基于Arima模型的制造业生产优化实践

2021-10-16尹诗斯

小作家报·教研博览 2021年31期

尹诗斯

摘要：以“中国制造2025”转型背景下制造业某零部件的生产数据为研究对象，建立ARIMA模型，预测未来生产状态。基于以上技术研究结果，进一步探讨挖掘结果对于企业管理者进行更科学、更可靠的生产运营决策的辅助支撑作用，以实现企业的降本增效。

关键词：ARIMA模型;生产数据;决策支持

中图分类号：A 文献标识码：A 文章编号：（2021）-31-459

在智能制造背景下，生产车间某智能生产设备的日产量实时受到数据监控，并通过生产管理系统进行存储。由于生产量受意外停机、换膜时间等诸多因素影响，故建立ARIMA模型，对该生产数据进行分析预测，基于预测结果为企业管理者提供设备生产管理的决策支持。相较于传统的依据经验调整节拍，利用已有的生产数据，采取合适的数据分析方法，科学合理的预测未来生产状态，提高企业生产管理水平，实现降本增效。

本文以制造业某企业某设备日产量生产数据为例，实践如何从数据分析的角度进行设备维护管理优化。

一、数据背景

数据样本为某设备至2020年8月1日起日产量数据。由于生产系统具有连续性，故采用ARIMA模型进行该设备产量预测。

二、分析实现过程

1.ARIMA模型介绍

ARIMA模型由Box与Jenkins于上世纪七十年代提出，是一种著名的时间序列预测方法。其含义为：假设一个随机过程含有d个单位根，其经过d次差分后可以变换为一个平稳的自回归移动平均过程，则该随机过程称为单积（整）自回归移动平均过程。

2.建模与分析

（1）平稳性检验

按照时间顺序生成时间序列数据，并通过一次差分及二次差分进行平稳性检验，检验结果显示两次差分并无显著差异，样本数据的拟合曲线可以认为保持现有形态在未来延续下去。时间序列具备平稳性。

（2）模型定阶

分别调用ACF函数和PACF函数，绘制ACF函数图和PACF函数图，以此确认滞后阶数。图1表示ACF函数图，横坐标为滞后阶数，纵坐标为相关性系数，由图可以确认0阶后，95%的相关系数趋于0，即Arima模型中q定阶为0。图2表示PACF函数图，横坐标为滞后阶数，纵坐标为偏相关性系数，由图可以确认6阶后，相关系数的衰减趋于零，即Arima模型中p定阶为6。

（3）模型拟合

根据模型参数Arima（6，1，1）进行模型拟合，并进行7个工作日数据预测，预测结果如图3及表1。

（4）残差诊断

残差本质上是当一个给定的模型不完全符合给定的观测值时留下的间距，即观测值与模型估计值之间的差值。对拟合后的模型进行残差诊断。输出结果如图4从上至下依次为：标准化残差、残差的ACF、残差的Ljung-Box白噪聲检验p值。

标准化残差是残差除以其标准差后得到的数值。其取值范围为[-2，2] 。残差检验结果显示大约95%的标准化残差都在 -2～2 之间，服从正态分布。

残差的ACF图判断不同的滞后阶数下，残差的是否还具有自相关性。由检验结果可知：残差的ACF图趋向于0，模型的拟合情况良好。

Ljung-Box检验可以检验时间序列是否存在自相关性，被用来鉴别白噪声。由检验结果可知：p值大于0.05（横虚线），即残差序列为白噪声序列，模型合适。

综上所述，残差检验证明模型定阶合理，模型合适。

三、结论及建议

分析未来7天的产量数据预测值可知：日产量在未来一周内仍呈现波动趋势，在第7天达到峰值，第4天回落至谷值。根据预测结果，相应设备生产管理建议如下：

1、计划性停机等日常维护行为可以依据预测结果，安排至日产量较低的工作日内。

2、根据产量预测轨迹，合理的进行产线节拍调整。