业中所有物料，包括原材料、零部件、在制品、半成品及产品，以及起辅助物料。库存管理的主要功能是在供、需之间建立缓冲区，达到缓和用户需求与企业生产能力之间，最终装配需求与零配件之间，零件加工工序之间、生产厂家需求与原材料供应商之间的矛盾。在美国，有些企业库存周期只有8天，但有些中国企业的库存周期长达51天。在企业生产经营活动中，库存管理既必须保证生产车间对原材料、零部件需求，又直接影响采购、销售部门的购、销活动。当前，企业进行货物进出库时，需要对货物进行扫描记录，但现有的扫描装置只是进出统计管理，不能对库存进行智能预测。
技术实现思路
1.专利技术目的。针对现有技术存在的缺陷，提出一种基于机器学习的库存预测系统，提高货物进出库效率，对库存进行科学管理，对库存进行智能预测，方便与ERP库存管理模块衔接。2.本专利技术的技术方案。一种基于机器学习的库存预测系统，包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。更进一步，所述传送带包括第一传送带、第二传送带，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。更进一步，所述气泵的活动端连接伸缩杆，伸缩杆的端部固定连接检测器，通过气泵和伸缩杆运动，可以调节检测器与传送带的相对位置。更进一步，所述探测器为光学摄像头或红外扫描仪，所述传感器为压力传感器。更进一步，所述控制器包括数据处理模块、输入模块、输出模块、通信模块、显示模块和按键模块；数据处理模块采用TMS320L2812；输入模块与探测器电气连接，输入数字图像或二维码信号；输入模块与传感器电气连接，输入压力信号；输出模块与电机、气泵、伸缩杆电气连接，输出控制信号；通信模块与ERP库存管理模块电气连接。更进一步，所述控制器的时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0-3，4-7，8-10，11-15，16-30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。更进一步，所述控制器的供货商趋势判断方法：影响部件是否能及时供货的另一个判断条件是各供货商，利用回归算法，在总时间段，以及6个分时间段，分别将各供货商的趋势与总趋势进行回归计算，判断出各时间段内各供货商对总趋势影响最大的供货商。更进一步，所述控制器的部件趋势判断方法：对各部件供货趋势状态进行汇总，找出影响部件供货的原因，包括时间段和供货商两个因素。更进一步，所述控制器的部件缺货预测方法：对缺货部件进行库存管理的数据分析，找出导致部件缺货的原因，包括订单量、物流量、入库量、出库量四个因素。3.本专利技术的技术效果。该装置结构合理，操作方便，自动化程度高。提高货物进出库效率，对库存进行科学管理，对库存进行智能预测，方便与ERP库存管理模块衔接。附图说明图1为实施例的回归次数。图2为本专利技术的外观示意图。图3为本专利技术的结构示意图。具体实施方式实施例1一种智能进出库货物扫描记录装置，如图2、3所示，包括外壳1、传送带2、3、气泵4、伸缩杆5、探测器6、控制器7、传感器8、电机9，外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。传送带包括第一传送带2、第二传送带3，其传送运动方向相反，其动力来源为电机，其表面附着有传感器；第一传送带的起点为进料口，终点为出料口。气泵的活动端连接伸缩杆，伸缩杆的端部固定连接检测器，通过气泵和伸缩杆运动，可以调节检测器与传送带的相对位置。探测器为光学摄像头或红外扫描仪，传感器为压力传感器。实施例2一种智能进出库货物扫描记录装置，如图2、3所示，包括外壳1、传送带2、3、气泵4、伸缩杆5、探测器6、控制器7、传感器8、电机9，外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。控制器包括数据处理模块、输入模块、输出模块、通信模块、显示模块和按键模块；数据处理模块采用TMS320L2812；输入模块与探测器电气连接，输入数字图像或二维码信号；输入模块与传感器电气连接，输入压力信号；输出模块与电机、气泵、伸缩杆电气连接，输出控制信号；通信模块与ERP库存管理模块电气连接。实施例3一种智能进出库货物扫描记录装置，如图2、3所示，包括外壳1、传送带2、3、气泵4、伸缩杆5、探测器6、控制器7、传感器8、电机9，外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器。时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0-3，4-7，8-10，11-15，16-30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。供货商趋势判断方法：影响部件是否能及时供货的另一个判断条件是各供货商，利用回归算法，在总时间段，以及6个分时间段，分别将各供货商的趋势与总趋势进行回归计算，判断出各时间段内各供货商对总趋势影响最大的供货商。部件趋势判断方法：对各部件供货趋势状态进行汇总，找出影响部件供货的原因，包括时间段和供货商两个因素。部件缺货预测方法：对缺货部件进行库存管理的数据分析，找出导致部件缺货的原因，包括订单量、物流量、入库量、出库量四个因素。由于库存数据单位不一，而所要预测的系统非线性，初始值设定可能影响到人工智能学习速度、结构复杂性和精度，所以必须对样本进行归一化处理，即通过线性变化将输入数据转换成[0，1]之间的数据，常用变换函数是sigmoid{}。此处采用BP神经网络学习算法，随机选择20组数据样本作为训练样本，剩余10组数据样本作为测试样本，对实际安全库存进行预测对比，结果如图1所示，2次迭代之后进入目标精度。以上描述仅为本专利技术的实施例，并非因此限制本专利技术的专利范围，凡是利用本专利技术说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的
，均同理包括在本专利技术的专利保护范围内。本文档来自技高网...

【技术保护点】
1.一种基于机器学习的库存预测系统，其特征在于：包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器；所述控制器的时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0‑3，4‑7，8‑10，11‑15，16‑30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。

【技术特征摘要】
1.一种基于机器学习的库存预测系统，其特征在于：包括外壳、传送带、气泵、伸缩杆、探测器、控制器、传感器、电机，所述外壳的正面和背面分别设有进料口和出料口，外壳的左端和右端分别设有电机，外壳的顶部固定有气泵，外壳的外表面固定有控制器；所述控制器的时间段趋势判断方法：影响部件是否能及时供货的一个判断条件是收发货之间所需的天数，分为6个分时间段，0-3，4-7，8-10，11-15，16-30，>30天；分别利用回归算法，将各时间段的趋势与总趋势进行计算，判断出对总趋势影响最大的时间段。2.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述控制器的供货商趋势判断方法：影响部件是否能及时供货的另一个判断条件是各供货商，利用回归算法，在总时间段，以及6个分时间段，分别将各供货商的趋势与总趋势进行回归计算，判断出各时间段内各供货商对总趋势影响最大的供货商。3.根据权利要求1所述的基于机器学习的库存预测系统，其特征在于：所述控制器的部件趋势判断方法：对各部件供货趋势状态进行汇总，找出影响部件供货的原因，包括时间段和供货商两个因素。4.根据权利要求1所述的基于机器学习的库存预测系统...

【专利技术属性】
技术研发人员：孟洋，
申请(专利权)人：江苏仲博敬陈信息科技有限公司，
类型：发明
国别省市：江苏,32