汽车部件企业的生产配置最优规划数学模型设计

侯方博 陶元红

摘 要： 针对以往汽车部件企业在生产配置规划过程中，一直存在建模不准确及配置规划耗时长的问题，提出基于BP神经网络法的汽车部件企业生产配置最优规划数学模型。构建了基于BP神经网络分配的汽车部件企业生产配置最优规划数学模型。在对汽车部件企业生产配置进行批量分析的基础上，对汽车部件企业生产配置进行分配，通过BP神经网络法对汽车部件企业生产配置进行规划，结合企业生产配置的整体生产量，构建汽车部件企业生产配置最优规划数学模型。实验结果表明：采用改进建模方法时，其相比非线性建模方法建模准确率提高约41.91%，相比动态建模方法提高9.31%；在建模耗时方面，改进建模方法相比非线性建模方法缩短约172.2 s，相比动态建模方法缩短约123.9 s，具有一定的优势。

关键词： 汽车部件企业； 生产配置； 数学模型； 最优规划； BP神经网络； 建模方法

中图分类号： TN948.2?34； TP301.6 文献标识码： A 文章编号： 1004?373X（2018）22?0174?04

Abstract： In allusion to the problems of inaccurate modeling and long time?consumption of configuration planning in the production configuration planning process of the past auto parts enterprises， an optimal planning mathematical model based on the BP neural network method is proposed for production configurations of auto parts enterprises. An optimal planning mathematical model based on BP neural network configuration is constructed for production configurations of auto parts enterprises. On the basis of the batch analysis for production configurations of auto parts enterprises， the production configurations of auto parts enterprises are distributed， and planned by using the BP neural network method. The optimal planning mathematical model for production configurations of auto parts enterprises is constructed combining with the whole production quantity for production configurations of enterprises. The experimental results show that， the modeling accuracy rate of the improved modeling method is about 41.91% higher than that of the nonlinear modeling method， and 9.31% higher than that of the dynamic modeling method； the time consumption of the improved modeling method is about 172.2 s shorter than that of the nonlinear modeling method， and about 123.9 s shorter than that of the dynamic modeling method， which has a certain advantage.

Keywords： auto parts enterprise； production configuration； mathematical model； optimal planning； BP neural network； modeling method

0 引 言

近年来，国内汽车制造业随着市场开放程度的提高，汽车部件企业得到了快速发展。随着各种高新技术在汽车部件企业的应用和发展，使汽车部件企业进入了一个新的发展阶段。各汽车部件企业为了更好地满足汽车制造业的需求，不断推出高性能、高灵敏度的汽车部件，同时汽车部件企业的产品研发能力也在不断提高，通过优化生产配置，缩短了生产周期，加快了产品生产速度。

传统优化方法主要以合理人工配置和最佳作业排序为目标建立了数学模型，并设计了递阶启发式搜索算法。其根据组合并联作业结构特性，采用遗传算法优化子层作业的人工配置和作业工，并采用动态规划法决策企业生产配置的最优规划模型，但是该方法存在建模耗时较长，无法准确体现企业生产配置优化结果。

针对上述问题的产生，提出并建立了基于BP神经网络法的汽车企业生产配置最优规划数据模型，并进行实验验证。

1 汽车部件企业生产配置批量分析

生产配置批量分析并不是针对像MRP这样的系统，其主要在假設零件需求分析时使用离散分析，对一定数量生产设备的生产量进行计算，而不像传统批量分析模型那样随平均生产量而变化。

2 汽车部件企业生产配置分配分析

在对汽车部件企业生产配置进行批量分析的基础上，通过混合模型计划确定某段时间里需要完成的生产数量及生产配置使用顺序后，确定每个生产配置对应的生产开始时间和生产结束时间以及提前期，进而确定所需部件生产配置的工作量。

在汽车部件企业的生产流水线上，采用基于生产节拍时间和生产配置层次的安排数量来计算每条生产线的预计生产耗时，并根据预计时间对每个生产配置的预计量进行分析，求出整体生产配置的最优分布顺序。

图2为通过生产配置运行耗时来确定汽车部件企业生产配置分布情况。与传统的分配方法不同，改进方法主要通过运行耗时可以确定汽车部件企业生产配置的确切生产量，根据生产配置的均衡要求，确定对于不同型号部件用哪种生产配置进行生产，在哪个工位上装配何种部件以及每一个时间点的部件需求，得到部件生产配置运行流程如图3所示。

3 汽车部件企业生产配置最优规划数学模型构建

3.1 汽车部件企业生产配置规划分析

汽车部件企业生产配置最优规划主要受到三个因子影响，即产能的限制、生产资源的限制和生产效率的限制。生产配置规划时需对三者同时进行规划，获取三者的交集就是可行的。汽车部件企业生产配置规划因子分析图如图4所示。

汽车部件企业生产配置规划方案的选择与评价是一个多目标问题，分析多目标规划问题的方法有很多，包括：层次分析法、模糊综合评判法、人工神经网络算法和灰色关联度分析法等。在本文中，主要运用BP神经网法对预设的生产配置规划方案进行综合评价。

BP神经网络通过模拟大脑高度的容错性和自我学习进行信息选择，是一个并行分布式存储和运算的方式。它主要由网络拓扑结构和神经元组成，主要的工作原理是：最外面的神经元接受刺激，对其做出反应并把信息传递下去，因此模型通过网络连接，并对不同的刺激根据其权重的不同而做出不同反应，然后计算出偏移量，并进行更正，最后根据输入的激活函数产生最终结果并输出。在整个过程中，神经元是基本处理单元，起着至关重要的作用。

根据上述已建立的评价指标体系和BP网络运行的基本原理，构建汽车部件企业生产配置规划方案评价模型，其建立步骤如图5所示。

3.2 生产配置最优规划数学模型构建

综上所述，在对汽车部件企业生产配置进行批量分析的基础上，对汽车部件企业生产配置进行分配，通过BP神经网络法对汽车部件企业生产配置进行规划，结合企业生产配置的整体生产量，构建汽车部件企业生产配置最优规划数学模型。

4 实验结果分析

为了验证改进模型在对汽车部件企业生产配置规划方面的有效性及可行性，以建模准确率、建模耗时为指标，采用传统非线性法、动态规划法与改进模型为对比进行实验分析，结果如图6、表1所示。

由图6可知，在生产配置量不定的情况下，采用非线性建模方法进行建模时，其建模准确率随着生产配置量的变化逐渐上升，最高达到61.4%，但是在生产配置量为30～50之间，出现准确率上升缓慢卡顿的现象，导致其整体准确率约为46.7%。采用动态建模方法时，其最好建模准确率达到79.3%，虽然其准确率随着生产配置量的增加而逐渐增高，但在生产配置量为70时出现了下降的现象，整体准确率约为68.6%。采用改进建模方法时，其建模准确率随着生产配置量的增加而提高，最高达到95.9%，整体准确率约为88.61%，比非线性建模方法整体建模准确率提高41.91%，比动态建模方法提高9.31%，且未出现下降的趋势，具有一定的优势。

由表1可知，随着生产配置量的增加，采用非线性建模法进行建模分析时，其建模耗时随生产配置量的增加而增加，且在生产配置量为80～90之间尤为显著，耗时约201 s。采用动态建模方法时，其建模耗时随着生产量的增加而增加，约为152.7 s。相比非线性建模方法缩短了48.3 s。采用改进建模方法时，其建模耗时随着生产配置量的增加而增加，约为28.8 s，比非线性建模方法其建模耗时缩短了172.2 s，比动态建模方法其建模耗时缩短约123.9 s，具有一定的优势。

5 结 论

针对汽车部件企业在生产配置规划过程中，使用传统方法建模存在的不准确及配置规划耗时长的问题，提出基于BP神经网络法的汽车部件企业生产配置最优规划数学模型。实验结果表明，采用本文改进建模方法建模准确率较高，建模耗时缩短，具有一定的优势。

参考文献

[1] 张中伟，唐任仲，陶俐言.非线性工艺规划的资源优化配置[J].计算机集成制造系统，2016，22（2）：516?528.

ZHANG Zhongwei， TANG Renzhong， TAO Liyan. Optimal allocation of nonlinear process planning resources [J]. Computer integrated manufacturing systems， 2016， 22（2）： 516?528.

[2] 李嘉逸，张宏刚，夏雪，等.市内电动汽车快速充电设施的最优规划[J].电力建设，2017，38（1）：17?22.

LI Jiayi， ZHANG Honggang， XIA Xue， et al. Optimal Planning of electric vehicle fast charging facilities in urban areas [J]. Electric power construction， 2017， 38（1）： 17?22.

[3] 林峰.所有制类型与创新能力差异的测度比较：基于中国汽车零部件及配件制造业上市公司的微观数据[J].科技管理研究，2017，37（2）：1?6.

LIN Feng. The comparison and measurement of innovation ability among different ownership types based on the listed companies′ micro data of Chinese auto parts and accessories manufacturing [J]. Science and technology management research， 2017， 37（2）： 1?6.

[4] 朱伟.基于工时优化的柔性生产人员配置模型及算法[J].数学的实践与认识，2017，47（23）：34?43.

ZHU Wei. Local Model and algorithm of staff allocation for flexible production based on worktime optimization [J]. Mathematics in practice and theory， 2017， 47（23）： 34?43.

[5] 刘云飞，赵磊，朱道立.出口汽车零部件集货运输问题的双层遗传算法[J].计算机集成制造系统，2016，22（9）：2227?2234.

LIU Yunfei， ZHAO Lei， ZHU Daoli. Two?level genetic algorithm for consolidated transportation problem of exporting auto?parts [J]. Computer integrated manufacturing systems， 2016， 22（9）： 2227?2234.

[6] 赵书强，李志伟，党磊.基于城市交通网络信息的电动汽车充电站最优选址和定容[J].电力自动化设备，2016，36（10）：8?15.

ZHAO Shuqiang， LI Zhiwei， DANG Lei. Optimal EV charging station siting and sizing based on urban traffic network information [J]. Electric power automation equipment， 2016， 36（10）： 8?15.

[7] 张晓玲，贝绍轶，汪伟，等.基于动态规划的增程式电动汽车优化控制[J].现代制造工程，2016（10）：30?35.

ZHANG Xiaoling， BEI Shaoyi， WANG Wei， et al. Optimal control strategy of the extended?range electric vehicle based on dynamic programming [J]. Modern manufacturing engineering， 2016（10）： 30?35.

[8] 赵放，薛乔.FDI对中国汽车零部件产业的关联溢出效应研究：基于中国汽车工业面板数据的经验分析[J].工业技术经济，2017，36（5）：21?29.

ZHAO Fang， XUE Qiao. FDI spillovers effect on China automotive parts industry： empirical analysis based on panel data of China auto industry [J]. Industrial technology & economy， 2017， 36（5）： 21?29.

[9] 刘浩华.新能源汽车关键零部件动力电池供应风险识别与评估研究[J].科技管理研究，2016，36（24）：189?195.

LIU Haohua. Study on supply risk identification and assessment of the critical power batteries in NEVs [J]. Science and technology management research， 2016， 36（24）： 189?195.

[10] 汪守霞，汪张林.基于专利信息的新能源汽车及驱动电机发展現状分析[J].中国科技论坛，2016（4）：63?69.

WANG Shouxia， WANG Zhanglin. The present condition of drive motor for new energy vehicles based on patent information [J]. Forum on science and technology in China， 2016（4）： 63?69.

[11] 刘明明，刘志红.基于小型PLC的有轨小车寻线高精度控制数学模型设计[J].现代电子技术，2017，40（13）：144?147.

LIU Mingming， LIU Zhihong. Design of high?precision control mathematical model for rail guided vehicle line tracking based on small PLC [J]. Modern electronics technique， 2017， 40（13）： 144?147.