基于Arima模型的制造業生產優化實踐

尹詩斯

摘要：以“中國制造2025”轉型背景下制造業某零部件的生產數據為研究對象，建立ARIMA模型，預測未來生產狀態?；谝陨霞夹g研究結果，進一步探討挖掘結果對于企業管理者進行更科學、更可靠的生產運營決策的輔助支撐作用，以實現企業的降本增效。

關鍵詞：ARIMA模型;生產數據;決策支持

中圖分類號：A 文獻標識碼：A 文章編號：（2021）-31-459

在智能制造背景下，生產車間某智能生產設備的日產量實時受到數據監控，并通過生產管理系統進行存儲。由于生產量受意外停機、換膜時間等諸多因素影響，故建立ARIMA模型，對該生產數據進行分析預測，基于預測結果為企業管理者提供設備生產管理的決策支持。相較于傳統的依據經驗調整節拍，利用已有的生產數據，采取合適的數據分析方法，科學合理的預測未來生產狀態，提高企業生產管理水平，實現降本增效。

本文以制造業某企業某設備日產量生產數據為例，實踐如何從數據分析的角度進行設備維護管理優化。

一、數據背景

數據樣本為某設備至2020年8月1日起日產量數據。由于生產系統具有連續性，故采用ARIMA模型進行該設備產量預測。

二、分析實現過程

1.ARIMA模型介紹

ARIMA模型由Box與Jenkins于上世紀七十年代提出，是一種著名的時間序列預測方法。其含義為：假設一個隨機過程含有d個單位根，其經過d次差分后可以變換為一個平穩的自回歸移動平均過程，則該隨機過程稱為單積（整）自回歸移動平均過程。

2.建模與分析

（1）平穩性檢驗

按照時間順序生成時間序列數據，并通過一次差分及二次差分進行平穩性檢驗，檢驗結果顯示兩次差分并無顯著差異，樣本數據的擬合曲線可以認為保持現有形態在未來延續下去。時間序列具備平穩性。

（2）模型定階

分別調用ACF函數和PACF函數，繪制ACF函數圖和PACF函數圖，以此確認滯后階數。圖1表示ACF函數圖，橫坐標為滯后階數，縱坐標為相關性系數，由圖可以確認0階后，95%的相關系數趨于0，即Arima模型中q定階為0。圖2表示PACF函數圖，橫坐標為滯后階數，縱坐標為偏相關性系數，由圖可以確認6階后，相關系數的衰減趨于零，即Arima模型中p定階為6。

（3）模型擬合

根據模型參數Arima（6，1，1）進行模型擬合，并進行7個工作日數據預測，預測結果如圖3及表1。

（4）殘差診斷

殘差本質上是當一個給定的模型不完全符合給定的觀測值時留下的間距，即觀測值與模型估計值之間的差值。對擬合后的模型進行殘差診斷。輸出結果如圖4從上至下依次為：標準化殘差、殘差的ACF、殘差的Ljung-Box白噪聲檢驗p值。

標準化殘差是殘差除以其標準差后得到的數值。其取值范圍為[-2，2] 。殘差檢驗結果顯示大約95%的標準化殘差都在 -2～2 之間，服從正態分布。

殘差的ACF圖判斷不同的滯后階數下，殘差的是否還具有自相關性。由檢驗結果可知：殘差的ACF圖趨向于0，模型的擬合情況良好。

Ljung-Box檢驗可以檢驗時間序列是否存在自相關性，被用來鑒別白噪聲。由檢驗結果可知：p值大于0.05（橫虛線），即殘差序列為白噪聲序列，模型合適。

綜上所述，殘差檢驗證明模型定階合理，模型合適。

三、結論及建議

分析未來7天的產量數據預測值可知：日產量在未來一周內仍呈現波動趨勢，在第7天達到峰值，第4天回落至谷值。根據預測結果，相應設備生產管理建議如下：

1、計劃性停機等日常維護行為可以依據預測結果，安排至日產量較低的工作日內。

2、根據產量預測軌跡，合理的進行產線節拍調整。

項目基金：項目號：JCD202001 重慶市沙坪壩區科學技術局;XJSK202007 重慶電子工程職業學院校級課題