一种基于大数据预测的纺织厂供应链管理系统技术方案

本发明专利技术涉及一种基于大数据预测的纺织厂供应链管理系统，所述管理系统包括：数据采集单元，用于为所述管理系统提供历史数据；数据处理单元，用于对历史数据进行处理，并生成来料预测模型；策略分析单元，基于建立的所述来料预测模型进行生产原料的来料数值预测，执行对供应链和产线原料的策略分析和指导，并反馈优化后的供应链策略；其中，所述数据处理单元采用基于时间序列的LSTM预测模型建立所述来料预测模型；所述供应链策略，包括以经济效益最大化、总产量最大化以及缺料指数最小化为管理目标；并加入多个关于生产原料存量的约束条件，约束所述策略分析单元在生成所述供应链策略时的计算过程。略时的计算过程。略时的计算过程。

【技术实现步骤摘要】
一种基于大数据预测的纺织厂供应链管理系统


[0001]本专利技术涉及生产管理系统
具体而言，涉及一种基于大数据预测的纺织厂供应链管理系统。

技术介绍

[0002]供应链是指围绕核心企业，从产品的生产原料开始，制成中间产品以及最终产品，最后由销售网络把产品送到消费者手中的、将供应商，制造商，分销商直到最终用户连成一个整体的功能网链结构。供应链管理的经营理念是从下游生产者的角度，通过对上游企业间的协作和整合，谋求供应链条整体最佳化。其中对于原料的库存量控制至关重要，善于进行供应链优化的生产企业通过精准的库存量控制，能够实现动态的零库存，大大降低了企业的库存成本浪费。
[0003]查阅相关已公开技术方案，公开号为AU2021107272(A4)的技术方案，提出一种使用区块链实现的物联网食品和药品供应链管理系统，用于提供一种轻量级系统以确保在物联网支持的供应链管理中使用区块链的数据完整性；公开号为CN111602157(A)的技术方案提出一种可视化的供应链风险分析方法管理系统，通过对评估对象企业相关的文本数据为基础而计算风险分数，并通过可视化的分式作出结果的呈现；公开号为US2021272055(A1)的技术方案，通过存储、分析和跟踪供应链事件并帮助协调和维护贸易伙伴的联系，从而保证了药品供应链的持续正常运作。以上关于供应链的管理系统方统主要基于已经的供应链数据作出对应的分析，在如今供应链管理越趋复杂的情况下，还需要一种更能发掘供应链内在规律的预测方法，以帮助提前对供应链策略做出超前部署。
专利技术内容
[0004]本专利技术的目的在于，提出一种基于大数据预测的纺织厂供应链管理系统，通过基于历史数据建立关于纺织生产的来料预测模型，用于预测在下一时间周期的原物料的供应情况，并进一步的基于生产原料的来料量预测数据，通过计算各个产品的收益和成本的最大效益，指导供应链执行相应的优化策略。
[0005]本专利技术采用如下技术方案：
[0006]一种基于大数据预测的纺织厂供应链管理系统，所述管理系统包括：
[0007]数据采集单元，用于为所述管理系统提供历史数据；
[0008]数据处理单元，用于对历史数据进行处理，并利用历史数据进行深度学习训练，建立来料预测模型；
[0009]策略分析单元，基于建立的所述来料预测模型，执行对供应链的策略分析和指导，并反馈优化后的供应链管理策略；
[0010]其中，所述数据处理单元采用基于时间序列的LSTM预测模型建立所述来料预测模型S；所述策略分析单元进行所述供应链管理策略的优化计算以所述来料预测模型S对生产原料的来料数值作出预测，并以来料数值的预测值，作为所述供应链管理优化策略的数据
源；
[0011]所述管理系统包括一种基于大数据预测的纺织厂供应链管理方法，包括以下执行步骤：
[0012]步骤S1：将供应链中生产原料的来料情况进行采集、分析，形成第一数据集；
[0013]步骤S2：将所述第一数据集进行数据整理，获得来料数据集；
[0014]步骤S3：将所述来料数据集输入所述数据处理单元进行基于LSTM预测模型的数据训练，获得所述来料预测模型S；
[0015]步骤S4：使用所述来料预测模型S进行供应链管理策略优化计算，并通过多个约束条件约束对以上优化计算进行约束；
[0016]在步骤S2中，包括以下子步骤：
[0017]步骤S201：将所述第一数据集按照来料的时间序列进行整理排序；
[0018]步骤S202：对所述来料数据集进行数据归一化处理，获得所述来料数据集；
[0019]在步骤S3中，包括以下步骤；
[0020]步骤S301：将所述来料数据集按照8：2的比例分为来料数据训练集、来料数据测试集；
[0021]步骤S302：将所述来料数据训练集输入所述数据处理单元，训练并建立所述来料预测模型S，并使用所述来料数据测试集对所述来料预测模型S进行测试并优化；
[0022]在步骤S4中，包括以下子步骤：
[0023]步骤S401：以经济效益最大化、总产量最大化以及缺料指数最小化为优化目标，根据所述来料预测模型S进行原料的来料数量预测，并进一步构建以下第一目标函数G1，并求得max(G1),即净收益最大化；
[0024][0025]其中，所述第一目标函数G1代表净收益；t为时段，取值为1，2
……
T；p为生产车间，取值为1，2
……
P；q为工位，取值为1，2
……
Q；L
pq
为p车间q工位的生产效益指数；X
tpq
为p车间q工位在t时段配置的生产原料数量；
[0026]n为仓库编号，取值为1，2
……
N；F
n
为n号仓库维持每一标准单位的生产原料库存所消耗的成本，C
tn
为在n号仓库在t时段的生产原料库存量；
[0027]σ为一个布值变量，取值为0或1，当σ
tn
取值为1代表n号仓库在时段t需要进行临时缓冲增容,当σ
tn
取值为0代表n号仓库在时段t不需要进行临时缓冲增容；R
n
代表n号仓库进行临时缓冲增容的额外成本；E
tn
代表n号仓库在t时段的临时缓冲的增容量；
[0028]步骤S402：以总产量最大化为目标，根据生产原料分配到不同产品的二次产量函数，得到计算成品总产量的第二目标函数G2,并求得max(G2),即总产量最大化；
[0029][0030]其中，h为成品的种类，取值为1，2
……
H；λ
ph
为第p生产车间进行生产h类成品的产能；Y
tph
为在t时段在p车间为h类产品配置的生产原料数量；参数ω、b和ε分别为二次项、一次项以及常数项的权重系数，通过对产能进行标准化生产条件试验所得；
[0031]步骤S403：以缺料情况最小化为目标，根据各生产车间的配料情况作出综合判断，
得到一个关于缺料情况的缺料指数函数，即第三目标函数G3，并求得min(G3),即使缺料指数最小化；
[0032][0033]其中，φ
pq
为p车间q工位的配料权重，可通过对各车间和工位的实际工作效率或者根据产品的利润率进行统计所得；Max(X
tpq
)为在p车间q工位在t时段配置生产原料的最大数量；
[0034]步骤S404：以在线原料动态保持量、在线原料量限制、仓库库存量约束、仓库临时增容量、最低产量要求以及各个车间的原料总需求量作为约束条件，进行对以上目标函数进行优化时的约束，其中：
[0035]步骤S4041：在线原料动态保持量约束：
[0036][0037]其中，LC
t
为t时段在线原料动态保持量，即安排在产线上的生产原料数量；S为生产原料的预测来料量；初始值为t＝0时，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据预测的纺织厂供应链管理系统，其特征在于，所述管理系统包括：数据采集单元，用于为所述管理系统提供历史数据；数据处理单元，用于对历史数据进行处理，并利用历史数据进行深度学习训练，建立来料预测模型；策略分析单元，基于建立的所述来料预测模型，执行对供应链的策略分析和指导，并反馈优化后的供应链管理策略；所述数据处理单元采用基于时间序列的卷积神经网络进行深度学习，建立所述来料预测模型S；所述策略分析单元进行所述供应链管理策略的优化计算以所述来料预测模型S对生产原料的来料数值作出预测，并以来料数值的预测值，作为所述供应链管理优化策略的数据源。其中在进行所述供应链管理优化策略的优化计算时，包括以下子步骤：步骤S401：以经济效益最大化、总产量最大化以及缺料指数最小化为优化目标，根据所述来料预测模型S进行原料的来料数量预测，并进一步构建以下第一目标函数G1，并求得max(G1),即净收益最大化；其中，所述第一目标函数G1代表净收益；t为时段，取值为1，2
……
T；p为生产车间，取值为1，2
……
P；q为工位，取值为1，2
……
Q；L
pq
为p车间q工位的生产效益指数；X
tpq
为p车间q工位在t时段配置的生产原料数量；n为仓库编号，取值为1，2
……
N；F
n
为n号仓库维持每一标准单位的生产原料库存所消耗的成本，C
tn
为在n号仓库在t时段的生产原料库存量；σ为一个布值变量，取值为0或1，当σ
tn
取值为1代表n号仓库在时段t需要进行临时缓冲增容,当σ
tn
取值为0代表n号仓库在时段t不需要进行临时缓冲增容；R
n
代表n号仓库进行临时缓冲增容的额外成本；E
tn
代表n号仓库在t时段的临时缓冲的增容量；步骤S402：以总产量最大化为目标，根据生产原料分配到不同产品的二次产量函数，得到计算成品总产量的第二目标函数G2,并求得max(G2),即总产量最大化；其中，h为成品的种类，取值为1，2
……
H；λ
ph
为第p生产车间进行生产h类成品的产能；Y
tph
为在t时段在p车间为h类产品配置的生产原料数量；参数ω、b和ε分别为二次项、一次项以及常数项的权重系数，通过对产能进行标准化生产条件试验所得；步骤S403：以缺料情况最小化为目标，根据各生产车间的配料情况作出综合判断，得到一个关于缺料情况的缺料指数函数，即第三目标函数G3，并求得min(G3),即使缺料指数最小化；其中，φ
pq
为p车间q工位的配料权重，可通过对各车间和工位的实际工作效率或者根据产品的利润率进行统计所得；Max(X
tpq
)为在p车间q工位在t时段配置生产原料的最大数量；
步骤S404：以在线原料动态保持量、在线原料量限制、仓库库存量约束、仓库临时增容量、最低产量要求以及各个车间的原料总需求量作为约束条件，进行对以上目标函数进行优化时的约束，其中：步骤S4041：在线原料动态保持量约束：其中，LC
t
为t时段在线原料动态保持量，即安排在产线上的生产原料数量；S为生产原料的预测来料量；初始值为t＝0时，即生产未开始前，产线保持一定的生产原料数...

【专利技术属性】
技术研发人员：傅俊超，
申请(专利权)人：深圳市智能制造软件开发有限公司，
类型：发明
国别省市：