供应链智能维护系统中风险特征提取问题研究

本资料包含pdf文件1个，下载需要1积分

在经济全球化的今天，供应链系统变得 13趋庞大，供应链管理已经不再是传统的人工操作所能胜任的，供应链风险也随着 日益复杂多变的市撤境而变得复杂。运用预防性的风险控制技术将风险的控制从传统的事后纠正发展为事前预防已成为众多学者研究的问题。西安理工大学的朱宗乾、罗阿维等人采用FMEA方法针对ERP项目提出了风险的定量分析方法”1；重庆大学的李万楷等人提出用供应链智能维护系统对多品种小批量制造型企业存在的各种问题进行控制 ；南京理工大学的周三玲提出运用多Agent系统对供应链进行智能维护的构想 。以上研究分别从不同的角度针对复杂的供应链风险控制问题，提出了-些解决方法 ，但若想用智能的手段，真正对供应链风险进行有效的控制，还需要进-步的研究。对此，国外学者对于用智能手段控制供应链风险的研究相对更加深入。2001年美国成立了智能维护控制中心，在那之后，Jay Lee等教授-直致力于智能维护系统理论方法与应用的研究，并提出了以设备性能衰减分析为核， 的预测技术 。但这些研究成果并不曾涉及过供应链领域。2010年，Hokey Min提出将人工智能运用在供应链管理中的构想，并阐述了相关算法在供应链智能化管理及风险的智能化控制中所起到的作用 。Sri Krishna Kumar等人对用智能算法减少供应链管理中的嵌入式风险问题进行了研究 ，所提供的方法对于供应链的智能维护起到了很大的推动作用 ，可见 ，运用智能化的手段实现风险的事前预测已受到学术界的广泛关注。智能维护系统(rMS)具备对于复杂多变环境的快速反应和控制能力，以及定性决策与定量控制相结合的特点 ，因此在诸多领域得到广泛应用。尤其在机器设备故障的诊断与维护上，得到了成功的应用。供应链风险和机器故障存在着诸多的相似性，供应链和机器同样强调运行的稳定性 、可靠性和低成本 ，对于风险和故障的处理方式也基本是类似的，数据收集-特征提取-故障诊断-评估决策-维护报告生成 ，因此针对供应链风险的问题，参考机器设备故障维护的方法运用智能维护系统也可以对供应链风险进行有效的预测、评估和维护。

特征提取问题是智能维护系统的-项核心内容，不管是机器故障还是供应链风险，都是伴随在系统运行的过程中随时可能出现的，同样的在它们被触发之前也都会有相应的风险特征。然而系统运行时所能搜集到的数据是纷繁复杂的，其中有能表征设备故障的特征数据，同样也掺杂着与某-故障无关或关系不显著数据 ，即在故障和特征之间存在某种多对多的映射关系。特征提取问题便是通过聚类分析的思想对某-风险模式下的数据空间进行降维处理，从而找出供应链的风险特征数据，方便系统运行状态的判定。为此，本文从供应链风险的识别及其风险特征的分析人手，参考特征提取问题在设备维护中的应用，运用灰色关联聚类算法对各种风险模式下不同类型的监控指标进行分类处理，通过灰色关联度的计算 ，提取出较能反映某-风险的特征。

2.基于智能维护的供应链风险分析及特征提取方法的选取2.1可控性供应链风险的数据性特点按照风险的可控性，供应链风险分为可控型供应链风险和不可控型供应链风险。诸如政治风险、自然灾害等突发的不可控事件对供应链造成的风险都属于不可控型供应链风险 。由于智能维护系统是以供应链运行数据作为诊断及维护的依据，因此这类不可控风险无法用智能维护系统进行处理，本文只针对可控型供应链风险进行研究。

表 l供应链运行数据节点企业 相关数据供应企业 财务状况、供应成本 、原材料供应量、供应延迟率等财务状况 、生产成本 、原材料采购价格、生产数量、产品质 生产企业量等财务状况、库存成本 、库存数量 、配送效率、销售数量 、客 销售企业户满意度等客户群体 客户数量、人均消费水平、人均购买量、消费层次等传统的供应链风险控制多是采用事后补救的模式FAF(Fail andFix)，以此为背景的供应链风险研究也多是定性的认识与分析 ，而缺乏对相关数据的定量处理。供应链运行中包含着诸多定量型数据，如需求信息、供应信息、生产制造数据、配送数据、库存数据和质量数据等，具体内容见表 1。供应链运行时，这些数据也将随着供应链运行的状态而发生变化 ，可控型供应链风险恰恰是在供应链运行过程中从这些相关数据信息的动态变化中体现出来的。因此对这些数据的挖掘与处理将成为智能维护的基窗依据。

2.2供应链风险与设备故障的相似性供应链风险和设备故障的相似性主要表现在风险和故障的危害程度、产生原因和处理方式三个方面。以下来进行详细描述：从二者的定义上不难看出，机器设备和供应链在组成结构、运行方式等诸多因素上具有相似性。除此以外，供应链和机器设备在风险和故障的处理上也存在着诸多的相似性。

2.2.1供应链风险和设备故障危害程度上的相似性故障是影响机器设备运行的最主要原因，小故障可以影响机器的运行效率，大故障可以使机器设备的运行中断，风险对于供应链具有同样的危害。在供应链模式主导全球经济的今天，供应链的运行也像机器设备-样强调稳定性、可靠性和低成本。风险的控制状况将决定供应链的运行成本，风险造成的供应链的中断带来的损失也将是巨大的。

2.2.2供应链风险和设备故障产生原因上的相似性从定义上来看，机器设备是由若干零部件装配起来，在-种或几种动力驱动下 ，能够完成生产 、加工、运行等功能或效用的装置n”。供应链是由-系列相互关联的企业按供需关系结成的利益网链 ，它动员和协调着整个产品设计 、制造与销售过程的资源，促使节点企业同步运行，最终实现共赢 。因此供应链风险和机器设备故障产生原因上的相似性主要是由供应链和机器设备组成结构上及运行方式上的相似性造成的。

①组成结构上的相似性。机器设备是由诸多零部件组成的；而供应链也是由诸多企业按照供需关系联接而成的网链，从组成上看，二者都是多个部分组成的-个内部紧密相关的整体。对于供应链而言，各节点企业就是它的零部件。

②运行方式上的相似性。机器设备的运行是各零部件各自分工，协同工作；而供应链的运行也是以单个企业为节点，各企业之间分工合作，从运行方式上看，二者都讲求内部协调的分工合作。

对于-个结构上内部紧密相关，且运行上讲求分工合作的整体而言，-旦整体中某-环节出现问题，都将使整体处于异常的工作状态。

因此 ，可以参照设备故障产生原因的分析方法将供应链风险产生的原因归结到零部件的自身故障，即供应链各节点企业的运营状况，当相应节点企业出现问题时，相应的供应链风险就会随之产生，具体关系见表2表2节点企业运营状况与供应链风险的对应关系节点企业 供应链风险供应企业运营状况 供应风险生产企业运营状况 生产风险、质量风险销售企业运营状况 库存风险、销售风险客户群体购买力 需求风险2，2.3供应链风险和设备故障处理方式上的相似性由于故障对于机器设备正常运行带来的威胁是巨大的，因此在故障的控制上主要讲求的是预防为主，通过对于设备性能衰减状态下设备运行数据的分析，找出特征信号，并在运行过程中对特征信号进行检测，来实现对于故障的主动预防，其中数据的收集和特征的提取是两大核心问题。而供应链风险的控制同样强调预防的重要性，由于供应链运行中也伴随着大量的数据，同样可以采用数据收集-特征提取这样的模式来对供应链的运行状态进行识别，从而对风险进行及时地诊断与处理。

综上所述，设备故障和供应链风险的诸多相似之处决定了智能维护系统理论和技术同样可以用在供应链风险的预测、评估和维护 当中。参照机器设备故障特征提取的方法，对供应链风险进行特征提取也是可行的。

2.3供应链风险特征提取的方法与步骤2.3.1供应链风险特征提取的方法机器设备故障特征提取的方法有很多种，这主要是由机器设备种类的多样性决定的。目前常见的方法主要包括基于聚类分析的特征提取，基于小波分析的特征提取 、基于数学形态学的特征提娶基于拓扑· - - - 165---科技佶动力系统的特征提取以及基于神经网络相关技术的特征提取等。对于特征提取方法的选取主要撒于不同机器设备自身的特性〖虑到供应链结构及数据的复杂性和大量性，本研究选腮于灰色关联的聚类分析作为供应链风险特征提取的方法。

2.3.2基于聚类分析的特征提取步骤供应链风险的特征提取主要分为三个步骤：第-，供应链中各节点企业的运营状况作为评价供应链运作状况的降指标；第二，选取供应链运行过程中各节点企业的典型数据(如供应商供应量、销售商销售量等)作为监控指标；第三，运用灰色关联分析、聚类分析等相关算法对数据进行分类，提取各风险模式下的最显著关联性最强的数据作为风险特征。

3.灰色关联聚类的特征提取算法3.1灰色关联度灰色关联分析是通过计算灰色关联度 、用灰色关联序列来描述不同风险状态与信源关系的强弱等多因素分析技术1 I。常用的有灰色邓氏关联度、灰色斜率关联度和灰色变率关联度等。本文采用灰色邓氏关联度来构建动态的广义欧式距离，通过计算某-风险状态下各监控指标的关联度，选取相关系数较小，即独立性较强、更能反映风险特征的信号作为该风险的特征信号，从而实现不同风险状态下的风险特征提龋具体算法如下：设 为某-风险状态下监控指标的个数，记为 x1， ，， ，每个监 控 指 标 在 不 同 风 险 程 度 下 测 得 的 归 - 化 数 据 为( )( l，2， 1，2，，m)，其中(0，m1表示供应链各节点的风险程度域，某-监控指标的序列为 (五(1) (2)，，Xi( ))。

在某-风险状态下 ，监控指标 i和监控指标 对应风险程度为 k的邓氏灰色相关系数计算中，引入最大、最小差序列 △- ，△mm：△ ( )2 ( )- ，( )I△ maxmax(A ( ) (1)△min min(A ( )邓氏灰色关联系数：y ( ) Am inpAmax (2)其中 P为分辨系数 ，-般取 PO.5。通过平均加权获得监控指标 i和监控指标 7的邓氏关联度。

击 (3)3.2灰色关联聚类算法聚类分析是把模式归人到这样的类别或聚合类：同-个聚合类的模式比不同聚合类中模式更相近。它的基本原理就是在没有先验知识的情况下 ，基于物以类聚”的观点，用数学方法分析各模式向量之间的距离及分散情况 ，按照样本的距离远近划分类别。聚类方法有很多种，其中我们用到的方法具体如下 ：给定-个包含 个数据对象(监控指标 )的数据库 ，以及要生成的类的数 目k，将 个数据对象划分到 k个组中，并满足每个组必须包含-个对象，每个对象必须属于且只属于-个组。

在某-风险状态下，设 个监控指标组成的关联度矩阵为 R，定义监控指标 X 与聚类中心 的广义灰色欧式距离为d (Yf，Ⅲ ) 士 - ∑ (4)设样本的聚类数目为k，则灰色关联聚类算法的具体步骤如下：1)在某-风险状态下随即选取-个监控指标作为 ，然后计算剩余 ”-1个监控指标 与 的距离，把构成最大距离的监控指标作为第二类的聚类中心 ，；2)计算其余 -2个监控指标与 ， 的距离，把构成与 ， z距离之和最大的监控指标作为第三类聚类中心m 。以此类推，直到找出k个聚类中心；3)把所有其他监控指标划入与其距离最近的聚类中心的类别中，实现特征的归类；4)在每-个分类中计算每个监控指标的 r0，选取每-类中Rj-l最大值作为该风险状态下的-个特征指标；5)以此方法循环计算每-风险状态下的监控指标，进行监控指标的分类 ，并找出每-风险状态下的特征指标，实现风险特征的提龋4.实例研究4.1供应链风险特征提取的指标选取为方便研究 ，选冗有-般风险特征的简单供应链作为研究对象。这里以某地区小型饮料行业供应链为例，将供应链上各节点企业的利润率(客户以购买力作为指标)的变化量作为衡量企业运营状况的降指标，即分别选取供应商、生产商、销售商的利润率及客户购买力的变化量△Psu、△PP、△P 、△P 、作为供应链节点企业运营状况的降指标，来表示供应链的降状况～供应链运行时的相关数据作为监控指标，进行实时监控，并作为风险诊断系统的输入量。本文选取- -- - 166---各节点的核心数据作为监控指标 ，包括供应企业原材料供应量 ； ，、供应延迟率D u、生产企业生产数量 、产品质量Q 、销售企业库存数量 ，、销售数量 N 及客户群体的客户数量 JNr、人均购买量等8项内容。

4-2风险特征的提取以供应链正常运行状态下的利润率作为理想模式 ，以零利润率作为风险触发状态，拟划分四个聚合类 ，选取各节点企业利润率及客户购买力衰减2%、4%、6%、8%、10%的状态下，各监控指数的稳定值 ，做归～ 化处理，并用灰色关联聚类法进行相关性分析，提取样本数据如表3所示。

表3灰色邓氏关联聚类表编号 监控 (1) (2) (3) (4) (5) (6) (7) (8) 四个 风险Nsu DsL r NP QP NsT NSA NcL 聚类 特征 指数△Psu 4.312 3.223 2.656 2.714 3.O81 3.487 3.031 3.0H69 113411356 578/26P 3.041 2.979 3.918 3.874 3.334 2.746 2.556 2.643 12/34/J 5/678 1356△PsA 1234/5/2.766 2.748 3.014 2.967 4.014 3.763 3.335 3.487 3568 6，78△Pc 2.83l 2.616 2.702 2.731 2.912 3.336 3.725 3.988 l2345/5678 6/7/8其中，第1列为各节点企业利润率的衰减模式，即供应链各风险模式。中间8列为每项监控指数的 ： r 用公式(4)对其进行聚类，最终得到各风险状态下的特征数据。以第三行销售企业利润率衰减模式为例，将监控指数 l、2、3、4划分为-类 ，5为-类。6为-类 ，7、8为-类。最终得到风险特征为3、5、6、8，即对于该供应链，销售风险状态下 ，供应链的风险特征表现为生产量下降、库存量上升 、销售量下降以及人均购买量下降。

5.结论风险特征的提取是供应链风险智能维护系统中的-个关键问题 ，它是建立在对数据挖掘基础之上的，对复杂大量的数据进行降维的处理，属于供应链智能维护系统理论方法中相对基础的核心问题。本文参照机器故障智能维护中特征提取的相关方法通过对比研究，证明了智能维护系统运用在供应链风险管理问题上的可行性，提出了对-般性供应链风险特征提取的解决办法。但就供应链风险智能维护系统而言，依然存在着数据收集、风险诊断、评估决策以及维护报告的生成等核心问题有待进-步解决。