面向Recsys模型的生产物流资源配置推荐研究

赵 超，李 俚，李 博

（广西大学机械工程学院，广西南宁 530004）

1 引言

目前机器学习的研究和应用已取得较好成效，利用精益思想，结合生产场景所产生的数据，将机器学习模型应用到生产车间物料供应物流资源匹配成为目前关注方向。

文献[1]利用机器学习中卷积神经网络实现利用药品数据推荐相似功效药品辅助新产品研发，准确率超过85.6%，节约数亿美元和缩短研发周期。

文献[2]研究了产品配置过程中客户需求与产品结构单元特征之间的映射关系，提出了相似度的计算流程。文献[3]提出利用机器学习技术改进物资标准化工作，提高标准物料的选用集中度与选择效率。

文献[4]提出利用机器学习领域中CBR技术，进一步提高了产品配置的效率。文献[5]在基于用户数据推荐算法的基础上，通过引入用户信息数据提高了推荐结果的准确性。

文献[6]提出了一种既考虑词项的概率分布、又兼顾词项之间的语义关系的文本相似度计算方法，提高文本推荐结果的准确性。文献[7]在向量空间中提出了梯形直觉模糊数（TIFN）之间的三种向量相似性度量，有效的提高推荐的精度。

文献[8]提出一种基于FunkSVD矩阵分解和相似度矩阵的推荐算法，解决了数据稀疏及不同评分项目差异的问题，提高了评分预测的准确性、优化了推荐结果。

文献[9]提出了基于Kendall相关性的协同过滤算法，有效的克服了最近邻居（NN）算法存在的问题并提供了更加丰富的用户建模。这里在文献研究的基础上，结合车间PFEP中产品物料基础数据以及物流资源配置数据，构建机器学习车间物料匹配Recsys模型，利用TF−IDF算法，开展物流资源配置推荐研究，以期实现生产车间物料资源快速匹配，改善企业生产物流运转效率。

2 生产物流资源配置概述

2.1 生产车间PFEP配置文件构建

生产车间物料PFEP 包含物料基础信息、产线信息、单元化信息、供应商信息、存储信息和配送上线信息。

将物料在车间内的状态进行分类，收集相关信息参数，绘制状态转换图：

采购状态（物料从供应商到达厂内车间）—存储状态（线边仓库）—配送状态（线边配送）—生产加工状态（上线生产）。

根据物料流动状态转换图，以物料有效流动为目标，识别物料流动属性，构建PFEP配置文件表。

2.2 物流资源配置过程

结合PFEP表大量数据，提取生产物流资源特征，构建产品−物料的特征矩阵。

根据产品−物料特征矩阵，利用相似度计算算法，求出物品与目标之间相似度，筛选出与目标相似程度最高的N个相似的物品推荐给目标用户。

3 基于Recsys模型的物流资源配置推荐模型研究

3.1 物流资源配置推荐逻辑

推荐系统的框架包括从产品的基本数据（产品尺寸、重量等数据）中提取出适合计算机分析的信息；通过推荐模型推荐相关性较高的产品；依据相关度推荐最符合的产品。车间物流资源推荐框架，如图1所示。

图1 车间物流资源推荐框架Fig.1 Workshop Logistics Resource Recommendation Framework

3.2 基于产品的协同过滤Recsys模型构建

3.2.1 Recsys特征模型构建

提取产品中具有明显区分度的数据，构建空间向量模型（VSM），进行特征匹配，实现Recsys模型的相似度计算。

如给定一个产品集中N个产品，产品根据关键物料分解为M维向量，产品集中物料的使用频次可构建产品−物料矩阵表来表示，进而可基于向量实现相似性的计算，产品模型，如式（1）所示。

式中：d—产品；j—物料编号；W—物料在产品中的权重；t—物料个数。

结合式（1），构建产品−物料矩阵，如表1所示。表格中数字即表示出现的频率。

表1 产品-物料矩阵Tab.1 Product-Material Matrix

3.2.2 基于TF−IDF的相似性算法

在车间PFEP 数据中，为了区分产品族物料之间的差异性、筛除冗余信息，采用TF−IDF算法对VSM中各关键向量的权重进行赋值。

TF−IDF算法采用词频（TF）和逆文本频率（IDF）两个关键指标值来计算权重。产品族VSM向量的TF和IDF，可用式（2）和式（3）表示。

式中：ni，j—目标词在文档dj中出现的次数，分母是指文档dj中所有字词出现的次数；|D|—指数据集中文件的总数量，式（3）中分母是指包含ti的所有文档总数，如果ti不在文档中，会出现分母为零的情况，所以一般在上式（3）分母中再加1。TF−IDF的权重计算是TF值与IDF值相乘，如式（4）所示。

式中：Wi，j—特定关键词i在文档j中的权重值。利用TF−IDF算法建模，计算产品族关键物料向量表示f，为了减少通用物料对判断产品相似度的影响，将物料库转化为TF−IDF表示（TF−IDF实数权重），两个产品的相似度比较计算（余弦算法）可用式（5）表示。

式中：fxi和fyi—所比较的两个产品中关键物料的向量表示，TF−IDF算法用于产品关键物料筛选中，可以有效去除通用和区分度不高的产品，提高推荐精度。

4 基于Recsys模型的实证研究

4.1 PFEP数据采集和工具选择

实验中使用的数据来自M 公司电子分厂遥控器车间PFEP中的数据，数据包含物料基本信息、单元化信息、配送存储信息和供应商信息，PFEP的部分数据，如表2所示。

表2 遥控器车间PFEP数据Tab.2 PFEP Data of Remote Control Workshop

从PFEP 数据中抽取物料基本信息中的关键字段作为测试集，并以CSV格式保存为特征数据。

采用包括Gensim库、sklearn库以及Anaconda库的Python实现推荐算法和评估。

4.2 推荐系统实现过程

将PFEP中产品物料BOM等信息构成数据集，导入物料特征文件，将区分度不明显的物料进行向量化，应用TF−IDF算法对物料特征进行权重计算，通过相似性算法计算最相似的K个产品的资源配置情况，推荐实现流程如下：

（1）引入Python编程文件，设置运行记录。

（2）通过PFEP 初步得到已有产品的信息，包括产品型号、BOM数据和尺寸数据等关键属性，导入数据集中。

（3）建立所有物料属性与编号之间的映射的物料词典（Diction‐ary），获取特征数，遍历基于数据集的物料关键属性，计算每个物料属性出现的频率，根据实际需求过滤频率小于n的物料属性。

（4）建立物料库，将物料库转化为存储稀疏向量的列表，如物料词集为“液晶显示屏−上盖−导电橡胶条−导电橡胶按键”，构建的物料词典为（液晶显示屏：0.上盖；1.导电橡胶；2.导电橡胶按键；3.物料库为{（0，2），（1，2），（2，2），（3，1）}）。

（5）初始化TF−IDF 模型，进行向量转换，将物料库转化为TF−IDF表示，计算每个属性TD−IDF的值，建立产品向量空间模型，如第p个产品的VSM为如下所示。

式中：fpi—产品p中的第i个特征；tf-idf（fpi）—产品P中第i个特征的TF−IDF值。

（6）基于各产品所构建的TF−IDF 向量空间模型利用式（5）进行相似度的计算，输出相似度最大的N个产品的相似度匹配数据。

4.3 车间物流配置实现

4.3.1 车间物料包装资源匹配

物料合理容装是生产物流得以高效运行的基础，结合图2的推荐模型，以RG56遥控器产品为例进行包装资源匹配，第一，获取目标产品基础信息，即RG56物料信息，如表3所示。提取物料关键特征。利用TF−IDF模型与余弦相似度混合算法，推荐初始结果，进一步进行过滤、排序，获得最佳的物料包装和单元化数据，包装资源匹配，如表4所示。

表3 RG56物料信息Tab.3 RG56 Material Information

表4 物料包装单元化匹配数据Tab.4 Material Packaging Unitized Matching Data

同时，将包装资源配置数据更新至PFEP，作为存储、配送上线物流实施的数据基础。

4.3.2 生产物料存储配置推荐

统计遥控器生产车间上一年的历史存储数据，形成数据集，并提取关键特征，获得遥控器产品各类物料排产数据和历史波动情况。以RG56产品物料存储配置为例，上一年历史数据，如表5所示。并对其进行ABC-XYZ分析和型谱配置数据集，同时，获取RG56的排产数据以及对应的组装产线，提取特征并向量化。

表5 物料需求和波动情况Tab.5 Material Requirements and Fluctuations

利用TF−IDF 与余弦相似度混合算法，结合约束条件（存储模式、面积、器具等）进行相似度分析，根据RG56产品在排产数据和波动性相似度进行排序筛选，基于存储资源配置推荐需求得出RG56产品存储配置推荐结果，如表6所示。

表6 产品物料存储配置推荐结果Tab.6 Recommended Product Material Storage Configuration Results

同时，将数据更新至PFEP 表以支持储存和配送上线优化设计。

4.3.3 物料配送上线配置实现

遥控器物料配送上线需求是在生产节拍、配送路径与批次、合理容装和储存的条件下，生产工位物料与配送周转器具的合理匹配，以支持产线的高效生产。

以目标产品RG56为例，提取有关RG56产品的PFEP物料数据库，以及与配送强关联存储、包装以及物料基础信息，如表7所示。并进行特征向量化处理。

表7 配送资源基础信息Tab.7 Basic Information of Distribution Resources

利用TF−IDF与余弦混合算法，结合约束条件（存储通道、防静电等）进行相似度计算，根据物料包装、存储、生产工位、节拍、配送方式和路径等属性的相似度进行排序筛选，基于配送资源推荐需求，得出RG56 产品上线配送最佳匹配资源配置，如表8 所示。同时，将最佳配置数据更新至PFEP表，以支持持续改善。

表8 RG56 配送资源配置推荐结果Tab.8 RG56 Distribution Resource Allocation Recommendation Results

4.4 物流资源配置应用效果

采用Recsys 模型和TF−IDF 算法，利用生产物流的PFEP 数据库在包装、存储和配送上线等资源进行优化配置推荐，获取了大量的优化改善支持数据。利用优化后的PFEP数据，在M企业的空调遥控器车间进行物料包装、物料储存和上线配送等环节开展生产物流的改善工作。实施后，为掌握改善前后准时率提升效果，在物料配送起点和线上终点设置打卡器，分别记录物料配送员在配送出发和到达时间，统计改善前后9月和10月的数据，绘制物配送料准时率对比图，如图2所示。从图上可以看出，10月份的物料配送准点率明显比9月份的提升。

图2 物料配送准时率对比图Fig.2 Comparison Chart of On−Time Rate of Material Distribution

5 结论

这里基于机器学习领域推荐算法和相关技术，结合车间PFEP中产品物料基础数据以及物流资源配置数据，研究了物流资源配置推荐方法，研究结果摘要如下：（1）利用TF−IDF算法用于产品关键物料筛选中，可以有效去除通用和区分度不高的产品，筛除冗余信息数据，提高推荐模型精度。（2）采用本模型可对生产物流的PFEP数据库在包装、存储和配送上线等资源进行优化配置推荐，通过获取的大量优化改善支持数据开展生产物流的改善工作后，物料配送准点率明显提升，企业物流配置效率得到显著改善。