支持向量回归在不确定面向订单装配环境下交货期预测中应用.docVIP

支持向量回归在不确定面向订单装配环境下交货期预测中应用 　　摘 要：针对面向订单装配（ATO）生产环境，如何根据订单信息、生产系统特性快速地估算出准确、可靠的交货期问题，在分析不确定性要素对交货期影响机制的基础上，构建了订单交货期预测模型。模型参数包括三个部分：订单上线时间、装配周期和异常拖期。订单上线时间基于零部件、生产能力的可用性，订单装配周期和异常拖期采用基于实际生产历史数据的支持向量回归（SVR）方法进行预测。案例研究表明该模型预测结果与实际交货期接近，可以用于指导订单交货期协商。 关键词：不确定性；面向订单装配；交货期预测；支持向量回归 中图分类号： TP31 文献标志码：A 0 引言 交货期是一个与时间相关的重要数据，不仅是企业生产计划与控制的重要参数，也是度量企业运营水平的关键指标。交货期与企业采取的生产方式密切相关。按照订单分离点， 库存式（MaketoStock， MTS）生产模式下，客户需求直接从企业成品库存得到满足，交货期可以认为是零； 面向订单装配（AssemblytoOrder， ATO）生产模式下，订单零部件需求从库存得到满足，订单产品必须经过必要的装配过程，待产品完工后才能交付； 面向订单制造（MaketoOrder， MTO）生产模式下，订单零部件部分（通用件）通过库存满足，部分（定制件）需要进行制造满足，订单产品需在零部件需求满足的基础上经过装配完工后进行交付； 面向订单设计（EngineeringtoOrder， ETO）生产模式下，由于在订单确认后才进行产品设计，零部件生产、采购，产成品装配，生产周期最长。 综合而言，ATO生产系统既能够减少成品库存，又具有较短的交付周期，同时能够满足客户的定制化需求，因而广泛应用于产品进行模块化设计与生产的汽车、电子、半导体等行业。 关于交货期的研究有两个视角，一个是从客户的角度，当订单到达时，根据订单特性、企业可用资源对交货期进行协商；另一个是从车间管理的角度，与生产计划、调度相关，目标是优化生产过程，提高生产效率[1-2]。 文献[4]对交货期设置的经验方法进行了综述，主要包括简单方法，如固定值（Constant， CON）和随机值（Random， RDM）； 基于到达订单信息的方法，如总加工时间（Total Work， TWK）、加工时间加松弛（Slack， SLK）、工序数量（Number of Operations， NOP）和加工时间加等待时间（Processing Plus Wait， PPW）； 基于系统和订单信息的方法，如队列中工件（Jobs in Queue， JIQ）和系统中工件（Jobs in System， JIS）。 文献[4]对交货期设置与生产调度之间的关系进行了综述，主要是在调度目标函数中涉及到与交货期相关的提前/拖期问题； 并给出了单机、并行机环境下，平均绝对偏差（Mean Absolute Deviation， MAD）、加权绝对偏差和（Weighted Sum of Absolute Deviation， WSAD）、加权提前/拖期和（Total Weighted Earliness and Tardiness， TWET）与平均方差（Mean Squared Deviation， MSD）指标下，生产调度序列与交货期优化的目标函数。随着理论与计算技术的发展，近些年出现的新的交货期设置方法有解析法和智能方法，前者如数学规划[5]、排队论[6]和马尔可夫链[7-8]等；后者如专家系统[9]、数据挖掘[10]和神经网络[11-12]等。 上述交货期设置方法有各自的优缺点：经验方法优点在于生产实践中便于使用，缺点是相关参数难以确定；解析方法的优点是能够找到确定的优化解，缺点是难以应用于大规模问题，因为即便是小规模应用也大都是NP难问题；智能方法有效规避了上述两种方法的缺点，其缺点在于往往需要大量训练样本数据的支持。本文采用支持向量回归方法用于交货期的预测，该方法基于统计学习理论，以结构风险最小化为优化目标，并将优化目标转化为二次规划问题，因为二次规划从理论讲，根据库克—塔恩条件总存在最优解，保证了方法的优越性；同时，预测采用的样本数据来源于历史的底层现场数据，使预测结果更符合实际生产情景。 1 支持向量回归原理 支持向量源于20世纪60年代Vapnik和Chervonenkis发展的统计学习理论（也称为VC理论）。支持向量机最初的研究是在ATT贝尔实验室，目标是用于光学字符识别（Optical Character Recognition，OCR），属于分类方法，后用于回归和时间序列预测，成为当前最为活跃的研究领