用于新能源汽车仓储优化方法及设备

技术领域

本发明涉及一种用于新能源汽车仓储优化方法及设备。

背景技术

新能源汽车制造行业由于其生产工艺和过程和传统汽车行业的区别，其核心管理的仓储优化问题，目前已成为企业运营成本的重要组成。

发明内容

本发明的一个目的是提供一种用于新能源汽车仓储优化方法及设备。

根据本发明的一个方面，提供了一种用于新能源汽车仓储优化方法，该方法包括：

获取新能源汽车的生产信息和新能源汽车的配件的仓储信息，基于所述生产信息和仓储信息优化对象模型；基于优化后的对象模型，得到优化后的对象输出，其中，所述优化后的对象输出，包括：初步确定需要采购新能源汽车的配件的采购时间段；

获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息，基于所述供应商信息和物流环境信息优化约束模型；基于优化后的约束模型；基于优化后的约束模型，得到优化后的约束输出，其中，所述优化后的约束输出，包括：某个时间段内电新能源汽车的配件的实际到货数量；

确定仓储优化模型的优化目标和收敛限制条件；基于所述仓储优化模型的优化目标和收敛限制条件，并将所述优化后的对象输出、优化后的约束输出输入所述仓储优化模型进行计算，以得到各配件的总库存成本最优的仓储决策方案。

进一步的，上述方法中，获取新能源汽车的生产信息和新能源汽车的配件的仓储信息，基于所述生产信息和仓储信息优化对象模型，包括：

获取新能源汽车的生产信息和新能源汽车的配件的仓储信息；

基于新能源汽车的生产信息得到对应的生产输入，所述生产输入，包括：新能源汽车的订单交期、配件生产所需的时间及其数量和工艺工时；

基于新能源汽车的配件的仓储信息得到对应的仓储输入，所述仓储输入，包括：配件的现有库存量和在途库存；

基于所述生产输入和仓储输入优化对象模型。

进一步的，上述方法中，获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息，基于所述供应商信息和物流环境信息优化约束模型，包括：

获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息；

基于供应商信息得到对应的供应商输入，包括：配件的供应商的平均交期、供应商交付数量、备选供应商交期、备选供应商交付数量和配件运输时间；

基于物流环境信息得到对应的环境输入，包括：供应商位置、配件的运输路径、运输路径的运输时间、配件的备选运输路径和备选运输路径运输时间；

基于所述供应商输入和环境输入优化约束模型。

进一步的，上述方法中，所述仓储优化模型，如下：

C

其中：C

进一步的，上述方法中，所述仓储优化模型的优化目标，包括：库存成本最小、生产订单延时数量最小和生产订单延时总时间最小。

进一步的，上述方法中，所述对象模型，如下：

X

其中：X

进一步的，上述方法中，所述约束模型，如下：

其中：A

根据本发明的另一方面，还提供一种用于新能源汽车仓储优化设备，其中，包括：

第一装置，用于获取新能源汽车的生产信息和新能源汽车的配件的仓储信息，基于所述生产信息和仓储信息优化对象模型；基于优化后的对象模型，得到优化后的对象输出，其中，所述优化后的对象输出，包括：初步确定需要采购新能源汽车的配件的采购时间段；

第二装置，用于获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息，基于所述供应商信息和物流环境信息优化约束模型；基于优化后的约束模型；基于优化后的约束模型，得到优化后的约束输出，其中，所述优化后的约束输出，包括：某个时间段内电新能源汽车的配件的实际到货数量；

第三装置，用于确定仓储优化模型的优化目标和收敛限制条件；基于所述仓储优化模型的优化目标和收敛限制条件，并将所述优化后的对象输出、优化后的约束输出输入所述仓储优化模型进行计算，以得到各配件的总库存成本最优的仓储决策方案。

根据本发明的另一方面，还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以上述任一项所述的方法。

根据本发明的另一方面，还提供一种用于在网络设备端信息处理的设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行上述任一项所述的方法。

与现有技术相比，本发明通过基于优化后的对象模型，得到优化后的对象输出，其中，所述优化后的对象输出，包括：确定要或不要采购新能源汽车的配件，及若确定要采购新能源汽车的配件，则确定采购时间；基于所述供应商信息和环境信息优化约束模型；基于优化后的约束模型；基于优化后的约束模型，得到优化后的约束输出，其中，所述优化后的约束输出，包括：新能源汽车的配件的到货时间；基于所述仓储优化模型的优化目标和收敛限制条件，并将所述优化后的对象输出、优化后的约束输出输入所述仓储优化模型进行计算，以得到各配件的总库存成本最优的仓储决策方案，可以基于优化后的对象输出、优化后的约束输出驱动仓储优化，后续可以仓储决策方案调整生产决策，以实现在保证生产目标条件下，各部件总体库存成本最优。提升新能源汽车的配件仓储优化的效率。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1示出根据本发明一实施例的用于新能源汽车仓储优化方法的原理图。

附图中相同或相似的附图标记代表相同或相似的部件。

具体实施方式

下面结合附图对本发明作进一步详细描述。

在本申请一个典型的配置中，终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

如图1所示，本发明提供一种用于新能源汽车仓储优化方法,包括：

步骤S1，获取新能源汽车的生产信息和新能源汽车的配件的仓储信息，基于所述生产信息和仓储信息优化对象模型；基于优化后的对象模型，得到优化后的对象输出，其中，所述优化后的对象输出，包括：初步确定需要采购新能源汽车的配件的采购时间段；

在此，生产信息是基于新能源汽车的销售订单的企业生产管理所需的制造新能源汽车的相关数据，如：新能源汽车的生产订单、BOM信息、工艺信息等；

仓储信息是基于新能源汽车的销售订单的企业生产管理所需的配件的库存相关数据，如：电池、电机、芯片等的现有库存量、部件在途数量、已计划数量等。由于新能源汽车企业相较于传统汽车企业的控制系统更多采用电力电子部件，所需管理的库存种类数据量增加。

由于各配件均可作为仓储对象进行管理，因此需要选定一个或者多个仓储对象参与优化对象模型，如电池、监测芯片等。

可以对所获取的影响因素进行深入分析以获取模型核心数据输入时间范围，如：

●生产信息的近三个月数据；

●仓储信息的近一年数据。

步骤S2，获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息，基于所述供应商信息和物流环境信息优化约束模型；基于优化后的约束模型；基于优化后的约束模型，得到优化后的约束输出，其中，所述优化后的约束输出，包括：某个时间段内电新能源汽车的配件的实际到货数量；

在此，供应商信息是基于新能源汽车的销售订单的企业生产管理所需的采购配件的相关数据，如：配件的供应商交货周期，配件的供应商位置等。由于新能源汽车企业相较于传统汽车企业的建立较晚，供应链系统存在更多的脆弱环节，如：芯片配件产能不足等。

环境信息是基于新能源汽车的销售订单的企业生产管理所需的配件的物流相关数据，如：运输路径、区域信息等。由于近年来供应链环境存在不确定性，如：通关延迟等。新能源汽车企业的仓储需要将其作为重要因素管理。

步骤S3，确定仓储优化模型的优化目标和收敛限制条件；基于所述仓储优化模型的优化目标和收敛限制条件，并将所述优化后的对象输出、优化后的约束输出输入所述仓储优化模型进行计算，以得到各配件的总库存成本最优的仓储决策方案。

在此，本发明通过基于优化后的对象模型，得到优化后的对象输出，其中，所述优化后的对象输出，包括：确定要或不要采购新能源汽车的配件，及若确定要采购新能源汽车的配件，则确定采购时间；基于所述供应商信息和环境信息优化约束模型；基于优化后的约束模型；基于优化后的约束模型，得到优化后的约束输出，其中，所述优化后的约束输出，包括：新能源汽车的配件的到货时间；基于所述仓储优化模型的优化目标和收敛限制条件，并将所述优化后的对象输出、优化后的约束输出输入所述仓储优化模型进行计算，以得到各配件的总库存成本最优的仓储决策方案，可以基于优化后的对象输出、优化后的约束输出驱动仓储优化，后续可以仓储决策方案调整生产决策，以实现在保证生产目标条件下，各部件总体库存成本最优。提升新能源汽车的配件仓储优化的效率。

本发明的用于新能源汽车仓储优化方法一实施例中，步骤S1，获取新能源汽车的生产信息和新能源汽车的配件的仓储信息，基于所述生产信息和仓储信息优化对象模型，包括：

步骤S11，获取新能源汽车的生产信息和新能源汽车的配件的仓储信息；

步骤S12，基于新能源汽车的生产信息得到对应的生产输入，所述生产输入，包括：新能源汽车的订单交期、配件生产所需的时间及其数量和工艺工时；

在此，生产输入是对生产信息的数据进行采集和分析，形成输入信息，如：新能源汽车的订单交期、配件生产所需的时间及其数量、工艺工时等；

可以进行数据过滤，删除噪声数据和无效数据，如某一区域的现象级(极大数值的数据)；进行数据补全，根据数据趋势补充缺失点的数据，如某一区域的现象级(极小数值的数据)，以得到对应的生产输入；

步骤S13，基于新能源汽车的配件的仓储信息得到对应的仓储输入，所述仓储输入，包括：配件的现有库存量和在途库存；

在此，仓储输入是对仓储信息的数据进行采集和分析，形成输入信息，如：配件的现有库存量、在途库存等。

可以进行数据过滤，删除噪声数据和无效数据，如某一区域的现象级(极大数值的数据)；进行数据补全，根据数据趋势补充缺失点的数据，如某一区域的现象级(极小数值的数据)，以得到对应的仓储输入；

步骤S14，基于所述生产输入和仓储输入优化对象模型。

在此，本实施例通过对生产信息进一步分析得到对应的生产输入，及对仓储信息进一步分析得到对应的仓储输入，生产输入和仓储输入如：各配件生产所需的时间及其数量，各配件已有的仓储数量和周期；优化后的对象输出后续作为仓储优化模型求解的输入，可以提高后续后续仓储优化模型计算的效率和准确率。

本发明的用于新能源汽车仓储优化方法一实施例中，步骤S2，获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息，基于所述供应商信息和物流环境信息优化约束模型，包括：

步骤S21，获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息；

步骤S22，基于供应商信息得到对应的供应商输入，包括：配件的供应商的平均交期、供应商交付数量、备选供应商交期、备选供应商交付数量和配件运输时间；

在此，供应商输入是对采购信息的数据进行采集和分析，形成输入信息，如：配件的供应商平均交期、数量和配件运输时间等。

可以进行数据过滤，删除噪声数据和无效数据，如某一区域的现象级(极大数值的数据)；进行数据补全，根据数据趋势补充缺失点的数据，如某一区域的现象级(极小数值的数据)，以得到对应的供应商输入；

步骤S23，基于物流环境信息得到对应的环境输入，包括：供应商位置、配件的运输路径、运输路径的运输时间、配件的备选运输路径和备选运输路径运输时间；

在此，环境输入是对物流信息的数据进行采集和分析，形成输入信息，如：配件的运输路径限制、可替代路径运输时间等；

可以进行数据过滤，删除噪声数据和无效数据，如某一区域的现象级(极大数值的数据)；进行数据补全，根据数据趋势补充缺失点的数据，如某一区域的现象级(极小数值的数据)，以得到对应的环境输入；

步骤S24，基于所述供应商输入和环境输入优化约束模型。

在此，本实施例通过基于供应商信息得到对应的供应商输入，基于物流环境信息得到对应的环境输入，得到优化后的约束输出，优化后的约束输出后续可以作为仓储优化模型求解的输入，可以提高后续后续仓储优化模型计算的效率和准确率。

本发明的用于新能源汽车仓储优化方法一实施例中，所述仓储优化模型，如下：

C

其中：C

在此，可以设置仓储优化模型的优化目标，如：库存成本最小、生产订单延时数量最小、生产订单延时总时间最小等；

设置收敛限制是，模型求解不存在绝对最优，只存在相对最优，因此需要设置模型求解限制。如：模型运行60分钟、100次迭代无其他更优解等。

本发明的用于新能源汽车仓储优化方法一实施例中，所述对象模型，

如下：X

其中：X

例如，以模型对象为监测芯片为例，对象模型可以设置为：X

其中：X

具体的，对象模型的神经网络输入层：输入为已经预处理后的模型数据。如：监测芯片优化模型为生产订单、监测芯片BOM数量、监测芯片工艺时间、监测芯片库存、在途、计划数量。

对象模型的神经网路隐藏层：隐层的层数确定。由于在闭区间内的一个连续函数都可以用一个隐层的网络来逼近。本发明采用基本的三层的网络可以完成任意M维到N维的映射。隐层单元数的选择。本发明基于满足误差和隐单元的上下限要求，迭代次数最小为指标，确定隐单元数。如：监测芯片对象模型M为4，N为1。

对象模型的神经网络输出层。神经网络将输输出一组参数数据。如：监测芯片优化模型为X

模型输出分析时，可以通过比较预期数据与对象模型的输出结果，确定对象模型的合理性。如：通过前半年数据训练后的得到模型时间点预测输出与该时间点实际数据比较分析，可以根据分析结果调整对象模型的神经网络模型的隐藏层，重新选取对象模型的训练数据，以优化对象模型的输出结果。

本发明的用于新能源汽车仓储优化方法一实施例中，所述约束模型，如下：

其中：A

在此，由于各部件均可作为仓储对象进行管理，因此需要选定一个或者多个仓储对象参与优化约束模型，如电池、监测芯片等。

可以对所获取的影响因素进行深入分析以获取模型的核心数据选项，如：供应商信息的中备选选项的权重等，物流环境信息的中备选信息的权重等。

以模型对象为监测芯片为例，约束模型的神经网络模型可以设置为：

其中：A

约束模型的神经网络输入层：参数为已经预处理后的供应商输入和环境。约束模型的神经网路隐藏层：隐层的层数确定。由于在闭区间内的一个连续函数都可以用一个隐层的网络来逼近。本发明采用基本的三层的网络可以完成任意M维到N维的映射。隐层单元数的选择。本发明基于满足误差和隐单元的上下限要求，迭代次数最小为指标，确定隐单元数。如：监测芯片约束模型M为所有可选供应商数量，N为1。

约束模型的神经网络输出层。神经网络将输出一组参数数据。监测芯片限制模型为A

根据本发明的另一方面，还提供一种用于新能源汽车仓储优化设备，其中，包括：

第一装置，用于获取新能源汽车的生产信息和新能源汽车的配件的仓储信息，基于所述生产信息和仓储信息优化对象模型；基于优化后的对象模型，得到优化后的对象输出，其中，所述优化后的对象输出，包括：初步确定需要采购新能源汽车的配件的采购时间段；

第二装置，用于获取新能源汽车的配件的供应商信息和影响新能源汽车的配件的物流环境信息，基于所述供应商信息和物流环境信息优化约束模型；基于优化后的约束模型；基于优化后的约束模型，得到优化后的约束输出，其中，所述优化后的约束输出，包括：某个时间段内电新能源汽车的配件的实际到货数量；

第三装置，用于确定仓储优化模型的优化目标和收敛限制条件；基于所述仓储优化模型的优化目标和收敛限制条件，并将所述优化后的对象输出、优化后的约束输出输入所述仓储优化模型进行计算，以得到各配件的总库存成本最优的仓储决策方案。

根据本发明的另一方面，还提供一种计算机可读介质，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以上述任一项所述的方法。

根据本发明的另一方面，还提供一种用于在网络设备端信息处理的设备，该设备包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该设备执行上述任一项所述的方法。

本发明各设备实施例的详细内容具体可参见各方法实施例的对应部分，在此，不再赘述。

显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。

需要注意的是，本发明可在软件和/或软件与硬件的组合体中被实施，例如，可采用专用集成电路(ASIC)、通用目的计算机或任何其他类似硬件设备来实现。在一个实施例中，本发明的软件程序可以通过处理器执行以实现上文所述步骤或功能。同样地，本发明的软件程序(包括相关的数据结构)可以被存储到计算机可读记录介质中，例如，RAM存储器，磁或光驱动器或软磁盘及类似设备。另外，本发明的一些步骤或功能可采用硬件来实现，例如，作为与处理器配合从而执行各个步骤或功能的电路。

另外，本发明的一部分可被应用为计算机程序产品，例如计算机程序指令，当其被计算机执行时，通过该计算机的操作，可以调用或提供根据本发明的方法和/或技术方案。而调用本发明的方法的程序指令，可能被存储在固定的或可移动的记录介质中，和/或通过广播或其他信号承载媒体中的数据流而被传输，和/或被存储在根据所述程序指令运行的计算机设备的工作存储器中。在此，根据本发明的一个实施例包括一个装置，该装置包括用于存储计算机程序指令的存储器和用于执行程序指令的处理器，其中，当该计算机程序指令被该处理器执行时，触发该装置运行基于前述根据本发明的多个实施例的方法和/或技术方案。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一，第二等词语用来表示名称，而并不表示任何特定的顺序。