MRP算法概要

简介: 一. 时间范围的确定: T1 T2 T3 T4   T2: 系统日期T3: 计划展望期的开始日期(通常情况下T2与T3为同一天)。T4: 计划展望期的结束日期。

一. 时间范围的确定:

T1 T2 T3 T4

 

T2: 系统日期
T3: 计划展望期的开始日期(通常情况下T2与T3为同一天)。
T4: 计划展望期的结束日期。
T1: 计算拖期后的开始日期。(受控于参数预计量有效期提前[ ]个月。)

二.再生式MRP算法
1. 计算公式:
净需求 = 毛需求/(1-损耗率) – 现有库存 + 安全库存 – 预计入库量 + 已分配量
2. 计算顺序
成品-à 半成品 -à材料 ,即按低阶码顺序进行计算。
三.需求取数来源:
1. 独立需求(成品)需求来源 取自订单、预测。
2. BOM单取物料使用状态的BOM。
3. 毛需求取自:
已审核且业务关闭状态为未关闭的销售订单分录中的[建议交货日期] 位于T1~T4之间的物料 (订货数量-已出库数量)

已审核未关闭的产品预测单分录中的[需要日期]位于T3~T4之间的物料

上层物料计算后的净需求。
4. 现有库存数: 属性为MRP仓的即时库存之和。
5. 安全库存: 取自物料主数据。系统由于实现了按订单追踪MRP功能,故在算法 上对安全库存单独进行处理,即先按物料计算安全库存产生的需求,再按订单进行计算,即会在0时区先产生安全库存产生的需求。
6. 预计入库数:
a. 采购订单: 已审核且MRP关闭标志为未关闭的采购订单分录中[交货日期]位于T1~T4之间的物料[数量-已入库数量]。
b. 委外加工生产任务单: 已审核或挂起的[计划完工日期]位于T1~T4之间的委外加工生产任务单[计划生产数量 – 已入库数量]。
c. 生产任务单: 已审核或挂起的[计划完工日期]位于T1~T4之间的生产任务单的[计划生产数量 – 已入库数量]。
d. 重复式生产计划: 已审核的[计划完工日期]位于T1~T4之间的重复式生产计划的[计划生产数量 - 分解执行数量(即分解后下达重复生产任务单的计划生产数量)]。
e. 重复式生产任务单:已审核或挂起的[计划完工日期]位于T1~T4之间的重复式生产任务单的[计划生产数量-已入库数量]。
f. 物料替代清单: 审核的物料替代清单(由参数控制),对于被替代物料作为预计可用量,对于替代物料作为已分配量。
g. 计划订单: 确认的计划订单(由参数控制)预计量的值为 建议订单量-累计下达数量,预计量日期为建议到货/完工日期。
7. 已分配量
生产类型单据: 当有投料单时按投料单的建议投料数量算已分配,当没有投料单时按BOM用量计算已分配。
8. 其它订货策略及批量、提前期等参数在此不做说明。
四. MRP系统实施
要求采购订单、销售订单、生产订单三大订单在系统中正确运行,入库关联订单、不执行的订单及时关闭。
四.主要异常业务分析
1. 拖期业务
描述:
销售订单中有物料的建议交货日期已小于系统当前日期(系统将这种业务定义为拖期),造成计划时重复生需求。
说明: K/3 MRP中将拖期需求放在第0时区。第一次MRP计算后需求的预计入库日期位于第1时区,1>0,即不为拖期需求的可用量,故下次运行MRP时重复产生需求。
改善建议:
K/3下一版本采用两种办法来解决: 一是将拖期订单产生的需求放在第0时区,则满足了订单需求和预计可用量的配合关系,下次运算不会产生需求。
第二种方式是,K/3在三大订单的追加执行功能中均增加了,修改建议交货日期功能。
从业务管理的角度,我们在当前版本及以后版本都强调说,拖期订单是企业实际业务中不应该存在的,当订单交货可能推后时,应该在系统中修改需求日期,以符合实际业务的需要。
2. 销售订单的业务关闭标志和采购订单的MRP关闭标志管理。
描述: 业务关闭标志及MRP业务关闭标志是分录级的业务标志,由业务系统自动判断执行,不可手工维护。
这两个标志的关闭条件为
a: 销售、采购订单已出(入)库数量>=销售订单的订货数量。

b: 在订单序时簿上执行关闭操作。
实际应用中经常反馈出现按b方式无法达到”关闭”的效果。经分析发现,原因在于
对系统收料通知单及发货通知单的错误应用。这两种单据是协调和采购、销售及仓库业务的单据,它的目的是传递需真正执行的物料及数量信息。但不少人将其视为收、发货计划。订单一生成,就做了通知单,此时订单按关联数量进行关闭、但业务关闭状成并未关闭。当订单出现异常(如客户调整时),无法真正关闭此订单。
解决建议:
正确应用通知单,当确认要出货时生成通知单,并关联生成出库单。或视业务流程的需要,取消此业务环节。 

目录
相关文章
|
机器学习/深度学习 算法
算法概要
算法虐我千万遍,我待算法如初恋;IT人永远逃脱不了的算法
120 0
算法概要
|
机器学习/深度学习 数据采集 编解码
数据挖掘算法概要(Python)
数据挖掘是通过对大量数据的清理及处理以发现信息,并应用于分类,推荐系统,预测等方面的过程。
|
13天前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
145 80
|
1天前
|
机器学习/深度学习 数据采集 算法
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB2022a实现时间序列预测,采用CNN-GRU-SAM网络结构。卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征。完整代码含中文注释和操作视频,运行效果无水印展示。算法通过数据归一化、种群初始化、适应度计算、个体更新等步骤优化网络参数,最终输出预测结果。适用于金融市场、气象预报等领域。
基于GA遗传优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
|
1天前
|
算法
基于龙格库塔算法的锅炉单相受热管建模与matlab数值仿真
本设计基于龙格库塔算法对锅炉单相受热管进行建模与MATLAB数值仿真,简化为喷水减温器和末级过热器组合,考虑均匀传热及静态烟气处理。使用MATLAB2022A版本运行,展示自编与内置四阶龙格库塔法的精度对比及误差分析。模型涉及热传递和流体动力学原理,适用于优化锅炉效率。
|
6天前
|
机器学习/深度学习 算法
基于遗传优化的双BP神经网络金融序列预测算法matlab仿真
本项目基于遗传优化的双BP神经网络实现金融序列预测,使用MATLAB2022A进行仿真。算法通过两个初始学习率不同的BP神经网络(e1, e2)协同工作,结合遗传算法优化,提高预测精度。实验展示了三个算法的误差对比结果,验证了该方法的有效性。
|
9天前
|
机器学习/深度学习 数据采集 算法
基于PSO粒子群优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目展示了基于PSO优化的CNN-GRU-SAM网络在时间序列预测中的应用。算法通过卷积层、GRU层、自注意力机制层提取特征,结合粒子群优化提升预测准确性。完整程序运行效果无水印,提供Matlab2022a版本代码,含详细中文注释和操作视频。适用于金融市场、气象预报等领域,有效处理非线性数据,提高预测稳定性和效率。
|
5天前
|
算法
基于梯度流的扩散映射卡尔曼滤波算法的信号预处理matlab仿真
本项目基于梯度流的扩散映射卡尔曼滤波算法(GFDMKF),用于信号预处理的MATLAB仿真。通过设置不同噪声大小,测试滤波效果。核心代码实现数据加载、含噪信号生成、扩散映射构建及DMK滤波器应用,并展示含噪与无噪信号及滤波结果的对比图。GFDMKF结合非线性流形学习与经典卡尔曼滤波,提高对非线性高维信号的滤波和跟踪性能。 **主要步骤:** 1. 加载数据并生成含噪测量值。 2. 使用扩散映射捕捉低维流形结构。 3. 应用DMK滤波器进行状态估计。 4. 绘制不同SNR下的轨迹示例。
|
10天前
|
机器学习/深度学习 算法 索引
单目标问题的烟花优化算法求解matlab仿真,对比PSO和GA
本项目使用FW烟花优化算法求解单目标问题,并在MATLAB2022A中实现仿真,对比PSO和GA的性能。核心代码展示了适应度计算、火花生成及位置约束等关键步骤。最终通过收敛曲线对比三种算法的优化效果。烟花优化算法模拟烟花爆炸过程,探索搜索空间,寻找全局最优解,适用于复杂非线性问题。PSO和GA则分别适合快速收敛和大解空间的问题。参数调整和算法特性分析显示了各自的优势与局限。

热门文章

最新文章