风电设备制造企业服务备件的库存管理优化研究
发布时间：2022-01-22 13:43
经济社会的发展使化石能源出现了前所未有的紧缺。化石能源带来的污染问题也得到了人们的广泛关注,推动了诸多新能源行业快速发展,也使我国风电行业进入快速发展时期。近年来,我国推行的电力供给侧改革使新机市场日渐萎缩,但对于风电设备的售后服务需求、设备升级改造需求大幅增加。在此背景下,许多风电设备制造企业纷纷将目光转向提高售后服务质量,开展设备升级改造业务,力求寻找企业新的利润增长点。然而,目前此种企业多为传统的生产型企业。许多企业将原有的原材料库存管理方法套用于服务备件,发生了较大的库存管理问题,产生了大量服务备件的呆滞库存。库存的周转速度直接影响企业的资金周转效率。过多的呆滞库存会占压企业大量流动资金,更使企业后续管理成本攀升。此外,在库时间过长也加剧了备件的质量退化风险。因此,合理控制备件持有库存,减少呆滞库存的产生已成为企业的重要管理目标之一。本文针对目前正在努力提升售后服务质量、提供老旧设备升级改造业务的某风电设备制造企业进行研究,利用服务备件在库数据识别出服务备件库存管理中存在的主要问题并有针对性提出了相应的解决办法。首先,针对此风电设备制造企业现有服务备件分类标准和备件管理混乱的问...
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
Z企业2017-2019年度服务备件库存状况统计图
5动态关联规则挖掘及ARIMA模型应用与评价37续表5-3日期ft日期ft日期ft2015.043202016.123002018.082002015.053702017.012802018.091502015.062902017.023202018.101802015.072402017.033002018.111602015.082502017.043602018.121705.2.1时间序列的预处理确定型时序分析方法根据历史数据的变动特征对未来数据进行预测，但无法描述序列中的随机性或偶然性，多进行忽略随机因素后的理想状态描述。随机时间序列模型由确定性趋势和平稳的零均值误差成分构成，对此我们首先进行差分变换再对该序列进行拟合。平稳性检验主要有时序图和自相关检验两种主要检验方法。本文将支持度计数序列按时间排序后进行验证。首先采用时序图进行验证，通过图5-1发现，因极端值干扰，规则的支持度计数序列变化较为模糊，所以应继续采用单位根进行判断。图5-1支持度计数序列时序图Figure5-1Thetimingdiagramofmonthlysupportcounts如表5-4所示，支持度计数序列单位根检验值为-0.859064，而在0.05的显著性水平下其临界值为-1.946549，由于检验的绝对值小于临界值的绝对值，不能拒绝原假设，所以未通过检验，即规则的支持度计数为非平稳时间序列。此外，由于纯随机序列无分析意义，所以需要对数据进行纯随机性检验。在数据挖掘过程中产生的支持度计数序列受风机机组使用寿命、地域季节等相关因素影响，所以为非纯随机序列。
工程硕士专业学位论文38表5-4单位根检验结果Table5-4TheresultsofADFtestt-StatisticProb.*AugmentedDickey-Fullerteststatistic-0.8590640.3396Testcriticalvalues:1%level-2.6154245%level-1.94654910%level-1.6131815.2.2序列平稳化对于本文而言，定向类服务备件的总体特征决定了其受季节影响因素较为明显，所以应考虑应用ARIMA模型的季节乘积模型进行拟合。通过上一节可知规则的支持度计数序列为非平稳时间序列，因此不能直接对支持度计数序列进行建模而应尝试对其进行平稳化操作。如图5-2所示，相关图显示一阶截尾所以可考虑对序列进行一阶差分。同时，在延迟12期时，自相关及偏自相关系数均落在两倍标准差外，所以首先考虑对其进行一阶差分和步长为12的季节差分消除趋势性影响。差分后的支持度计数序列时序图如图5-3所示，差分后的相关图如图5-4所示。结果表明一阶差分变换和季节差分变换提取了线性趋势。为保证结果的准确性可进行再一次验证，单位根检验结果如表5-5所示。图5-2自相关和偏自相关分析图Figure5-2Autocorrelationandpartialautocorrelationanalysis
【参考文献】：
期刊论文
[1]基于传感器集群的仓库运维状态监测系统研究[J]. 王树强,崔万林,郑新浩,王刚,高源. 信息技术. 2020(03)
[2]浅谈RFID技术在仓库管理的应用[J]. 潘信宏. 计算机产品与流通. 2020(02)
[3]海外电站运行维护备品备件管理[J]. 庄宇. 经营与管理. 2020(02)
[4]典型立体仓储系统优势对比分析[J]. 马永敬,孔维荣,周娇娇,马力. 价值工程. 2019(36)
[5]工龄更换策略与备件库存控制联合费用模型[J]. 韩玉成,池阔. 中国科技信息. 2019(19)
[6]基于EML模型的备件库存优化方法[J]. 王莹. 火力与指挥控制. 2019(08)
[7]易燃品仓库群三维移动智慧巡检路径优化[J]. 郭凡,李东,许犇. 西安科技大学学报. 2019(01)
[8]智慧仓库信息系统的设计与研究[J]. 邹美广,张捷,吕明,李辉. 工业控制计算机. 2018(12)
[9]基于遗传算法优化参数SVM的备件需求预测研究[J]. 邱立军,付霖宇,董琪,顾钧元. 兵器装备工程学报. 2018(04)
[10]灰色关联分析的备件分类方法[J]. 曾翔,徐廷学,安进,顾钧元. 现代防御技术. 2018(02)
博士论文
[1]面向慢速流动备件供应有效性的需求预测研究[D]. 魏曦初.大连理工大学 2018
[2]装配型制造企业库存协同优化理论与方法研究[D]. 李双艳.中南大学 2012
[3]企业备件管理若干管理模型及其应用研究[D]. 朱翠玲.中国科学技术大学 2006
硕士论文
[1]基于RFID技术的R.B无锡公司物流管理优化方案设计[D]. 于卫.兰州大学 2019
[2]基于ERP的西藏电力工程项目物资管理系统设计与实现[D]. 曾爱武.电子科技大学 2019
[3]动车组检修备件库存管理优化研究[D]. 乔成珍.中国铁道科学研究院 2019
[4]S汽车公司涂装车间设备维修计划优化与关键备件库存改善研究[D]. 赵济宇.南京航空航天大学 2019
[5]中低层立体仓库管理系统研究[D]. 肖杨.湖北工业大学 2019
[6]基于ABC法的徐州光伏公司备件库存管理优化研究[D]. 陈传卫.兰州理工大学 2019
[7]民爆企业备件管理系统研究[D]. 陆亮英.广西大学 2018
[8]基于供应链的YC公司备件库存管理优化研究[D]. 王仪.云南财经大学 2018
[9]动车组不常用备件的判定以及需求预测研究[D]. 宋铭星.北京交通大学 2017
[10]基于故障预测的自动售票机备件库存管理[D]. 黄燕.重庆交通大学 2017
本文编号：3602303
【文章来源】：中国矿业大学江苏省 211工程院校 教育部直属院校
【文章页数】：68 页
【学位级别】：硕士
【部分图文】：
Z企业2017-2019年度服务备件库存状况统计图
5动态关联规则挖掘及ARIMA模型应用与评价37续表5-3日期ft日期ft日期ft2015.043202016.123002018.082002015.053702017.012802018.091502015.062902017.023202018.101802015.072402017.033002018.111602015.082502017.043602018.121705.2.1时间序列的预处理确定型时序分析方法根据历史数据的变动特征对未来数据进行预测，但无法描述序列中的随机性或偶然性，多进行忽略随机因素后的理想状态描述。随机时间序列模型由确定性趋势和平稳的零均值误差成分构成，对此我们首先进行差分变换再对该序列进行拟合。平稳性检验主要有时序图和自相关检验两种主要检验方法。本文将支持度计数序列按时间排序后进行验证。首先采用时序图进行验证，通过图5-1发现，因极端值干扰，规则的支持度计数序列变化较为模糊，所以应继续采用单位根进行判断。图5-1支持度计数序列时序图Figure5-1Thetimingdiagramofmonthlysupportcounts如表5-4所示，支持度计数序列单位根检验值为-0.859064，而在0.05的显著性水平下其临界值为-1.946549，由于检验的绝对值小于临界值的绝对值，不能拒绝原假设，所以未通过检验，即规则的支持度计数为非平稳时间序列。此外，由于纯随机序列无分析意义，所以需要对数据进行纯随机性检验。在数据挖掘过程中产生的支持度计数序列受风机机组使用寿命、地域季节等相关因素影响，所以为非纯随机序列。
工程硕士专业学位论文38表5-4单位根检验结果Table5-4TheresultsofADFtestt-StatisticProb.*AugmentedDickey-Fullerteststatistic-0.8590640.3396Testcriticalvalues:1%level-2.6154245%level-1.94654910%level-1.6131815.2.2序列平稳化对于本文而言，定向类服务备件的总体特征决定了其受季节影响因素较为明显，所以应考虑应用ARIMA模型的季节乘积模型进行拟合。通过上一节可知规则的支持度计数序列为非平稳时间序列，因此不能直接对支持度计数序列进行建模而应尝试对其进行平稳化操作。如图5-2所示，相关图显示一阶截尾所以可考虑对序列进行一阶差分。同时，在延迟12期时，自相关及偏自相关系数均落在两倍标准差外，所以首先考虑对其进行一阶差分和步长为12的季节差分消除趋势性影响。差分后的支持度计数序列时序图如图5-3所示，差分后的相关图如图5-4所示。结果表明一阶差分变换和季节差分变换提取了线性趋势。为保证结果的准确性可进行再一次验证，单位根检验结果如表5-5所示。图5-2自相关和偏自相关分析图Figure5-2Autocorrelationandpartialautocorrelationanalysis
【参考文献】：
期刊论文
[1]基于传感器集群的仓库运维状态监测系统研究[J]. 王树强,崔万林,郑新浩,王刚,高源. 信息技术. 2020(03)
[2]浅谈RFID技术在仓库管理的应用[J]. 潘信宏. 计算机产品与流通. 2020(02)
[3]海外电站运行维护备品备件管理[J]. 庄宇. 经营与管理. 2020(02)
[4]典型立体仓储系统优势对比分析[J]. 马永敬,孔维荣,周娇娇,马力. 价值工程. 2019(36)
[5]工龄更换策略与备件库存控制联合费用模型[J]. 韩玉成,池阔. 中国科技信息. 2019(19)
[6]基于EML模型的备件库存优化方法[J]. 王莹. 火力与指挥控制. 2019(08)
[7]易燃品仓库群三维移动智慧巡检路径优化[J]. 郭凡,李东,许犇. 西安科技大学学报. 2019(01)
[8]智慧仓库信息系统的设计与研究[J]. 邹美广,张捷,吕明,李辉. 工业控制计算机. 2018(12)
[9]基于遗传算法优化参数SVM的备件需求预测研究[J]. 邱立军,付霖宇,董琪,顾钧元. 兵器装备工程学报. 2018(04)
[10]灰色关联分析的备件分类方法[J]. 曾翔,徐廷学,安进,顾钧元. 现代防御技术. 2018(02)
博士论文
[1]面向慢速流动备件供应有效性的需求预测研究[D]. 魏曦初.大连理工大学 2018
[2]装配型制造企业库存协同优化理论与方法研究[D]. 李双艳.中南大学 2012
[3]企业备件管理若干管理模型及其应用研究[D]. 朱翠玲.中国科学技术大学 2006
硕士论文
[1]基于RFID技术的R.B无锡公司物流管理优化方案设计[D]. 于卫.兰州大学 2019
[2]基于ERP的西藏电力工程项目物资管理系统设计与实现[D]. 曾爱武.电子科技大学 2019
[3]动车组检修备件库存管理优化研究[D]. 乔成珍.中国铁道科学研究院 2019
[4]S汽车公司涂装车间设备维修计划优化与关键备件库存改善研究[D]. 赵济宇.南京航空航天大学 2019
[5]中低层立体仓库管理系统研究[D]. 肖杨.湖北工业大学 2019
[6]基于ABC法的徐州光伏公司备件库存管理优化研究[D]. 陈传卫.兰州理工大学 2019
[7]民爆企业备件管理系统研究[D]. 陆亮英.广西大学 2018
[8]基于供应链的YC公司备件库存管理优化研究[D]. 王仪.云南财经大学 2018
[9]动车组不常用备件的判定以及需求预测研究[D]. 宋铭星.北京交通大学 2017
[10]基于故障预测的自动售票机备件库存管理[D]. 黄燕.重庆交通大学 2017
本文编号：3602303
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3602303.html
