基于大數(shù)據(jù)分析的礦山備件采購(gòu)預(yù)測(cè)模型

劉 偉 李國(guó)清 侯 杰 王 浩 陳連韞 范純超

(1.北京科技大學(xué)土木與資源工程學(xué)院,北京 100083;2.金屬礦山高效開采與安全教育部重點(diǎn)實(shí)驗(yàn)室,北京 100083;3.山東黃金集團(tuán)有限公司,山東 濟(jì)南 250102)

礦山企業(yè)采購(gòu)備件的種類多、數(shù)量大、資金占用率高,同時(shí)備件采購(gòu)量受眾多因素影響,存在較大的不確定性,因此,科學(xué)估計(jì)備件采購(gòu)量對(duì)于礦山企業(yè)生產(chǎn)與經(jīng)營(yíng)至關(guān)重要?，F(xiàn)代礦山企業(yè)備件采購(gòu)具有精細(xì)化、動(dòng)態(tài)化、信息化等特征。礦山采購(gòu)備件的種類復(fù)雜、需求量差異性較大,針對(duì)各類備件的需求特點(diǎn)制定更為精細(xì)化的采購(gòu)策略,有助于提高備件采購(gòu)的科學(xué)性。隨著生產(chǎn)任務(wù)量與作業(yè)條件的變化,礦山企業(yè)對(duì)備件的需求量處于動(dòng)態(tài)變化之中,采購(gòu)量應(yīng)因時(shí)、按需而定,否則易出現(xiàn)因采購(gòu)量過大導(dǎo)致庫(kù)存積壓和因采購(gòu)量不足導(dǎo)致供不應(yīng)求等問題[1-3]。現(xiàn)階段,我國(guó)礦山普遍建設(shè)了備件采購(gòu)管理系統(tǒng),實(shí)現(xiàn)了對(duì)備件采購(gòu)、運(yùn)輸、倉(cāng)儲(chǔ)的管理,提升了企業(yè)備件的信息化管理水平與效率[4-7]。系統(tǒng)經(jīng)過長(zhǎng)時(shí)間的應(yīng)用,積累了海量備件采購(gòu)數(shù)據(jù),大數(shù)據(jù)分析技術(shù)為數(shù)據(jù)的深度利用與潛在知識(shí)挖掘提供了新的途徑,運(yùn)用大數(shù)據(jù)分析結(jié)果指導(dǎo)企業(yè)備件采購(gòu)則更為科學(xué)可靠。因此,通過構(gòu)建科學(xué)的數(shù)據(jù)分析模型,以實(shí)現(xiàn)礦山備件采購(gòu)量的科學(xué)決策是我國(guó)礦山企業(yè)亟待解決的現(xiàn)實(shí)問題。

目前在理論研究方面,不少學(xué)者結(jié)合了ABC分類思想,開展了以決策樹、隨機(jī)森林、支持向量機(jī)、聚類分析、人工神經(jīng)網(wǎng)絡(luò)等算法等為代表的各類備件分類方法研究,考慮了備件分類的各影響因素,取得了比傳統(tǒng)分類方法更全面、更準(zhǔn)確的分類效果[8-13]。有關(guān)備件消耗量的預(yù)測(cè)研究,常見的有基于時(shí)間序列的傳統(tǒng)預(yù)測(cè)方法,如指數(shù)平滑法、差分整合移動(dòng)平均自回歸模型(Autoregressive Integrated Moving Average Model,ARIMA)、先知模型(Prophet)等,以及基于神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)方法,如長(zhǎng)短期記憶人工神經(jīng)網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)等[14-18]。在實(shí)際應(yīng)用方面,隨著智能礦山建設(shè)的推進(jìn),我國(guó)礦山企業(yè)普遍建立了物資備件管理系統(tǒng),完成了對(duì)備件采購(gòu)、運(yùn)輸、倉(cāng)儲(chǔ)等流程從單一人工管理到信息化集成管理的轉(zhuǎn)變,積累了海量的備件采購(gòu)、運(yùn)輸、存儲(chǔ)方面的數(shù)據(jù)。例如神東煤炭集團(tuán)公司[19]在長(zhǎng)期應(yīng)用物資備件管理系統(tǒng)的過程中,發(fā)現(xiàn)存在設(shè)備故障率高、備件儲(chǔ)備計(jì)劃準(zhǔn)確性差、采購(gòu)周期長(zhǎng)和積壓浪費(fèi)等問題,并進(jìn)行了相應(yīng)的庫(kù)存策略調(diào)整,提高了庫(kù)存周轉(zhuǎn)率與管理水平。

綜上所述,現(xiàn)階段的理論研究偏向于對(duì)備件分類與消耗預(yù)測(cè)在算法上的優(yōu)化,未將備件分類與備件消耗預(yù)測(cè)進(jìn)行整合,根據(jù)備件分類結(jié)果選擇相應(yīng)的備件消耗預(yù)測(cè)策略,實(shí)現(xiàn)有針對(duì)性地優(yōu)化。另外,在實(shí)際應(yīng)用方面,對(duì)海量數(shù)據(jù)的深層次挖掘程度還處在初級(jí)階段,多以簡(jiǎn)單的統(tǒng)計(jì)分析為主,未能對(duì)科學(xué)采購(gòu)提供足夠的正向反饋與決策支持。為此,本研究利用大數(shù)據(jù)分析方法構(gòu)建了一套體系完整的礦山備件采購(gòu)預(yù)測(cè)模型,形成了基于大數(shù)據(jù)分析的礦山備件采購(gòu)優(yōu)化思路,并采用山東某地下黃金礦山備件管理數(shù)據(jù)進(jìn)行模型驗(yàn)證,為實(shí)現(xiàn)礦山備件的科學(xué)采購(gòu)管理提供數(shù)據(jù)支持。

1 礦山企業(yè)備件采購(gòu)分析

1.1 礦山企業(yè)備件采購(gòu)流程

礦山企業(yè)的備件管理系統(tǒng)實(shí)現(xiàn)了備件采購(gòu)業(yè)務(wù)的信息化管理,具體流程如圖1所示。礦山各級(jí)生產(chǎn)單位根據(jù)生產(chǎn)計(jì)劃與設(shè)備狀況,統(tǒng)計(jì)本單位的備件需求,提交至礦山采購(gòu)部門。采購(gòu)部門結(jié)合匯總的需求、實(shí)時(shí)庫(kù)存信息與歷史領(lǐng)料記錄,制定采購(gòu)計(jì)劃并向外部供應(yīng)商下達(dá)采購(gòu)訂單。備件供應(yīng)商在收到訂單后,向礦山組織供貨,并由礦山備件庫(kù)存管理部門進(jìn)行備件入庫(kù)、庫(kù)存盤點(diǎn)、出庫(kù)記錄等工作。

圖1 礦山備件采購(gòu)流程Fig.1 Procurement process of mine spare parts

系統(tǒng)應(yīng)用不僅提高了業(yè)務(wù)處理效率,在長(zhǎng)期的采購(gòu)過程中,在各個(gè)關(guān)鍵節(jié)點(diǎn)均積累了大量關(guān)于備件需求量、采購(gòu)時(shí)間、采購(gòu)金額、庫(kù)存量、備件領(lǐng)用量等數(shù)據(jù),充分利用歷史數(shù)據(jù)智能制定采購(gòu)策略,是優(yōu)化備件采購(gòu)管理的重要途徑之一。礦山企業(yè)作為備件需求方和采購(gòu)方,需充分考慮各類備件的現(xiàn)有庫(kù)存量和未來一段時(shí)間的需求量,針對(duì)不同類別的備件制定差異化采購(gòu)策略,避免主觀因素帶來的認(rèn)知偏差,進(jìn)而提高礦山備件采購(gòu)的科學(xué)性與準(zhǔn)確性。

1.2 礦山企業(yè)備件采購(gòu)數(shù)據(jù)的主要特征

經(jīng)過對(duì)礦山物資備件采購(gòu)流程的梳理與物資備件管理系統(tǒng)的使用和調(diào)研,獲取了部分礦山備件采購(gòu)相關(guān)數(shù)據(jù),經(jīng)過分析主要表現(xiàn)出以下特征:

(1)產(chǎn)生節(jié)點(diǎn)多。在備件采購(gòu)及管理的全流程中,從企業(yè)內(nèi)部的各級(jí)生產(chǎn)單位、物資裝備部與庫(kù)存管理部門到企業(yè)外部供應(yīng)商的各個(gè)節(jié)點(diǎn)都會(huì)產(chǎn)生相應(yīng)的數(shù)據(jù),共同構(gòu)成了備件數(shù)據(jù)的來源。

(2)涉及維度廣。備件的屬性涉及多個(gè)維度,包括備件自身屬性如名稱、歸屬設(shè)備、規(guī)格等,備件采購(gòu)及管理流程屬性如采購(gòu)數(shù)量、采購(gòu)價(jià)格、采購(gòu)周期、采購(gòu)供應(yīng)商、庫(kù)存量、領(lǐng)用時(shí)間、領(lǐng)用量等,構(gòu)成了龐大的數(shù)據(jù)維度。

(3)增長(zhǎng)速度快。礦山企業(yè)生產(chǎn)任務(wù)重,使用的設(shè)備及相應(yīng)備件種類多,更新迭代速度快,加之備件屬性維度廣、產(chǎn)生節(jié)點(diǎn)多,導(dǎo)致備件數(shù)據(jù)增長(zhǎng)速度快、動(dòng)態(tài)性強(qiáng)。

2 基于大數(shù)據(jù)分析的備件采購(gòu)預(yù)測(cè)模型構(gòu)建

2.1 礦山備件采購(gòu)大數(shù)據(jù)分析邏輯架構(gòu)

結(jié)合礦山備件采購(gòu)流程中存在的問題與礦山備件數(shù)據(jù)的主要特征,利用大數(shù)據(jù)分析技術(shù)構(gòu)建備件采購(gòu)預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)礦山備件采購(gòu)的預(yù)測(cè)與優(yōu)化,以適應(yīng)礦山企業(yè)備件需求動(dòng)態(tài)變化的特點(diǎn),進(jìn)而制定科學(xué)合理的備件采購(gòu)計(jì)劃,實(shí)現(xiàn)采購(gòu)成本控制與備件合理儲(chǔ)備。備件采購(gòu)預(yù)測(cè)模型邏輯架構(gòu)如圖2所示。

圖2 備件采購(gòu)預(yù)測(cè)模型邏輯架構(gòu)Fig.2 Logical framework of prediction model for spare parts procurement

(1)數(shù)據(jù)預(yù)處理。按照數(shù)據(jù)清洗、數(shù)據(jù)變換、數(shù)據(jù)歸約等步驟,完成對(duì)數(shù)據(jù)缺失、數(shù)據(jù)異常、數(shù)據(jù)維度過多等問題的處理,實(shí)現(xiàn)對(duì)礦山備件數(shù)據(jù)的預(yù)處理,為后續(xù)模型構(gòu)建及驗(yàn)證奠定基礎(chǔ)。

(2)備件智能分類。為彌補(bǔ)傳統(tǒng)ABC分類法基于價(jià)值進(jìn)行分類,忽略了其他因素導(dǎo)致分類結(jié)果不科學(xué)的不足,綜合考慮備件的采購(gòu)價(jià)格、采購(gòu)周期與消耗速度,運(yùn)用K-means聚類模型對(duì)備件進(jìn)行分類并分析其特點(diǎn),為備件消耗預(yù)測(cè)提供分類依據(jù)。

(3)備件消耗預(yù)測(cè)?；趥浼诸惤Y(jié)果,制定相應(yīng)的預(yù)測(cè)策略,分別應(yīng)用LSTM神經(jīng)網(wǎng)絡(luò)與Prophet模型進(jìn)行備件消耗預(yù)測(cè),并結(jié)合兩種模型的優(yōu)點(diǎn)構(gòu)建組合預(yù)測(cè)模型,提高預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性,為制定采購(gòu)計(jì)劃提供數(shù)據(jù)支持。

2.2 基于K-means聚類模型的備件智能分類

受礦山企業(yè)備件種類、價(jià)格、供應(yīng)商、需求量等方面的影響,其采購(gòu)成本與周期具有較大差異,為此進(jìn)行備件分類是首要工作,而人為對(duì)備件進(jìn)行分類不僅工作量大而且容易受主觀因素影響,導(dǎo)致分類不準(zhǔn)確。采用聚類算法,根據(jù)備件的屬性因素進(jìn)行聚類分析,得到較為合理、科學(xué)的備件分類準(zhǔn)則,可以為后續(xù)的備件消耗預(yù)測(cè)及備件采購(gòu)提供思路。K-means聚類算法是一種廣泛使用的無監(jiān)督式機(jī)器學(xué)習(xí)技術(shù),能夠從樣本數(shù)據(jù)中發(fā)掘出隱藏的聯(lián)系和結(jié)構(gòu),可用于隱含規(guī)律的發(fā)掘。其優(yōu)點(diǎn)是收斂速度快、聚類效果好、可解釋度強(qiáng),尤其適合大數(shù)據(jù)集的應(yīng)用。

對(duì)備件分類的影響因素進(jìn)行綜合分析后,本研究選擇以采購(gòu)價(jià)格、消耗速度、采購(gòu)周期作為備件聚類的屬性維度。

(1)采購(gòu)價(jià)格。表示備件的經(jīng)濟(jì)屬性,單個(gè)備件的采購(gòu)價(jià)格越高,同等條件下產(chǎn)生的采購(gòu)資金占用越多,對(duì)礦山帶來的資金流動(dòng)壓力越大。

(2)消耗速度。表示備件的消耗快慢程度,消耗速度越快,需要進(jìn)行的采購(gòu)次數(shù)越頻繁或單次采購(gòu)的數(shù)量越多,同等條件下產(chǎn)生的資金消耗和庫(kù)存空間占用越多。

(3)采購(gòu)周期。表示備件采購(gòu)難易程度,采購(gòu)周期越長(zhǎng),發(fā)生供貨延遲的概率越大,對(duì)生產(chǎn)造成的不良影響也越大,需要提前進(jìn)行采購(gòu)來防止該現(xiàn)象發(fā)生。

將上述3個(gè)屬性作為備件的維度,即每個(gè)備件作為一個(gè)三維向量并隨機(jī)選取向量作為聚類中心,通過計(jì)算所有向量與各聚類中心的歐式距離,將每個(gè)向量賦給最近的簇,使得每一個(gè)向量到其對(duì)應(yīng)聚類中心的歐式距離之和最短,即備件屬性越接近從而完成備件分類。

根據(jù)備件的不同屬性組合,共有8種備件類型,分別為高價(jià)格、快消耗長(zhǎng)、周期備件,高價(jià)格、慢消耗、長(zhǎng)周期備件,高價(jià)格、快消耗、短周期備件,高價(jià)格、慢消耗、短周期備件,低價(jià)格、快消耗、長(zhǎng)周期備件,低價(jià)格、快消耗、短周期備件,低價(jià)格、慢消耗、長(zhǎng)周期備件,低價(jià)格、慢消耗、短周期備件。

2.3 基于LSTM-Prophet組合模型的備件消耗預(yù)測(cè)

面對(duì)各類備件不同的數(shù)據(jù)變化趨勢(shì)特點(diǎn),采用單個(gè)預(yù)測(cè)模型難以達(dá)到理想的預(yù)測(cè)效果。因此使用組合預(yù)測(cè)模型,將不同預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行加權(quán)組合,使之包含更全面的時(shí)序數(shù)據(jù)和動(dòng)態(tài)信息,解決單個(gè)預(yù)測(cè)模型在某些時(shí)間或狀態(tài)存在較大偏差的問題,有效提高整體預(yù)測(cè)精度。Prophet模型在時(shí)間序列數(shù)據(jù)預(yù)測(cè)方面,能較為出色地適應(yīng)數(shù)據(jù)的節(jié)日效應(yīng)和變化趨勢(shì)點(diǎn),而LSTM神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)和挖掘長(zhǎng)期歷史數(shù)據(jù)中隱藏的非線性和非周期性等特征存在較大的優(yōu)勢(shì)。通過將兩者相結(jié)合進(jìn)行組合預(yù)測(cè),以Prophet模型擬合數(shù)據(jù)的節(jié)日效應(yīng)和變化趨勢(shì)點(diǎn),以LSTM神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)長(zhǎng)期歷史數(shù)據(jù)的趨勢(shì)特征,最后采用誤差倒數(shù)法,即通過對(duì)平均相對(duì)誤差小的模型賦予較大的權(quán)重,使組合模型的平均相對(duì)誤差趨于減小,將兩個(gè)單一模型進(jìn)行組合得到更準(zhǔn)確的預(yù)測(cè)值。

定義LSTM-Prophet組合模型為

式中,P(t)為組合預(yù)測(cè)模型的預(yù)測(cè)結(jié)果;ω1、ω2分別為Prophet模型與LSTM神經(jīng)網(wǎng)絡(luò)模型的權(quán)重;y(t)為Prophet模型預(yù)測(cè)結(jié)果;l(t)為L(zhǎng)STM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果;ε1和ε2分別為Prophet模型與LSTM神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果與實(shí)際值的平均相對(duì)誤差。

建模過程如圖3所示。

圖3 組合預(yù)測(cè)模型架構(gòu)Fig.3 Structure of combined forecasting model

針對(duì)不同備件類型屬性特點(diǎn),消耗預(yù)測(cè)策略如下:

(1)高價(jià)格、快消耗、長(zhǎng)周期備件。存在資金占用、庫(kù)存不足、供貨延遲風(fēng)險(xiǎn),需要對(duì)采購(gòu)數(shù)量與采購(gòu)時(shí)間進(jìn)行精準(zhǔn)控制,即同時(shí)對(duì)采購(gòu)數(shù)量與采購(gòu)時(shí)間進(jìn)行預(yù)測(cè)。

(2)高價(jià)格、慢消耗、長(zhǎng)周期備件。存在資金占用、供貨延遲風(fēng)險(xiǎn),但消耗速度慢,需要對(duì)采購(gòu)時(shí)間進(jìn)行重點(diǎn)預(yù)測(cè)。

(3)高價(jià)格、快消耗、短周期備件。存在資金占用、庫(kù)存不足風(fēng)險(xiǎn),但采購(gòu)周期短,需要對(duì)采購(gòu)數(shù)量進(jìn)行重點(diǎn)預(yù)測(cè)。

(4)高價(jià)格、慢消耗、短周期備件。存在資金占用風(fēng)險(xiǎn),但消耗速度慢、采購(gòu)周期短,無需預(yù)測(cè),可選擇“零庫(kù)存”模式,需要時(shí)進(jìn)行臨時(shí)采購(gòu)。

(5)低價(jià)格、快消耗、長(zhǎng)周期備件。存在庫(kù)存不足、供貨延遲風(fēng)險(xiǎn),但采購(gòu)價(jià)格低,需要對(duì)采購(gòu)數(shù)量與時(shí)間進(jìn)行預(yù)測(cè),并保持較高數(shù)量庫(kù)存。

(6)低價(jià)格、快消耗、短周期備件。存在庫(kù)存不足風(fēng)險(xiǎn),但采購(gòu)價(jià)格低、采購(gòu)周期短,需要對(duì)采購(gòu)數(shù)量進(jìn)行預(yù)測(cè),并保持少量庫(kù)存。

(7)低價(jià)格、慢消耗、長(zhǎng)周期備件。存在供貨延遲風(fēng)險(xiǎn),但采購(gòu)價(jià)格低、消耗速度慢,需要對(duì)采購(gòu)時(shí)間進(jìn)行預(yù)測(cè),并保持少量庫(kù)存。

(8)低價(jià)格、慢消耗、短周期備件。風(fēng)險(xiǎn)較低,可選擇“零庫(kù)存”模式,需要時(shí)進(jìn)行臨時(shí)采購(gòu)。

3 模型應(yīng)用及分析

3.1 數(shù)據(jù)預(yù)處理

山東某黃金地下礦山正在積極推進(jìn)數(shù)字礦山建設(shè),目前大數(shù)據(jù)中心與數(shù)據(jù)標(biāo)準(zhǔn)體系建設(shè)已經(jīng)完成,實(shí)現(xiàn)了各系統(tǒng)數(shù)據(jù)的匯集,為后續(xù)的大數(shù)據(jù)分析奠定了良好的基礎(chǔ)。通過該礦山物資備件管理系統(tǒng),獲取了該礦山部分備件的原始數(shù)據(jù),主要包括備件編碼、名稱、對(duì)應(yīng)設(shè)備、采購(gòu)單、備件入庫(kù)單、備件領(lǐng)用單等,如表1所示,部分物資備件采購(gòu)記錄數(shù)據(jù)見表2。經(jīng)過數(shù)據(jù)清理、數(shù)據(jù)變換、數(shù)據(jù)歸約后,應(yīng)用備件采購(gòu)預(yù)測(cè)模型進(jìn)行驗(yàn)證。數(shù)據(jù)處理結(jié)果見表3。

表1 主要原始數(shù)據(jù)Table 1 Main original data

表2 物資備件采購(gòu)單部分?jǐn)?shù)據(jù)Table 2 Partial data of “MATERIAL_PURCHASE”

表3 數(shù)據(jù)預(yù)處理結(jié)果Table 3 Results of data preprocessing

3.2 備件智能分類結(jié)果

山東黃金某礦山使用的備件多達(dá)6 760類,本研究以備件采購(gòu)價(jià)格、年平均消耗量、采購(gòu)周期作為備件的屬性維度進(jìn)行K-means聚類分析。通過對(duì)初始聚類中心與聚類數(shù)量的尋優(yōu),當(dāng)聚類簇?cái)?shù)為4時(shí),聚類效果最優(yōu),如圖4、圖5及表4所示。

圖4 K-means聚類散點(diǎn)圖Fig.4 Scatter p lot of K-means clustering

圖5 K-means聚類雷達(dá)圖Fig.5 Radar chart of K-means clustering

表4 備件分類結(jié)果Table 4 Classification results of spare parts

如圖5所示,應(yīng)用K-means聚類模型,將備件劃分為4類,各類備件的分類界限較為明顯,存在少量的離群點(diǎn),整體達(dá)到了預(yù)期分類效果。各類備件的屬性如表4所示,備件種類1、備件種類2分別為3 036類、2 541類,屬于低價(jià)格、慢消耗、短周期備件,占比最高;備件種類3共1 111類,屬于低價(jià)格、快消耗、短周期備件,占比次之;備件種類4僅72類,屬于高價(jià)格、慢消耗、長(zhǎng)周期備件,占比最少。

3.3 備件消耗預(yù)測(cè)結(jié)果

針對(duì)備件分類結(jié)果中4類備件的特點(diǎn),選擇對(duì)應(yīng)的消耗預(yù)測(cè)策略,即備件種類1、備件種類2因風(fēng)險(xiǎn)較低,可選擇“零庫(kù)存”模式,無需進(jìn)行預(yù)測(cè);備件種類3消耗速度快,針對(duì)其消耗量進(jìn)行預(yù)測(cè);備件種類4采購(gòu)周期長(zhǎng),針對(duì)其消耗時(shí)間進(jìn)行預(yù)測(cè)。

分別以某高價(jià)格、慢消耗、長(zhǎng)周期備件“發(fā)動(dòng)機(jī)總成”與某低價(jià)格、快消耗、短周期備件“釬尾”為例,進(jìn)行備件消耗預(yù)測(cè),其基本屬性見表5。高價(jià)格、慢消耗、長(zhǎng)周期備件的采購(gòu)時(shí)間預(yù)測(cè)效果如圖6所示,低價(jià)格、快消耗、短周期備件的消耗量預(yù)測(cè)效果如圖7所示,兩者預(yù)測(cè)效果評(píng)價(jià)見表6、表7。

表5 備件基本屬性Table 5 Basic characters of spare parts

圖6 “發(fā)動(dòng)機(jī)總成”采購(gòu)時(shí)間預(yù)測(cè)效果Fig.6 Prediction results of“engine assembly”procurement time

圖7 “釬尾”消耗量預(yù)測(cè)效果Fig.7 Prediction results of“shank adapters”consumption

表6 “發(fā)動(dòng)機(jī)總成”采購(gòu)時(shí)間預(yù)測(cè)結(jié)果評(píng)價(jià)Table 6 Evaluation of prediction results of "engine assembly" procurement time

表7 “釬尾”消耗量預(yù)測(cè)結(jié)果評(píng)價(jià)Table 7 Evaluation of prediction results of "shank adapters" consumption

由上述分析可知:針對(duì)不同屬性特點(diǎn)的備件選擇相應(yīng)的預(yù)測(cè)策略,分別選取某高價(jià)格、慢消耗、長(zhǎng)周期備件“發(fā)動(dòng)機(jī)總成”與某低價(jià)格、快消耗、短周期備件“釬尾”進(jìn)行采購(gòu)時(shí)間預(yù)測(cè)與采購(gòu)數(shù)量預(yù)測(cè),得到了較為精確的預(yù)測(cè)效果,可為制定采購(gòu)計(jì)劃提供數(shù)據(jù)支持。

4 結(jié) 論

(1)運(yùn)用大數(shù)據(jù)分析技術(shù)對(duì)礦山企業(yè)備件采購(gòu)過程中產(chǎn)生的海量歷史數(shù)據(jù)進(jìn)行深入挖掘,通過構(gòu)建礦山備件采購(gòu)預(yù)測(cè)模型,實(shí)現(xiàn)了備件智能化分類與消耗量預(yù)測(cè),為制定備件采購(gòu)策略提供了科學(xué)指導(dǎo),有助于降低企業(yè)備件庫(kù)存量及資金占用量。

(2)基于K-means算法構(gòu)建的備件智能分類模型,從采購(gòu)價(jià)格、消耗速度、采購(gòu)周期等多個(gè)維度對(duì)礦山備件進(jìn)行無監(jiān)督式聚類分析,實(shí)現(xiàn)了礦山備件的智能化、精細(xì)化分類,解決了ABC分類法基于單一屬性進(jìn)行分類導(dǎo)致分類結(jié)果不科學(xué)的問題。

(3)基于Prophet-LSTM算法構(gòu)建的備件消耗組合預(yù)測(cè)模型,綜合考慮了備件消耗的長(zhǎng)效性、周期性和趨勢(shì)性等特征,解決了單個(gè)預(yù)測(cè)模型易出現(xiàn)較大偏差的問題,針對(duì)不同類型備件制定了差異性預(yù)測(cè)策略,有效提高了預(yù)測(cè)的全面性和精確度。

(4)以“備件智能分類—備件消耗預(yù)測(cè)”為核心框架的礦山備件采購(gòu)預(yù)測(cè)模型,符合礦山采購(gòu)管理的普遍性特征,對(duì)于其他地下金屬礦山制定備件采購(gòu)策略具有重要的借鑒意義。但是具備海量的采購(gòu)歷史數(shù)據(jù)是建立大數(shù)據(jù)分析模型的基礎(chǔ),并需要根據(jù)礦山具體備件情況進(jìn)行個(gè)性化設(shè)置。