面向卷煙柔性分揀系統包裝材料預測

文/單正軍 楊德順 牟明杰 李星

煙草經濟是我國重要的實體經濟，市場海量的煙草流通離不開日益發展的先進包裝技術，本文以卷煙的柔性分揀系統為基礎，通過現場考察等方式，得出目前W市煙草物流分揀中心卷煙包裝薄膜耗用情況，并基于理論計算用量與實際用量之比，得出卷煙包裝薄膜損耗系數。考慮采用柔性分揀系統前后的人、機、法、環中的各自影響因素，利用AHP層次分析法求得各因素所占權重，并利用BP神經網絡進行條煙包裝消耗包裝膜用量損耗系數進行預測，從而幫助企業進行合理的資源把控。

0.引言。

根據國家局、省、市局（公司）要求，加強物流中心生產環節成本控制，降低物流生產成本是物流管理的核心，也是物流管理考核的重要指標[1]。煙草物流是煙草行業重要的組成部分，目前，煙草的快速流通依靠由包裝機利用包裝薄膜對分揀好的條煙進行包裝塑膜，龐大的煙草市場需求下，包裝薄膜的用量居高不下，其成本也成為了煙草物流成本中較大的組成部分[1]。在卷煙包裝薄膜消耗影響因素方面，楊光露等[2]認為靜電對于卷煙包裝材料消耗影響較大，并采取了措施，有效消除了包裝過程中的靜電產生，提高了設備生產效率。在用量預測研究方面，梁金鳳等[3]利用邏輯斯蒂原理，并基于月用氣量變化分布曲線函數建立了城市月用氣量預測模型。為應對環境逐漸惡化，鄧澤培等[4]利用ARMA模型和回歸模型對農藥用量進行了預測，在模型建立的基礎上，對殘差序列進行ARMA模型處理并調整，建立了農藥用量與時間之間的回歸模型，分析了殘差序列是否為白噪聲，并對非白噪聲及逆行ARMA模型建立。目前W市煙草企業采用了柔性分揀系統，在人員管理、機器設備管理、原料管理等方面都進行了相應改善，以上因素皆對卷煙的物流過程有所影響，從而影響包裝材料的用量，本文研究立足于柔性分揀系統下的諸多因素改善，從而對后期卷煙包裝材料用量損耗系數進行合理預測。綜上所述，目前對于煙草流通過程中對于包裝膜消耗影響因素已有一定的研究，但在各因素下對實際消耗產生的具體影響情況方向稍顯不足，在預測方面較為成熟，預測模型多樣化，基于此，本文通過實地調查、問卷調查、專家打分等方式，對影響包裝薄膜用量的因素進行了重新分析，利用BP神經網絡進行了未來卷煙包裝薄膜用量預測。

1.卷煙包裝薄膜損耗影響因素分析。

層次分析法（AHP）是美國運籌學家薩蒂于上世紀70年代初，為美國國防部研究“根據各個工業部門對國家福利的貢獻大小而進行電力分配”課題時，應用網絡系統理論和多目標綜合評價方法，提出的一種層次權重決策分析方法[5]。

1.1 AHP模型。AHP模型的建立主要包括以下三點：1、建立層次結構模型；2、構造成對比矩陣；3、層次單排序及一致性檢驗[6]。AHP法把影響卷煙包裝薄膜損耗情況的所選因素看作是一個完整的系統，通過分解、對比、綜合的思路對卷煙包裝薄膜損耗問題進行分析和決策。步驟如下：第一步，建立遞階層次結構模型。根據W市卷煙物流配送中心影響卷煙包裝薄膜損耗影響因素之間的相互關系，建立遞階層次結構模型，分解讓問題層次化，條理性更強。第二步，構造判斷矩陣。AHP需要的信息基礎就是：對每一層次中包含的因素重要性做出判斷，然后用數值的形式表達出來，再形成判斷矩陣。第三步，層次單排序以及一致性檢驗。在上層某個因素中，本層和其相關聯的因素的重要性權值，下層因素對上層因素的相對重要性的關鍵。該過程就是特征向量和判斷矩陣的特征值。第四步：進行一致性檢驗。查表得出一致性檢驗系數，通過計算一致性判斷公式，求一致性比例。當一致性比例小于0.1時，矩陣一致性檢驗才合格，否則調整判斷矩陣的取值。根據W市煙草物流中心實際工作流程，并通過工作人員問卷調查，結合現有數據，得出目前影響W市煙草物流中心包裝薄膜用量的因素，進行整理后分為人、機、法、環四個因素。

1.2 AHP模型求解。構造由“人”“機”“法”“環”四個因素的對比矩陣，從層次結構模型的第2層開始，對于從屬于（或影響）上一層每個因素的同一層諸因素，用成對比較法和1—9比較尺度構造成對比較陣，直到最下層[7]。為了使判斷定量化，AHP法采用1-9標度方法，對不同情況的評比給予數量尺度。兩兩比較，標度1，表示前者與后者具有同樣重要；標度9表示前者比后者極端重要。初始重要程度判斷矩陣如下表1-1所示。

表1 -1初始因素重要程度矩陣

表1-1顯示，在初始重要程度判斷矩陣下，“人”和“機”因素是影響包裝薄膜用量的較為重要因素，“環”與“法”因素的影響程度相當。利用Mpai數據分析軟件，得出如下層次分析結果，如表1-2所示。

表1 -2 層次分析結果

根據表1-2，可以得出“人”因素權重得分為0.1797。“環”的權重得分為0.0695，“法”因素的權重得分為0.0776，“機”因素的權重得分為0.6732。成分分析的計算結果顯示，最大特征根為4.2301，根據RI表查到對應的RI值為0.89，因此CR=CI/RI=0.0862＜0.1，通過一致性檢驗。綜上所述，影響卷煙消耗包裝薄膜用量的因素較多，其中主因素中的“機”因素權重達到0.6732，對于結果影響最大。“法”和“環”因素權重均不足0.1，對結果有一定影響，但是影響不明顯。

2.卷煙包裝薄膜損耗系數預測

2.1 W市卷煙物流分揀中心歷史包裝薄膜損耗系數計算。根據實際調研走訪，得到W市2020年7月24個工作日的卷煙薄膜消耗實際用量；根據每天實銷訂單構成及數量，計算得出每天理論用量。利用當天理論用量（L）/當天實際用量（S）得出卷煙包裝薄膜實際效用系數Q。

根據上式中求得的效用系數，可以在僅知道訂單的情況下，估算當日所需包裝膜用量，根據上式求得W市七月每天的包裝薄膜效用系數。

2.2 W市卷煙物流分揀中心包裝薄膜損耗系數預測。使用神經網絡對W市卷煙包裝薄膜效用系數進行預測，可定量的影響因素直接進行加權得分統計，定性信息采用分級得分，轉換為定量數據作為模型輸入[5]。利用2020年7月W市物流運作過程中卷煙包裝薄膜效用系數情況為輸入數據，對接下來采用柔性系統后的W市卷煙物流進行卷煙包裝薄膜效用系數預測。

表2-2顯示了在人、機、法、環四個因素共同影響下，2020年7月24個工作日的包裝薄膜實際用量與理論用量的效益比，物流中心每日卷煙分揀量巨大，不可能完全基于準確的量化數據得出卷煙包裝膜利用效益，本方法充分挖掘在四項因素影響下對于最終實際產生的包裝膜實際用量與理論用量比例系數規律，MATLAB計算得出每天在四項因素影響下的卷煙物流配送中心所使用的包裝膜耗用系數，并采用萊文貝格-馬夸特方法能提供數非線性最小化（局部最小）的數值解[9]。并最終形成一套神經網絡預測模型，以完成對于后期因素變動情況下的包裝薄膜耗用系數預測。

表2 -1 W市7月工作日卷煙包裝薄膜效用系數

表2 -2歷史包裝薄膜消耗情況

由圖2-3可知，Gradient為梯度下降法的函數；Validation Checks=5 echo，預測系統判斷在5次檢驗后是上升或者下降，如果不下降或者甚至上升，說明Training set訓練的誤差已經不再減小，沒有更好的效果了，這時再訓練就沒必要了就停止訓練，At epoch 5代表此次訓練一共訓練了5次才結束。

圖2 -3 神經網絡訓練各階段圖像

圖2 -4訓練集、驗證集、測試集和總體的均方誤差隨訓練次數的變化圖像

圖2-4中小圓圈的位置代表終止的訓練次數處的均方誤差，由于樣本量較少，所以遂模型訓練三次既結束，藍色折線代表BP訓練過程的MSE指標在每一代中的表現，總體呈現先下降最后趨于平穩的趨勢；隨訓練次數的增加訓練集、驗證集、測試集和總體的均方誤差均趨于平穩。

圖2 -5驗證集、訓練集擬合優度

由圖2-5驗證集、訓練集擬合優度圖可知，訓練樣本的擬合優度為98.94%，測試集的擬合優度為98.70%，結果證明神經網絡訓練效果較為優秀，可以用以參考并應用。

3.地市卷煙物流配送中心卷煙包裝薄膜消耗計算公式

地市卷煙物流配送中心卷煙包裝薄膜消耗計算公式為：Si=

其中，為第i天實際需求卷煙包裝膜用量；為當天到達分揀訂單后僅由訂單數量及結構計算得出的單位卷煙包裝膜需求量，為第i天在四個因素影響下由BP神經網絡預測得出的卷煙包裝薄膜消耗效用系數，為當天卷煙實際需求分揀箱數，由此預測出第i天卷煙分揀中心實際所需卷煙薄膜消耗量。

4.結論

綜上所述，文章基于“人”“機”“環”“法”四個因素入手，利用AHP層次分析法分別得出4個因素對于卷煙消耗包裝薄膜消耗影響情況，求出各自對結果影響的權重，其中，“人”與“機”因素所占權重較高，對最終結果影響較大。基于所得權重，文章采用了W市2020年7月的每個工作日的卷煙消耗包裝薄膜數據，根據歷史數據輸入以及配送中心采用柔性分揀后的因素得分改變，利用BP神經網路得出包裝薄膜消耗效用系數預測。從神經網絡模型表現來看，數據量較少導致迭代次數少，準確度相對較低，為實驗不足之處。其次，本文僅針對于當前小環境下供以卷煙包裝環節做大體物料消耗預測，針對訂單結構等相關影響因素的研究應為后期研究的方向。從預測數據來看，基于柔性分揀的系統對于卷煙包裝薄膜消耗效用系數有一定影響，但隨時間推移，卷煙消耗薄膜效用系數有所下降，因此企業應抓住關鍵點，進行專項措施的改革，從而減少相關物料消耗，實現企業降本增效的遠大目標。

引用出處

[1]馮培貞.如何降低煙草商業物流卷煙包裝單箱薄膜消耗[J].科技與企業,2015(11):59.

[2]楊光露,王廣勝,房華.靜電對超高速卷煙包裝機薄膜包裝效果的影響及消除方法研究[J].機械制造,2019,57(01):52-54.

[3]梁金鳳,郭開華,皇甫立霞.城市天然氣月用量的預測方法[J].化工學報,2015,66(S2):392-398

[4]鄧澤培,趙凌.ARMA模型與回歸模型在農藥用量預測中的應用[J].中國農學通報,2014,30(31):304-307.

[5]梁孌.AHP在高職院校新辦專業評估指標體系中的運用[J].太原城市職業技術學院學報,2018(12):4-7.

[6]董鳴皋.基于多指標決策的循環經濟發展水平綜合評價方法——以陜西省為例[J].干旱區資源與環境,2014,28(03):11-16.

[7]楊帆.基于二元語義層次分析法的智力資本價值測評[J].軟科學,2010,24(05):42-45.

[8]虞博翔,楊金云.大數據下交通事故影響因素分析及預測[J].電子元器件與信息技術,2021,5(05):61-63.

[9]陳龍,陳婷,袁瑩靜,周芷儀,謝鵬輝.基于BP神經網絡的人民幣識別方法研究[J].軟件,2020,41(02):131-133.