基于圖像識別和大數據預測的備品備件管理系統

胡玉茹，葛 爽，夏曉毛

（博世汽車部件（長沙）有限公司，長沙 410100）

0 引言

汽車零部件企業的生產制造過程具有自動化、高速化、數字化等特點，生產設備的穩定、高效運行直接影響著產品質量和產品的及時交付。在生產制造過程中，由于生產原料、生產條件、工藝參數、人員操作等因素導致生產設備及部件出現故障損壞，生產制造無法正常持續運行時就需要對生產設備及部件進行修復更換，從而恢復生產制造[1]。備品備件的智能化管理對保證生產設備的穩定運行及快速恢復至關重要。

但是在汽車零部件生產企業的備品備件管理過程中，很多工廠往往都存在如下共性痛點問題。

（1）無法快速地從備件庫找出所需的備件，尤其是當備品備件上的標簽損壞或由于備品備件體積小根本沒有貼標簽時，甚至需要查閱圖紙才能準確定位出所需備件，對備件庫操作人員專業知識要求高，不便捷。對于汽車零部件生產企業而言，備品備件存在品種繁多、數量龐大、通用備件適用范圍廣等特點。生產用戶往往需要拿著損壞的備件到備件庫，然后備件庫操作人員根據備件標簽或憑借個人經驗初步判斷備件及型號，最后基于這些數據再去SAP 中搜索出適合的備件，并取出交付生產用戶。此過程效率很低，尤其是出現集中領用備件的情況下往往需要排隊。針對這種情況，迫切需要一套系統幫助生產用戶和備件庫操作員實現“零基礎”快速識別并領用備件。

（2）往往要到用備件的時候才能發現庫存不足，從而引起長時間停機停線，或者備件一直沒有使用呆滯在備件庫，庫存周轉率低。備件庫操作人員往往根據設定的安全庫存數量進行拉動式采購和庫存管理，即當庫存低于安全庫存時立即進行采購。但是由于安全庫存數量的設定是依據歷史消耗數據和經驗，一旦設定基本不會更新，這就導致當客戶訂單需求波動的情況下，非常容易造成庫存數量過多或過少的問題，要么造成備品備件庫存資金占比過高，要么備品備件供應不及時。同時由于采購過程一般需要較長的交付周期，很多備品備件的交付周期在45～60 天，因此這種簡單依據安全庫存進行采購的方式很容易造成備品備件供應不及時的情況，尤其對于安全庫存為1的備品備件。

（3）無法有效跟蹤核心工藝的關鍵備件信息，例如這些關鍵備件在各個生產線的消耗、庫存和采購統計情況。

（4）備件出入庫管理數據大多是先記錄在紙質excel中[2]，然后交接班前人工轉錄到SAP 中，效率低，庫存更新不及時且易出錯。

針對上述痛點問題，本文應用深度學習、數據分析與預測等技術開發一套支持移動端和電腦端的備品備件管理系統，解決備品備件管理過程中紙質化效率低，無法快速追溯，庫存周轉率低，缺件導致產線停機等問題。

1 系統方案

用戶僅需要通過系統移動端拍照就能快速識別和追蹤備品備件（即使沒有標簽）。通過備件管理流程數字化取代傳統紙質管理模式，通過大數據分析改善庫存周轉率，平衡生產需求[2]。系統流程如圖1所示。

圖1 系統流程

系統技術方案如圖2 所示，其核心包括全生命周期數字化管理、基于圖像識別的備件追溯、庫存大數據分析與預測3個部分。

圖2 系統方案

全生命周期數字化管理主要是對備品備件的采購、收貨、入庫等流程實現數字化管理，并建立基于工藝的備件消耗精準監控，實現十幾種核心工藝關鍵備品備件信息的有效跟蹤[3-4]。基于圖像識別的備件追溯，通過構建Resnet50 殘差神經網絡模型，幫助用戶快速識別備品備件，不再需要查找圖紙或要求用戶具備專業知識。尤其是在備品備件無標簽或標簽損壞的情況下，也能快速識別備品備件。庫存大數據分析與預測根據備品備件的特點，從3 個層次（一般性備件、產量強相關備件、預測性備件）逐步實現安全庫存的優化和總庫存需求的預測，進而實現自動補庫。

2 全生命周期數字化管理

備品備件全生命周期數字化管理涉及采購、收貨、入庫、領料、出庫、移庫、退庫、返修、去功能化、盤點、呆滯備件檢測等過程，如圖3所示。

圖3 全生命周期數字化管理

利用SAP系統、RFID 技術和二維碼技術來實現數字化管理，具體包括以下內容。（1）生產用戶在系統移動端拍照識別備件，加入購物車并發起領料申請。（2）系統根據備件價值自動發起對應的審批流程。（3）審批同意后，領料申請單自動顯示在備件庫管理大屏幕上并語音提示備件庫操作員。（4）備件庫操作員根據申請單信息（備件名稱、備件圖片、庫存數量、庫存位置等信息）準備備件至待領料區域。（5）備件庫操作員準備完畢后系統自動通知申請人，在備件庫待領料區域刷員工卡自助領料。（6）申請人自助領料完成后，通知備件庫操作員掃描系統出庫二維碼，完成SAP 出庫。同時，在出庫過程中自動進行庫存檢測，根據庫存預測和優化模型的結果自動發起采購補庫。收貨時，通過掃描包裝上的采購訂單二維碼，完成SAP 入庫。（7）對于領料出庫的備件，用戶可在24 h 內通過系統發起退庫申請。系統自動發起對應的退庫審批流程，審批同意后自動顯示在備件庫管理大屏幕上并語音提示備件庫操作員。備件庫操作員根據申請單信息，掃碼系統入庫二維碼，完成SAP 入庫。（8）財務在SAP 中發起年度盤點計劃并自動生成盤點清單。根據備品備件自身的特點，系統提供RFID自動感應盤點和人工掃描二維碼盤點2 種方式，盤點結果自動寫入SAP。對于存放于RFID 自動感應盒中約15%備件，系統自動獲取實際庫存數量和庫存位置信息，完成自動盤點。其他備件由于體積、數量等原因無法存放于RFID 自動感應盒中，則需要人工清點，然后通過掃碼槍掃描二維碼完成盤點。（9）對于廢舊備品備件，還可以通過系統提供的返修和去功能化管理流程，通過合規的維修和檢測實現再利用，完成對現有庫存的補充。（10）系統按設定周期和條件自動檢測呆滯備件，并提醒備件庫操作員在SAP中完成對應的轉讓和出售管理[5-7]。

此外，基于過去3 年約12 萬條備品備件消耗數據，系統建立了備品備件與核心工藝的關聯數據庫，結合全生命周期各個環節的數字化管理信息，實現核心工藝備品備件消耗的精準監控。

3 基于深度學習的備件圖像識別

備品備件的圖像識別本質是圖像分類問題。這里采用Resnet50 殘差神經網絡模型來實現備品備件的識別，模型結構如圖4所示。通過深度學習替代人工經驗識別，同時解決無標簽或標簽損壞備件的追溯難題，極大提高備件識別效率。

圖4 Resnet50模型結構

數據集按物料號對備品備件進行標記，分成100類，共計5萬張圖片。其中訓練集包含圖片5萬張（每個分類均500 張圖片），測試集包含圖片1 萬張（每個分類均100張圖片），每一張圖片為224×224的RGB圖片。

通過CAM（Class Activation Mapping）技術對模型訓練過程進行可視化，發現在復雜背景下模型無法正確定位出備件所在的圖像區域，進而沒有正確實現的識別。如圖5 所示，在第一個場景中模型正確定位出了需要識別的備件，但是在后面2 個場景中模型忽略了需要識別的備件而關注了其他區域。針對這種情況，需要對模型訓練參數進一步調優[8-11]。

圖5 CAM特征熱力圖

（1）批次大小batch_size和訓練次數epochs的選取。

采用小批量梯度下降法來進行模型訓練，即從總樣本中選取一個批次（batch），然后計算這個batch 的總誤差，再根據這個誤差來更新權值。這里按照經驗，取批次大小（batch size）分別為8、16、32、64和128進行對比訓練，結果如圖6所示。

圖6 參數batch_size 和epochs的選取

根據訓練效果，當參數Batch_size=16，Epochs=50時模型錯誤率較低，因此這里將訓練集分成3 125 個batch，每個batch有16張圖片，訓練集循環訓練50次。

（2）Dropout率dropout_prob 和全連接層層數layers的選取。

模型訓練時，為了減少過擬合，在全連接層加入Dropout。通過Dropout，在向前傳播的時候，讓某個神經元的激活值以一定的概率p停止工作，這樣可以使模型的泛化性更強，因為它不會太依賴某些局部的特征，防止過擬合[12]。

這 里 按dropout_prob 從0.1、0.2、0.3、0.4、0.5、0.6、0.7，layers 從10、20、30、40、50 的不同組合進行了對比訓練，結果如圖7 所示。從圖中可以看出，當dropout_prob=0.5，layers=30時模型錯誤率最低。

圖7 參數dropout_prob 和layers的選取

模型參數優化后，測試集上運行的平均正確率為0.953 9。同時，再次通過CAM 對測試過程進行可視化，發現模型無法正確定位出備件所在的圖像區域的問題也得到了有效解決，模型可以正確識別出相關備件，如圖8所示。

圖8 優化后CAM特征熱力圖

4 庫存優化與預測

根據備件的特性，分3 個層次實現庫存大數據優化與預測，本文現階段的研究主要針對層次2。

層次1：一般備件，建立備件安全庫存多目標優化模型。

層次2：產量強關聯備件，建立動態相關性模型，實現自動補庫。

層次3：維護性備件，建立備件需求預測模型。針對生產一定數量產品后必須更換的備品備件而言，建立產量預測模型將能有效預測未來的庫存需求[13]。

通過近3 年的歷史數據分析，選取排名前10 的高消耗高價值備品備件作為優化對象，分別為沖筋刀、蝸桿成型刀、精軋機刀、具針嘴，蒙套密封橡膠圈、鉚刀、鎢電極、蒙套罩蓋（短）、蒙套桿（長）、繞線輪[14]。

采用滑動平均和線性回歸方法建立備品備件庫存和產量的動態相關性模型，如下：

式中：y為安全庫存預測值；x為產量需求；? 為模型系數；n為樣本數量；β為模型系數；MSE為均方誤差。

這里以沖筋刀為例，訓練集樣本數量為70 000，以月為優化周期，分別采用一般的線性回歸模型和基于滑動平均的線性回歸模型進行訓練，結果如圖9所示。

圖9 模型比較

通過對比可以發現，采用滑動平均回歸模型可以得到更低的安全庫存值，更加符合低成本的目標。

最終得到基于滑動平均的安全庫存優化模型如下：

5 結束語

通過實施運行，切實地幫助企業提高了備品備件管理效率，降低了運營成本。具體實施成效主要體現在如下幾點：首先，通過備品備件全生命周期流程數字化管理，將備品備件管理效率提高了35%；其次，創新性地將基于深度學習的圖像識別應用于備品備件管理領域，并通過圖像識別的應用，減少了備件查找耗時80%；最后，通過庫存和產量的動態相關性模型實現庫存優化和預測，經過1 年的運行，提升了庫存周轉率25%。

本文介紹的全生命周期數字化管理思路和技術實現手段涵蓋生產制造企業備品備件管理的所有環節，對生產制造企業實現備品備件的數字化閉環管理有一定指導意義。同時，本文提出的通過基于深度學習的備件圖像識別實現備品備件快速追溯的應用研究不僅適用于各行業的備品備件管理領域，也適用于原材料管理領域。此外，本文提出的3 層次庫存優化和預測模型結構以及庫存和產量的動態相關性模型，對于簡單且有效地應用實施備件備件庫存優化具有較高的參考示范價值。