автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.06, диссертация на тему:Автоматизация технологического процесса снабжения запасными частями сбытовой цепи предприятия по производству автотранспортной техники

На правах рукописи

СУВОРОВ ГЕРМАН ГЕРМАНОВИЧ

АВТОМАТИЗАЦИЯ ТЕХНОЛОГИЧЕСКОГО ПРОЦЕССА СНАБЖЕНИЯ ЗАПАСНЫМИ ЧАСТЯМИ СБЫТОВОЙ ЦЕПИ ПРЕДПРИЯТИЯ ПО ПРОИЗВОДСТВУ АВТОТРАНСПОРТНОЙ ТЕХНИКИ

Специальность 05.13.06- Автоматизация и управление технологическими процессами и производствами (промышленность)

АВТОРЕФЕРАТ

диссертации на соискание ученой степени кандидата технических наук

МОСКВА-2005

Работа выполнена в Московском автомобильно-дорожном иИ^туте (государственном техническом университете).

Научный руководитель

доктор техн. наук, профессор Николаев Андрей Борисович Официальные оппоненты:

доктор техн. наук, профессор Марсов Вадим Израилевич,

доктор техн наук, профессор Перепелицын Евгений

Георгиевич

Ведущая организация:

Всероссийский научно-исследовательский институт проблем вычислительной техники и информатизации (ВНИИПВТИ), г.Москва

Защита состоится " •.¿¿¿¿^.¿с/& 2005 года в часов

на заседании диссертационного совета Д 212.126.05 при Московском автомобильно-дорожном институте (государственном техническом университете) по адресу:

125319 I ГСП А-47, Москва, Ленинградский пр., 64

С диссертацией можно ознакомиться в библиотеке МАДИ (ГТУ).

Автореферат разослан " 2005 г

Отзыв на автореферат в одном экземпляре, заверенный печатью, просим направлять в адрес совета института

Ученый секретарь

диссертационного совета,

кандидат технических наук, л /"

доцент .тЛиС Н.В.Михайлова

1.1. Актуальность проблемы

Снабжение запасными частями является важнейшей частью сбытовой цепи предприятия-производителя автомобилей.

Высокоэффективное снабжение возможно в настоящее время только при условии автоматизации статистики, анализа, прогноза, обработки документации, позволяющей не только оптимизировать запасы, снизить расходы по хранению запасных частей, но и значительно ускорить обслуживание потребителей.

При отсутствии налаженной информационной системы, обеспечивающей сбор и обработку статистической информации, организовать конкурентоспособную в сегодняшних условиях сеть обеспечения запасными частями практически невозможно.

Своевременный научно-обоснованный и точный прогноз потребности в запасных частях позволяет принимать правильные управленческие решения о номенклатуре и количестве поставляемых на склад деталей, улучшить экономические показатели деятельности предприятия.

Актуальность темы данной диссертации предопределяют возможности оптимизации хранимой номенклатуры в соответствии с текущими и прогнозируемыми потребностями рынка автомобильных запасных частей за счет автоматизации процессов обработки информации, повышения качества и оперативности прогнозов на основе обоснованных формализованных моделей.

1.2. Цель и основные задачи исследования

Цель работы - автоматизация снабжения запасными частями сбытовой цепи предприятия по производству автотранспортной техники за счет разработки соответствующих моделей, методов, алгоритмов и программ.

В работе последовательно поставлены и решены следующие задачи:

• анализ современных методов организации технологических процессов и прогнозирования потребности на базе статистической информации о сбыте автомобильных запасных частей;

РОС. НАЦИОНАЛЬНАЯ БИБЛИОТЕКА Петербург

200 У>Ъ

• разработка моделей и методов автоматизации наиболее трудоемких этапов сбора и обработки информации с целью сокращения сроков и стоимости подготовки прогнозов;

• использование предложенных подходов для решения задачи разработки структуры БД АСУТП снабжения запасными частями регионального склада;

• использование научно обоснованных методов и алгоритмов при проектировании АСУТП снабжения запасными частями;

• отладка на модели и практическое внедрение разработанной АСУТП снабжения автомобильными запасными частями.

1.3. Методы исследований

В диссертационной работе использован аппарат теории алгоритмов, математической статистики, теории планирования эксперимента, имитационного моделирования.

1.4. Научная новизна работы состоит в следующем:

• обобщены и развиты методы, применяемые для прогнозирования потребности в автомобильных запасных частях на базе статистической информации о сбыте;

• разработан метод прогнозирования на основе формализации степени корреляции потребности в запасных частях с составом текущего парка автомобилей и другими факторами;

• разработаны методы и алгоритмы классификации и группировки номенклатуры запасных частей по характеру спроса и причине замены для повышения качества прогноза;

• разработаны методы и алгоритмы оптимизации хранимого запаса деталей, позволяющие повысить оборачиваемость склада и снижение издержек хранения и заказа;

• разработана структура интегрированной БД АСУТП снабжения запасными частями.

1.5. Достоверность научных положений, рекомендаций и выводов

Обоснованность научных положений определяется корректным использованием современных математических методов и моделей, согласованностью результатов аналитических результатов и имитационного моделирования.

Достоверность положений и выводов диссертации подтверждена также положительными результатами внедрения результатов работы в ряде предприятий автомобильной отрасли.

1.6. К защите представляются:

1. Математические модели и методы прогнозирования потребности в запасных частях.

2. Алгоритмы классификации номенклатуры и прогнозирования потребности в запасных частях.

3. Обоснованная структура БД АСУТП снабжения запасными частями.

4. Результаты эксперимента и внедрения БД АСУТП снабжения запасными частями.

1.7. Практическая ценность и реализация результатов работы

Научные результаты, полученные в диссертации, доведены до практического использования, вошли в состав разработанной АСУТП снабжения запасными частями и использованы при разработке и практической реализации БД АСУТП снабжения запасными частями для ООО «Авантекс», г.Москва и ООО ПКФ «Крепость», г.Красноярск.

1.8. Апробация работы

Содержание разделов диссертации было доложено и получило одобрение:

• на заседаниях кафедры автоматизированных систем управления Московского автомобильно-дорожного института (ГТУ);

• на Международной научно-практической конференции «Логистика: современные тенденции развития» (Санкт-Петербург, 2003 г.);

• на семинаре по информационным технологиям (Омск, 2004 г.),

• на научно-технических советах в ООО ПКФ «Крепость» (г.Красноярск);

• на научно-технических советах отдела автоматизации ООО «Авантекс» (г.Москва).

По теме диссертации опубликовано 4 статьи.

1.9. Объем работы

Состав работы: введение, 4 основных главы, заключение, список литературы - 101 наим., приложение (документы о внедрении).

2. СОДЕРЖАНИЕ РАБОТЫ

Во введении обосновывается актуальность, научная новизна и практическая ценность результатов диссертационной работы. Сформулированы цели, основные направления исследований и положения, выносимые на защиту.

В первой главе проведен анализ текущего состояния рынка автомобильных запасных частей Показано, что непрерывное развитие рыночных экономических отношений требует решения сложных и трудоемких задач оптимизации запасов, которые невозможно получить при отсутствии развитой информационной системы, позволяющей получать адекватные рыночному спросу прогнозы потребности в запасных частях, соответствующие динамике сегодняшнего дня.

Анализ исследований российских и зарубежных ученых (в том числе В.В.Волгина [8, 9] (1997, 2000), Н В.Ермолина [23, 24] (2001, 2003), Е.Р.Добронравина [17, 18, 19] (2000), Курта Хоффмана [84] (2000) и др.); а также обзор решений крупных европейских и японских производителей (Daimler-Chrysler, Toyota, Mazda) показал, что затраты предприятий на формирование и поддержание складов запасных частей могут быть значительно снижены за счет централизации управления запасами складов в масштабах сбытовой цепи предприятия-производителя, повышение точности прогнозирования потребности и оптимизации хранимой номенклатуры.

Таким образом, прогнозирование потребности в запасных частях является важнейшей задачей АСУТП. Необходим анализ и развитие существующих методов прогнозирования, а также разработка новых методов, отвечающих сегодняшней экономической ситуации и использующих возможности современной вычислительной техники.

В качестве объекта автоматизации рассматривается технологический процесс снабжения запасными частями сбытовой цепи предприятия по производству автотранспортной техники (рис. 1).

ч

Корректировка произвобстениых планов

Сгягжстлжа

реализации в разрезе сиспемы складов

\Слятслика реализации конечным попребитлям

г — Движение запасных частей

Обратная связь информационный обмен

Рис. 1. Схема технологического процесса

Во второй главе проведен анализ существующих методов прогнозирования потребности в запасных частях В обзор включены методы:

• рассматривающие автомобиль как единое целое - неделимый объект,

• рассматривающие автомобиль как сложную структуру взаимодействующих агрегатов;

• методы, посвященные определению потребности в запасных частях к конкретным техническим средствам (тракторам, автомобилям, комбайнам, дождевальным машинам и т.д.) или применительно к конкретным природно-климатическим условиям;

• методы, при которых определение потребности в запасных частях сводится к решению задачи оптимального управления запасами, с целью минимизации потерь от хранимых излишков и из-за отказов при неудовлетворении заявок

Анализ используемых методик показал, что существующие подходы к определению необходимого количества и номенклатуры поставляемых запасных частей были разработаны для плановой экономики и их использование в условиях рынка неэффективно. В некоторых работах вопросы определения потребности в запасных частях на основе маркетинговых исследований проработаны достаточно глубоко, однако в основном они носят общетеоретический характер и мало пригодны для практического использования. Регрессионные модели, применяемые в настоящее время, требуют частого пересмотра предикторов, что сопряжено с трудоемким процессом

определения корреляционной значимости факторов в изменяющейся внешней среде.

Проведен анализ факторов, определяющих спрос на запасные части, см. рис. 2.

Конструктивные | ^ Эксплуатационные^ | Технологические

Уровень надежности

Уровень сложности конструкции

Уровень унификации

I

Интенсивность эксплуатации

Квалификация водителя

Транспортные, дорожные и природно-климатические условия эксплуатации

X

Качество технического обслуживания и ремонта

Качество поставляемых запасных частей

Качество используемых материалов

Организационные |

Наличие, поступление, списание

автомобилей Структура парка автомобилей

Уровень концентрации автомобилей

Рис. 2. Факторы, определяющие потребность в запасных частях

Предложенная классификация факторов позволяет более эффективно формировать первичную выборку данных для регрессионного или интеллектуального анализа, на основе априорных предположений.

В диссертации рассмотрены следующие типы запасов:

• текущий, обусловленный размером партии;

• страховой, обусловленный неравномерностью процессов, -порождается колебаниями спроса или предложения;

• прогнозный, создаваемый в связи с ожиданием спроса, -может создаваться в период спада с целью загрузки предприятия для удовлетворения спроса в периоды, когда спрос возрастает,

• транспортный, связанный с транспортировкой материалов.

Описана модель планирования складского запаса деталей на

основании прогноза использования товарных запасов, данных о стоимости выполнения заказа и затрат по содержанию запасов. Классические модели определения момента заказа, основанные на индивидуальных точках заказа отдельных номенклатурных позиций,

в применении к широкой номенклатуре автомобильных запасных частей имеют склонность к «переобслуживанию», то есть завышению итогового параметра уровня обслуживания относительно требуемого, и, как следствие, завышенным издержкам хранения и транспортным расходам. Преимуществом предложенной модели является возможность определения момента размещения очередного'заказа из условия обеспечения требуемого группового уровня обслуживания.

Исследованы методы классификации и группировки номенклатуры автомобильных запасных частей и комплектующих.

Предложен метод группировки по причине замены (рис. 3). Для предварительного отбора данных с целью последующего корреляционного анализа предлагается поделить весь ассортимент запасных частей на группы по причинам замены, то есть совокупностям факторов, обусловливающих возникновение потребности.

Номенклатура

Причина

Группа

Плановое ТО Износ Аварийные повреждения Редкие случайные замены

Регламентные работы Технологические недостатки Прочие причины

* 1 *

Группа Э Эксплуатационная Группа К Конструктивная Группа А Аварийная Группа С Случайная

Пример

фильтрующие элементы детали трансмиссии фрикционные накладки выхлопная система свечи зажигания приводные ремни

детали кузова фары, фонари элементы остекления

элементы салона подушки безопасности пиропатроны

Рис. 3. Классификация номенклатуры по причине замены.

электрические и электронные компоненты

Предложенный метод классификации позволяет автоматизировать процесс выбора методики прогнозирования для каждой номенклатурной позиции на начальном этапе прогнозирования. Такое разбиение позволяет повысить точность прогноза потребности для каждой детали и, как следствие, повысить общее качество прогноза для всей группы.

Предложен метод классификации запасных частей по характеру спроса на деталь - является ли он периодическим, случайным или сезонным.

Разработан алгоритм выявления сезонного спроса (рис.4).

Основная особенность алгоритма состоит в том, что, в отличие от используемых в настоящее время, он учитывает распределение потребления по месяцам года, а не общее потребление запасных частей, что исключает возможность определения случайного спроса как сезонного.

с:

да Тип спроса =

случайный

да Тип спроса =

равномерный

Рис. 4 Алгоритм классификации по характеру спроса

Н(Т) = -^1оёг

Предложено использовать методы интеллектуального анализа данных для классификации и кластеризации номенклатуры запасных частей и комплектующих.

К множеству Т случаев наличия или отсутствия потребности применяются различные условия X деления на подмножества Т,, Т2, Т„ и из этих условий выбирается условие Хтах, наиболее эффективно разделяющее подмножества, т.е. имеющее максимальную информационную ценность д(Х): для бинарного ветвления 7=7?,+Т2:

V ✓ ч У

для множественного ветвления Т=Т1,+Т2+...+Тп:

нлт)^*н{т) ё{х)=н{т)_нЛт) »

Критерий д(Х) вычисляется для всех атрибутов на основании значений энтропии исходного и поделенных множеств и выбирается тот атрибут, значение д(Х) которого будет наибольшим.

Ветвление продолжается до тех пор, пока результатом очередного деления не станет подмножество, состоящее из элементов одного класса (случаев наличия или отсутствия потребности в запасной части) Проверкой всех возможных вариантов последовательного применения предположений определяется, какая цепь предположений наиболее полно делит множество случаев на подмножества за меньшее число предположений (условий). Сформированное дерево испытывается на проверочном наборе: если результат неудовлетворительный - исследуются причины получения неправильной структуры и анализ повторяется с новыми параметрами.

В случае обработки примеров с пропущенными данными формулы преобразуются к виду:

где и - количество неопределенных значений атрибута X.

В этом случае при подсчете учитываются только при-

меры с существующими значениями атрибута А. Критерий будет

иметь вид: g(x) = '1^~(н(т)~нх(т))

Описанный метод развит в третьей главе исследования при разработке метода прогнозирования с помощью логического дерева.

В третьей главе обосновываются критерии качества прогноза.

• средняя ошибка

** ~~ f п

где офаШ1- фактический спрос, А»«», - прогнозируемый спрос; i - номер периода

п - число периодов прогнозирования.

• Ср.абс.отклонение(МАО) = ~ I

п

• Показатель смещенности г = —, позволяющий на этапах

МАП,

проверки качества прогноза оценить общее направление отклонения прогноза от фактических значений и ввести необходимые поправки в модель.

Предложен метод определения исключительных значений спроса (выбросов). Потребности в исключительных количествах можно идентифицировать по их исключительному статистическому , поведению: они выделяются от основного распределения, которое находится между средним значением А плюс некоторое число стандартных отклонений О.

где

А - среднее требуемое количество для нормального потребления;

О - стандартное отклонение;

N - фактор в районе от 3 до 10, отделяющий исключительные случаи от нормальных.

Исследована эффективность применения для прогнозирования потребности в запасных частях методов анализа временных рядов. Представлена сравнительная характеристика различных методик анализа.

Качество прогнозов оценивалось по пяти показателям. По результатам оценки каждому методу присвоен ранг (см. табл.2).

В результате анализа выбран метод экспоненциального сглаживания, так как он придает большую значимость последним наблюдениям с учетом данных за все имеющиеся периоды.

Табл. 2. Сравнение качества прогнозирования различными методами

Методика прогно- Критерии оценки

зирования МАРЕ (сред- МБЕ (сред- Ранг по от- Медианное

ний процент неквадрати- ношению к значение

отклонения) ческое от- другим мето- ошибки в

клонение) дикам процентах

Наивный (прогноз = 7 17 8 8

текущему фактиче-

скому значению)

Скользящее сред- 15 20 10 11

нее

Простое экспонен- 3 13 7 7

циальное сглажи-

вание

Экспоненциальное 4 7 2 4

сглаживание с уче-

том тренда

Экспоненциальное 4 7 2 2

сглаживание с

трендом и сезон-

ными факторами

Комбинация (сред- 1 10 1 1

нее значение про-

гноза по шести ме-

тодикам)

Разработан метод среднемесячной потребности для оценочного прогнозирования спроса на запасные части. Разработанный метод может быть использован в случаях, если набор статистических

данных не позволяет проводить сложный анализ с выявлением и учетом коррелирующих факторов, а также при необходимости провести оценочный прогноз для принятия оперативных управленческих решений для периодического составления краткосрочных прогнозов.

Брутто-потребность рассчитывается сложением периодической и неповторяющейся потребности и вычитанием количества возвращаемого и поступившего товара.

D6p=Dn6p+DUCIOT — fQeoaep+Qnocmyn)

Нетто-потребность вычисляется путем вычитания из брутто-потребности прогнозных значений возврата и поступления.

DHm~^6p ~ (Опрогн возвр Опрогн поступ)

Результатом прогноза для периодической потребности является параметр AMD (Average Monthly Demand - среднемесячный спрос):

Qnompt

AMD=M—^—, где

G™*.. объем потребления в месяц i;

/-порядковый номер месяца в рассматриваемом периоде,

л - общее число месяцев в рассматриваемом периоде.

Неповторяющаяся потребность идентифицируется и добавляется в прогноз отдельной позиции номенклатуры

Коэффициент изменения программы PCF (Program Change Factor) связывает размер парка техники в прошлом и прогнозируемый размер парка.

PCF вычисляется как отношение прогнозируемого среднего размера парка техники в течение прогнозируемого периода к среднему размеру парка в базовый период

PCF =

F

про? M

Таким образом, PCF используется для учета известных изменений будущей потребности относительно базового периода.

При умножении среднемесячной потребности на коэффициент PCF можно получить прогнозируемую среднемесячную потребность F AMD (Forecasted Average Monthly Demand.

FAMD = AMD * PCF

Разработан метод прогнозирования потребности в запасных частях с использованием логического дерева.

Формирование массива тренировочных данных Формирование проверочного массива

Номенклатура Р

Применимость А Парк автомобилей М Другие параметры X, Y, Z

Подбор оптимального логического дерева

X

Проверка применимости полученных структур на _проверочных данных_

X

Визуализация структур для исследования и оценки _влияния различных факторов_

Формирование массива прогнозных данных

Определение полного ассортимента деталей, находящегося в текущей эксплуатации

Парк автомобилей М

Другие параметры X, Y, Z

Применение логического дерева на прогнозные _данные_

Интерпретация результатов

Рис. 5. Этапы прогнозирования методом логического дерева В первой стадии анализа из множества факторов выявляются переменные, коррелирующие с потребностью в запасных частях

Во второй стадии анализируется зависимость потребности от выбранных факторов и строится прогноз на будущий период Данные для анализа формируются в виде массивов:

- массив данных Р содержит информацию о свойствах запасных частей /, как номенклатурных позиций (стоимость, габаритно-массовые характеристики, наименование, принадлежность к группам по выбранным классификациям);

- в массив А заносится информация о содержании деталей в конкретной модификации автомобиля к\

- в массиве М хранится информация об автомобилях, эксплуатируемых в регионе (числе тк автомобилей модификации к),

Общее множество деталей наименования /', находящихся в

эксплуатации, составляет

к-\

о«=!&*"«*.

Массив МЯ

Прогнозируемый парк а/м ГО а/м

Ю модификации Дата выпуска Пробег_______

Массив Р

Номенклапура Ю детали Стоимость Габариты Масса_

Массив в

Спатспшка погуебления

ГО детали

Период

Количество потребл.

Массив А

Комплектация а/м_

Ю модификации а/м Код наименования детали Ю детали

Массив вР

Прогноз потребления Ю детали Период

Количество потребл

Алгоригм применения логического дерева

Алгорипи формирования логического дерева

Лоазчесхое дерево I

ШшШ

Выборка Т

Ассорпиментдепалей в экспл Ю детали

Количество в эксплуатации

Массив М

Парк а/м_

Юа/м

Ю модификации Дата выпуска Пробег _

Массив СР

Прогноз прочих фактров Период

Значение параметра

Массиве

Прочие фаютры Период

Значение параметра

Рис. 6. Структура данных метода прогнозирования с использованием логического дерева Для рассматриваемых периодов анализируются случаи наличия или отсутствия потребности в замене эксплуатируемых деталей на запасную часть, и строится логическое дерево, рис. 5, 6. С помощью выявленных закономерностей составляется прогноз на требуемый период Этапы составления прогноза.

1. Создается тренировочный набор данных с использованием информации достаточно продолжительного базового периода о реализации запасных частей, парке автомобилей, других существенных факторах.

2. Определяются факторы, предположительно влияющие на возникновение потребности в запасной части и обозначается их формальное выражение через соответствующие параметры.

Рис 7. Алгоритм выбора атрибута для очередного ветвления.

Второй этап исследования выполняется с участием экспертов в предметной области, так как разрабатываемый метод предполагает оценку влияния предварительно выбранных факторов, а сам предварительный отбор (предварительное предположение) таких факторов остается за человеком (экспертом) и в определенной мере является субъективным.

Основной особенностью предложенного алгоритма является возможность частого пересмотра предикторов, так как их выявление из набора предполагаемых факторов проводится при минимальном объеме ручного труда. Частый пересмотр предикторов позволяет более эффективно отслеживать изменение внешней среды и ее влияния на потребность в запасных частях.

В четвертой главе отражено экспериментальное исследование экстраполяционного метода прогнозирования потребности, использованы данные о реализации автомобильных запасных частей предприятием ООО «Авантекс» (г Москва) в период 2002-2004 гг.

Массив статистических данных разделен на базовую и проверочную выборки, определены и исключены случаи выбросов (исключительного спроса).

« = 0,1 а = 0,5 а = 0,9

0 0 01 Ь2 0 3 0* 0 5 0£ 0 7 Ов 0 В 10 00 <И 0.3 0^ 0 4 ОД 0Л С1 03 0,9 10 а<> 01 02 0) 0* М Об 07 0« 0$ а^

Рис.8. Диаграмма зависимости погрешности прогнозов при различных параметрах сглаживания

Определены условия применения метода прогнозирования потребности на базе экспоненциального сглаживания временных рядов, рис. 8, 9.

На основании полученных результатов сделаны выводы. 1. Для деталей с низкими значениями стандартного отклонения

в базовой выборке обаз (Обаз^О.б) при увеличении параметра а до 0,9 (т.е. увеличении весов последних наблюдений) качество прогноза повышается.

2. Для деталей с высоким значением о6аз (аба^О.б) характерны высокие отклонения прогнозных значений от реальных. Характер потребления таких номенклатурных позиций необходимо рассматривать отдельно (возможно с выделением сезонной компоненты).

3. Положительная корреляция Обаз и опрош растет при увеличении параметра сглаживания а (весов последних наблюдений).

4. При высоких значениях а (а=0,9) усредненное значение погрешности прогноза сравнимо со средним стандартным отклонением в базовой выборке.

5. Точность прогноза повышается с ростом числа заказов на номенклатурную позицию - при количестве заказов больше 100 погрешность прогноза на отдельные позиции не превышает 0,5, большинство значений находится в пределах 0,2.

БО 10О 150

чивло заказов (наблюдений)

Рис.9. Зависимость точности прогноза от числа отдельных заказов

Рис. 10. Полученные в эксперименте значения средней погрешности о при различных параметрах сглаживания.

Для каждой номенклатурной позиции проведено экспоненциальное сглаживание с различным распределением весов по наблюдениям. Определено качество прогноза для всех полученных вариантов.

Разработана программная модель БД АСУТП снабжения запасными частями Система разбита на модули (подсистемы), каждый из которых выполняет задачу автоматизации одного из элементов деятельности фирмы:

частями

Разработаны ЕК-модели БД в целом и ее подсистем, рис. 8 Предложенная модель позволяет обеспечить обратную связь между сбытовой цепью предприятия, то есть подразделениями предприятия, непосредственно представленными на рынке и произ-

водством Данные, собранные и обработанные АСУТП, представляют собой основу для принятия производственных и управленческих решений.

Оиавещвиия | Оияеирния (ПС) О ааяат (РК)

Датамгеищек 1 ' * Котчеог в вот кааано Пр»м«*а отхгм

Код наименее ания (РК) Омедификафи (НО

Нзмеиклагура(Ж)

1 М»ди6икашя

О мЗДифииции

1Лдв1ь Нвчалолроим одета в Ко1 ицпроиаа вдета а

Опгыпостаок С евобщрмия

Дата »• время езобириия Сствгуса (гК) О точии (ГК) О партии

СЬсцдаеммй ост вгоч иш срсж поста* Комментарий

м С контрагента

О заяаяу (ГУ) О тацтгт (ГК) Почтовый адрес Б типа контрагент а (РК)

Количяст В О пост « ЛОНО Номамивтуро • Т \ -

Типы дот агентов

УЮ | Код наименования |

Датаемлусхя 1 Описание 1

Код мсдифкац

Групп» наименований

Код иаим«яоаа*о«* Гтопмиаммтоааиий I

Оплат ут раислорт »роеуи

Ювоктрагеига (Ж] Дата плат ек а О парт** <ГК) Сумма плат ежа волюта

Рис. 12. ЕР!-модель АСУТП снабжения запасными частями

В заключении представлены основные результаты работы.

Основные выводы и результаты работы:

1. Проведен анализ состояния российского рынка автомобильных запасных частей и степени автоматизации технологических з процессов снабжения запасными частями автотранспортных пред-

приятий, проведен анализ существующих методов классификации и группировки номенклатуры запасных частей. * 2. Разработаны методы классификации запасных частей по

причине замены и характеру спроса на деталь.

3. Проведен анализ и оптимизация методов прогнозирования и планирования запасов запасных частей Предложен метод сред-

немесячной потребности для упрощенного прогнозирования и предварительного отбора номенклатуры для анализа.

4. Разработан метод выявления факторов, определяющих спрос на запасные части, прогнозирования потребности с учетом динамики выявленных факторов на основе интеллектуального анализа данных (логического дерева), для подготовки краткосрочных и среднесрочных прогнозов, оценки влияния факторов, планирования запасов запасных частей при быстро изменяющейся ситуации на рынке.

5 Разработаны алгоритмы классификации запасных частей, которые позволяют повысить качество прогнозирования за счет предварительной группировки номенклатуры и отбора анализируемых факторов для регрессионного анализа.

6. Разработана структура базы данных АСУТП регионального склада запасных частей предприятия Структура БД позволяет автоматизировать процесс обработки информации, используемой в деятельности предприятия при сопровождении заказов запасных частей и информационном обеспечении клиентов предприятия.

7. Проведено экспериментальное исследование метода экст-раполяционного прогнозирования. В рамках эксперимента получены варианты прогноза, оценено качество прогнозирования при использовании ряда параметров. Определены условия применения метода при практическом внедрении АСУТП.

8 Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения на ряде предприятий по снабжению запасными частями, используются в ООО «Авантекс» (г. Москва) и ООО ПКФ «Крепость» (г.Красноярск).

9. По результатам внедрения установлено, что для ООО «Авантекс» экономическая эффективность в 2004 г. составила 350 тыс. рублей, оборачиваемость склада запасных частей повышена в 2,3 раза, общие издержки хранения снижены за счет оптимизации хранимой номенклатуры на 24%.

Публикации по теме диссертационной работы:

Основные положения выполненного исследования содержатся в следующих публикациях

1. Суворов Г.Г Особенности использования ассоциативной модели в корпоративных базах данных // Сб. науч тр. М МАДИ (ГТУ), 2002 - с. 77-81

2. Суворов Г.Г. Прогнозирование потребности в запасных частях при формировании регионального склада // Сб науч тр. М.. МАДИ (ГТУ), 2003 - с. 24-32

3. Гурьянов В.М., Суворов Г.Г. Выявление знаний в базах данных - алгоритм логического дерева // Сб науч тр. М.:МАДИ (ГТУ), 2004 - с. 54-59

4. Суворов Г.Г. Использование методов интеллектуального анализа данных для классификации и кластеризации номенклатуры запасных частей и комплектующих // Сб науч тр. М.:МАДИ (ГТУ), 2004 - с. 66-72

s?

Подписано в печать 1.02, 200£~г. Тираж </00 экз Заказ №

ООО <<'Гех1 юлиграфценIр» ПЛД № 53-477

Формат 60x84/16. Усл. печ. л. Ч Тел./факс: (095) 151-26-70

РНБ Русский фонд

2005-4 42947

^ ••"«V . * *

ÄS- » ^

2 2 мд^гж. , ' '

' %

Оглавление.

Введение.

Глава 1. Анализ задач автоматизации обеспечения складов запасных частей

1.1. Современное состояние вопроса поддержки складов запасных частей в России и мире.

1.2. Информационная поддержка складов запасных частей.

1.3. Требования к СУБД для построения АСУТП снабжения запасными частями.

ВЫВОДЫ К ГЛАВЕ 1.

Глава 2. Разработка методов и алгоритмов планирования нормативных запасов запасных частей и комплектующих.

2.1. Анализ методов прогнозирования потребности в запасных частях .29 22. Анализ факторов, определяющих спрос на запасные части.

2.3. Экономические факторы, учитываемые при формировании складских запасов.

2.4. Методы классификации и группировки номенклатуры запасных частей и комплектующих.

ВЫВОДЫ К ГЛАВЕ 2.

Глава 3. Разработка математической модели системы прогнозирования потребности в запасных частях.

3.1. Критерии и методика определения точности прогноза.

3.2. Использование методов анализа временных рядов для прогнозирования потребности в запасных частях. Алгоритм расчета нормативного запаса запасных частей.

3.3. Использование метода среднемесячной потребности для прогнозирования спроса на запасные части.

3.4. Разработка метода прогнозирования потребности с помощью логического дерева.

ВЫВОДЫ К ГЛАВЕ 3.

Глава 4. Разработка программной модели автоматизированной системы учета запасных частей.

4.1. Экспериментальное исследование экстраполяционного метода прогнозирования потребности.

4.2. Исследование объекта автоматизации.

4.3. Структура АСУТП снабжения запасными частями.

Актуальность темы

Снабжение запасными частями является важнейшей частью сети технического обслуживания предприятия-производителя автомобилей.

Высокоэффективное снабжение возможно в настоящее время только при условии автоматизации статистики, анализа, прогноза, обработки документации, позволяющей не только оптимизировать запасы, снизить расходы по хранению запасных частей, но и значительно ускорить обслуживание потребителей.

При отсутствии налаженной информационной системы, обеспечивающей сбор и обработку статистической информации, организовать конкурентоспособную в сегодняшних условиях сеть обеспечения текущего парка автомобилей запасными частями практически невозможно.

Своевременный научно обоснованный и точный прогноз потребности в запасных частях позволяет принимать правильные управленческие решения о номенклатуре и количестве поставляемых на склад деталей, улучшить экономические показатели деятельности предприятия.

Актуальность темы данной диссертации предопределяют возможности оптимизации хранимой номенклатуры в соответствии с текущими и прогнозируемыми потребностями рынка автомобильных запасных частей за счет автоматизации процессов обработки информации, повышения качества и оперативности прогнозов на основе обоснованных формализованных моделей.

Объектом исследования диссертационной работы являются модели и методы автоматизации снабжения запасными частями сбытовой цепи предприятий — производителей автотранспортной техники, математические модели и методы прогнозирования потребности в запасных частях.

Цель и основные задачи исследования

Цель работы - автоматизация снабжения запасными частями сбытовой цепи предприятия по производству автотранспортной техники за счет разработки соответствующих моделей, методов, алгоритмов и программ. В работе последовательно поставлены и решены следующие задачи: анализ современных методов организации технологических процессов и прогнозирования потребности на базе статистической информации о сбыте автомобильных запасных частей; разработка моделей и методов автоматизации наиболее трудоемких этапов сбора и обработки информации с целью сокращения сроков и стоимости подготовки прогнозов; использование предложенных подходов для решения задачи разработки структуры БД АСУТП снабжения запасными частями регионального склада; использование научно обоснованных методов и алгоритмов при проектировании АСУТП снабжения запасными частями; отладка на модели и практическое внедрение разработанной АСУТП снабжения автомобильными запасными частями.

Научная новизна работы состоит в следующем: обобщены и развиты методы, применяемые для прогнозирования потребности в автомобильных запасных частях на базе статистической информации о сбыте; разработан метод прогнозирования на основе формализации степени корреляции потребности в запасных частях с составом текущего парка автомобилей и другими факторами; разработаны методы и алгоритмы классификации и группировки номенклатуры запасных частей по характеру спроса и причине замены для повышения качества прогноза; разработаны методы и алгоритмы оптимизации хранимого запаса запасных частей, позволяющие повысить оборачиваемость склада и снижение издержек хранения и поставки; разработана структура интегрированной БД АСУТП снабжения запасными частями.

Практическая ценность

Научные результаты, полученные в диссертации, доведены до практического использования, вошли в состав разработанной АСУТП снабжения запасными частями и использованы при разработке и практической реализации БД АСУТП снабжения запасными частями для ООО «Авантекс», г.Москва и ООО ПКФ «Крепость», г.Красноярск. Апробация работы

Содержание разделов диссертации было доложено и получило одобрение: на заседаниях кафедры автоматизированных систем управления Московского автомобильно-дорожного института (ГТУ); на Международной научно-практической конференции «Логистика: современные тенденции развития» (Санкт-Петербург, 2003 г.); на семинаре по информационным технологиям (Омск, 2004 г.), на научно-технических советах в ООО ПКФ «Крепость» (г.Красноярск); на научно-технических советах отдела автоматизации ООО «Авантекс» (г.Москва).

Публикации. По теме диссертации опубликовано 4 статьи. В первой главе проведен анализ текущего состояния рынка автомобильных запасных частей. Показано, что непрерывное развитие рыночных экономических отношений требует решения сложных и трудоемких задач оптимизации запасов, которые невозможно получить при отсутствии развитой информационной системы, позволяющей получать адекватные рыночному спросу прогнозы потребности в запасных частях, соответствующие динамике сегодняшнего дня.

Анализ исследований российских и зарубежных ученых (в том числе В.В.Волгина [8, 9] (1997, 2000), Н.В.Ермолина [23, 24] (2001, 2003), Е.Р.Добронравина [17, 18, 19] (2000), Курта Хоффмана [84] (2000) и др.), а также обзор решений крупных европейских и японских производителей (Daimler-Chrysler, Toyota, Mazda) показал, что затраты предприятий на формирование и поддержание складов запасных частей могут быть значительно снижены за счет централизации управления запасами складов в масштабах сбытовой цепи предприятия-производителя, повышения точности прогнозирования потребности и оптимизации хранимой номенклатуры.

Таким образом, прогнозирование потребности в запасных частях является важнейшей задачей АСУТП. Необходим анализ и развитие существующих методов прогнозирования, а также разработка новых методов, отвечающих сегодняшней экономической ситуации и использующих возможности современной вычислительной техники.

Во второй главе проведен анализ существующих методов прогнозирования потребности в запасных частях.

Анализ используемых методик показал, что существующие подходы к определению необходимого количества и номенклатуры поставляемых запасных частей были разработаны для плановой экономики и их использование в условиях рынка неэффективно. В некоторых работах вопросы определения потребности в запасных частях на основе маркетинговых исследований проработаны достаточно глубоко, однако в основном они носят общетеоретический характер и мало пригодны для практического использования. Регрессионные модели, применяемые в настоящее время, требуют частого пересмотра предикторов, что сопряжено с трудоемким процессом определения корреляционной значимости факторов в изменяющейся внешней среде.

Проведен анализ факторов, определяющих спрос на запасные части.

Предложенная классификация факторов позволяет более эффективно формировать первичную выборку данных для регрессионного или интеллектуального анализа, на основе априорных предположений.

Рассмотрены различные типы запасов.

Описана модель планирования складского запаса деталей на основании прогноза использования товарных запасов, данных о стоимости выполнения заказа и затрат по содержанию запасов. Классические модели определения момента заказа, основанные на индивидуальных точках заказа отдельных номенклатурных позиций, в применении к широкой номенклатуре автомобильных запасных частей имеют склонность к «переобслуживанию», то есть завышению итогового параметра уровня обслуживания относительно требуемого, и, как следствие, завышенным издержкам хранения и транспортным расходам. Преимуществом предложенной модели является возможность определения момента размещения очередного заказа из условия обеспечения требуемого группового уровня обслуживания.

Исследованы методы классификации и группировки номенклатуры автомобильных запасных частей и комплектующих.

Предложен метод группировки по причине замены. Для предварительного отбора данных с целью последующего корреляционного анализа предлагается поделить весь ассортимент запасных частей на группы по причинам замены, то есть совокупностям факторов, обусловливающих возникновение потребности.

Предложенный метод классификации позволяет автоматизировать процесс выбора методики прогнозирования для каждой номенклатурной позиции на начальном этапе прогнозирования. Такое разбиение позволяет повысить точность прогноза потребности для каждой детали и, как следствие, повысить общее качество прогноза для всей группы.

Предложен метод классификации запасных частей по характеру спроса на деталь - является ли он периодическим, случайным или сезонным.

Основная особенность алгоритма состоит в том, что, в отличие от используемых в настоящее время, он учитывает распределение потребления по месяцам года, а не общее потребление запасных частей, что исключает возможность определения случайного спроса как сезонного.

Разработан алгоритм выявления сезонного спроса.

Предложено использовать методы интеллектуального анализа данных для классификации и кластеризации номенклатуры запасных частей и комплектующих. Описанный метод развит в третьей главе исследования при разработке метода прогнозирования с помощью логического дерева.

В третьей главе обосновываются критерии качества прогноза:

Предложен метод определения исключительных значений спроса (выбросов).

Исследована эффективность применения для прогнозирования потребности в запасных частях методов анализа временных рядов. Представлена сравнительная характеристика различных методик анализа.

Разработан метод среднемесячной потребности для оценочного прогнозирования спроса на запасные части. Разработанный метод может быть использован в случаях, если набор статистических данных не позволяет проводить сложный анализ с выявлением и учетом коррелирующих факторов, а также при необходимости провести оценочный прогноз для принятия оперативных управленческих решений для периодического составления краткосрочных прогнозов.

Разработан метод прогнозирования потребности в запасных частях с использованием логического дерева. Основной особенностью предложенного алгоритма является возможность частого пересмотра предикторов, так как их выявление из набора предполагаемых факторов проводится при минимальном объеме ручного труда. Частый пересмотр предикторов позволяет более эффективно отслеживать изменение внешней среды и ее влияния на потребность в запасных частях.

В четвертой главе отражено экспериментальное исследование экстраполяционного метода прогнозирования потребности, использованы данные о реализации автомобильных запасных частей предприятием ООО «Авантекс» (г.Москва) в период 2002-2004 гг.

Определены условия применения метода прогнозирования потребности на базе экспоненциального сглаживания временных рядов.

Разработана программная модель БД системы автоматизации снабжения запасными частями. Предложенная модель позволяет обеспечить обратную связь между сбытовой цепью предприятия, то есть подразделениями предприятия, непосредственно представленными на рынке и производством. Данные, собранные и обработанные АСУТП, представляют собой основу для принятия производственных и управленческих решений.

В заключении представлены основные результаты работы.

Объем работы

Диссертационная работа состоит из введения, 4 основных глав, заключения, списка литературы из 101 наименования, приложения (документы о внедрении).

ВЫВОДЫ К ГЛАВЕ 4

Проведено экспериментальное исследование метода экстраполяционного прогнозирования. В рамках эксперимента получены различные варианты прогноза, оценено качество прогнозирования при использовании ряда параметров. Метод может быть использован при практической реализации системы планирования склада запасных частей.

Разработана программная модель базы данных дилерского предприятия. Структура базы данных позволяет автоматизировать процесс обработки информации, используемой в деятельности фирмы при сопровождении заказов запасных частей и информационном обеспечении клиентов фирмы. Обработанная информация может быть собрана, обработана и использована при прогнозировании потребности в запасных частях на этапе формирования склада запасных частей и при его дальнейшей эксплуатации.

В разработанной модели базы данных предложено использование исследованных в главе 3 методов прогнозирования, что позволяет обеспечить высокое качество прогноза, повысить оборачиваемость склада предприятия, снизить издержки на формирование склада и его эксплуатацию, автоматизировать сбор и обработку статистической информации.

Заключение

В итоге выполнения диссертации были получены следующие основные результаты, определяющие ее научную новизну и практическую значимость:

Проведен анализ состояния российского рынка автомобильных запасных частей и степени автоматизации технологических процессов снабжения запасными частями автотранспортных предприятий, проведен анализ существующих методов классификации и группировки номенклатуры запасных частей.

Разработаны методы классификации запасных частей по причине замены и характеру спроса на деталь.

Проведен анализ и оптимизация методов прогнозирования и планирования запасов запасных частей. Предложен метод среднемесячной потребности для упрощенного прогнозирования и предварительного отбора номенклатуры для анализа.

Разработан метод выявления факторов, определяющих спрос на запасные части, прогнозирования потребности с учетом динамики выявленных факторов на основе интеллектуального анализа данных (логического дерева), для подготовки краткосрочных и среднесрочных прогнозов, оценки влияния факторов, планирования запасов запасных частей при быстро растущем парке автомобилей в регионе.

Разработаны алгоритмы классификации запасных частей.

Разработана структура базы данных АСУТП регионального склада запасных частей предприятия. Структура БД позволяет автоматизировать процесс обработки информации, используемой в деятельности фирмы при сопровождении заказов запасных частей и информационном обеспечении клиентов предприятия.

Проведено экспериментальное исследование метода экстраполяционного прогнозирования. В рамках эксперимента получены варианты прогноза, оценено качество прогнозирования при использовании ряда параметров. Определены условия применения метода при практической реализации системы планирования склада запасных частей.

Разработанные методы и алгоритмы прошли апробацию и внедрены для практического применения на ряде предприятий по снабжению запасными частями, используются в ООО «Авантекс» (г. Москва) и ООО ПКФ «Крепость» (г.Красноярск).

1. Агзамов Г.К. Прогнозирование потребности в запасных частях с учетом зональных особенностей эксплуатации машин: Труды ГОСНИТИ. -М.: ГОСНИТИ, 1974. Т.80. - ч.2 С.107-113

2. Андреев А., Березкин Д., Самарев Р. Внутренний мир объектно-ориентированных СУБД. Открытые системы, No 03/2001. С.67-78

3. Архипов В.Г., Нисневич А.И. Производство и организация сбыта запасных частей // Тракторы и сельскохозяйственные машины. 1997. - №10. С.12-13

4. Баутин В.М., Голубев И.Г., Ермолин Н.В. Определение потребности в запасных частях при фирменном техническом сервисе: сборник материалов научно-практической конференции «Проблемы воспроизводства сельскохозяйственной техники». М.: МГАУ, 2001. С.112-118

5. Бережной В.И., Бережная Е.В. Методы и модели управления материальными потоками микрологистической системы автопредприятия. -Ставрополь: Интеллект-сервис, 1996. 155 стр.

6. Борозенец В.Н. Прогнозирование потребности в запасных частях к сельскохозяйственной технике на примере дождевальных машин: Автореф. дис. канд. экон. наук. Ставрополь, 1999. 22 стр.

7. Будаев Ю.В., Автопарк России (40 областей с 2000-2003 гг.). Новостное издание ООО "ИнфоМАД". 94 стр.

8. Волгин В.В. Автобизнес. М.: Ось-89,2000. 840 стр.

9. Волгин В.В. Запасные части: особенности маркетинга и менеджмента. М. Ось-89, 1997. 360 стр.

10. Гальперин A.C., Щипов И.В. Прогнозирование числа ремонтов машин. М.: Машиностроение, 1978.112 стр.

11. Гамбаров Г.М. Моделирование и прогнозирование динамических рядов. М.: Финансы и статистика, 1988. 42 стр.

12. Гамбаров Г.М., Журавель Н.М., Королев Ю.Г. Статистическое моделирование и прогнозирование. -М.: Финансы и статистика, 1990.383 стр.

13. Голубев И.Г., Ермолин Н.В. Повышение эффективности обеспечения запасными частями при фирменном техническом сервисе: Аналитический обзор. М.: ФГНУ «Росинформагротех», 2001. 11 стр.

14. Голубев И.Г., Ермолин Н.В. Прогнозирование емкости рынка запчастей для технического сервиса автомобилей: Сборник материалов юбилейной конференции инженерного факультета. -М.: РГАЗУ, 2001. С.68-75

15. Деамико Мэри Элизабет. Служба новостей IDG, Мюнхен 20.09.1998; Computerworld, #35/1998. С.54-55

16. Добронравии Е.Р. Введение в теорию управления запасами. Ярославский государственный университет. http://simplesofl.ru/articles/theory.htm. 16 стр.

17. Добронравии Е.Р. Критерии оптимизации в системах управления запасами. Ярославский государственный университет. http://simplesoft.ru/articles/theory.htm. 18 стр.

18. Добронравии Е.Р. Методика оптимального управления товарными запасами в сбытовой цепи промышленного предприятия: Дис. канд. экон. наук /Ярославский государственный университет (ЯрГУ). Ярославль, 2000. 23 стр.

19. Егорова Н.Е., Мудунов А.С. Применение моделей и методов прогнозирования спроса на продукцию сферы услуг. -М., ЦЭМИ РАН, 2000. 54 стр.

20. Егорова Н.Е., Мудунов A.C. Система моделей прогнозирования спроса на продукцию сферы услуг. Журнал «Аудит и Финансовый анализ», №3,2001. М., Компьютерный аудит, 2001. С.66-83

21. Елманова Н., СУБД ведущих производителей. Журнал Сети № 10'2002. Изд-во КомпьютерПресс. С.47-55

22. Ермолин Н.В. Прогнозирование потребности в запасных частях для автомобилей сельскохозяйственного назначения (на примере дилерской системы ОАО «ГАЗ»): Дис. канд. экон. наук. Москва, 2003. 162 стр.

23. Жалковер Т.Д., Широков A.B. К вопросу об оптимальной комплектации технических устройств запасными частями // Надежность и контроль качества. 1970. - №9. С.23-26

24. Зарубин А.Г., Чернобродов П.Л., Шейнин В.А. Совершенствование методики нормирования расхода запасных частей. В кн.: Повышение эксплуатационной надежности автомобилей. М.: Транспорт, 1976. С.28-37

25. Зеленкович Ю. А. Введение в БД. Курс лекций. http://www.mstu.edu.ru/education/materials/zelenkov/toc.html. 107 стр.

26. Кинг Гарри Уорен. Почему объектная ориентация работает. http://www-eksl.cs.umass.edu/~gwking/whyoop.htm. 5 стр.

27. Кирстен В., Ирингер М. и др. СУБД Cache. Объектно-ориентированная разработка приложений. СПб.: Питер, 2001. 384 стр.

28. Кирстен В. От ANS MUMPS к ISO М. СПб.: АОЗТ "СП.АРМ", 1995. 277 стр.

29. Кокс Д., Смит В. Теория восстановления. М.: Советское радио, 1975.-472 стр.

30. Коломиец П.А. Организация и планирование обеспечения народного хозяйства запасными частями к тракторам, автомобилям и сельскохозяйственным машинам. М. Россельхозиздат, 1975. 143 стр.

31. Корольков И.В., Королькова Л.И. Прогнозирование состояния машин и производственно-технологических процессов // Техника в сельском хозяйстве. 1991. - №6. С. 17-19

32. Коршунов Ю. М. Математические основы кибернетики. М. Энергоатомиздат, 1987.494 стр.

33. Котлер Ф. Основы маркетинга. М.: Прогресс, 1991. 356 стр.

34. Краузе А.Г. Оптимизация стратегий замен деталей машин с использованием статистического моделирования: Автореф. дис. канд. техн. наук. -М., 1981. 16 стр.

35. Кречетов Н., Сиротюк О. Постреляционная СУБД Cache 5. Журнал "Byte" №6,2003. С.23-31

36. Кугель Р.В. Надежность машин массового производства. М.: Машиностроение, 1981. 224 стр.

37. Кузнецов Е.С. и др. Техническая эксплуатация автомобилей. М.: Транспорт, 1991.416 стр.

38. Кузнецов Е.С., Троицкий А.И. Совершенствование методов определения нормативной потребности в запасных частях. Повышение эксплуатационной надежности автомобилей. -М.: НИИАТ, 1979. Вып.З. С.106-116

39. Кукушкин В .В. Методические основы совершенствования управления снабжением запасными частями автотранспортных предприятий: Дис.канд.экон.наук. СПб., 1997. 154 стр.

40. Кульба В.В., Сиротюк В.О. и др. Теоретические основы проектирования оптимальных структур распределенных баз данных. М.: СИНТЕГ, 1999. 660 стр.

41. Лайкам Э.Л. Методика получения распределений технических ресурсов деталей машин по данным об их замене при эксплуатации и ремонте // Стандарты и качество. 1968. С.54-55

42. Лисунов Е.А., Осьмигин Л.Г. Расчет оптимального комплекта запасных частей для картофелеуборочных комбайнов: Труды научно-практической конференции «Надежность и ремонт сельскохозяйственной техники». Горький: ГСХИ, 1982. С.4-8

43. Лукинский B.C., Кукушкин В.В. Методические основы управления снабжением запасными частями автотранспортного предприятия. -Ставрополь, 1997. 68 стр.

44. Методика нормирования расхода запасных частей к тракторам и сельскохозяйственным машинам. М.: ГОСНИТИ, 1984. 104 стр.

45. Методика определения предварительной номенклатуры, норм расхода запасных частей для сельскохозяйственных машин, подготавливаемых к производству по результатам испытаний опытной партии. М.: ВИСХОМ, ГОСНИТИ, УкрНИИСХОМ, КубНИИТИМ, 1975. 32 стр.

46. Методика разработки норм расхода запасных частей к автомобилям. М.: ЦНИЛ, 1974. 52 стр.

47. Методика разработки нормативов надежности, трудоемкости номенклатуры и количества ремонтных комплектов для выполнения агрегатированных операций в условиях индустриальной системы технического обслуживания и ремонта автомобилей. М: НИИАТ, 1984.67 стр.

48. Методика разработки нормативов потребности в запасных частях и сборочных единицах к сельскохозяйственным машинам на ремонтно-эксплуатационные нужды. М.: ВИСХОМ, ГОСНИТИ, 1983. 82 стр.

49. Методические рекомендации по снабжению потребителей запасными частями к автомобилям, тракторам, сельскохозяйственным и другим машинам организациями системы Россельхозтехники. М.: Центральное бюро научно-технической информации, 1975. 28 стр.

50. Методические указания по нормированию расхода запасных частей сельскохозяйственными машинами. М.,: ГОСНИТИ, 1979. 65 стр.

51. Методические указания по определению ресурса двигателей. М.: ГОСНИТИ, 1971. 104 стр.

52. Никифоров А.Н. Сельскохозяйственные машины, оборудование и запасные части. М.: Колос, 1999. С.266-268

53. Николаев А.Б., Фоминых И.Б. Интеллектуальный анализ и обработка данных: Учеб. пособие по курсу "Интеллектуальные системы" /МАДИ ГТУ — 4.1. — М., 2003.119 стр.

54. Носов Д., Чернышев А. Пример использования Cache в управлении предприятием. Журнал «Открытые системы». #10/2000. С.104-109

55. Петряков С.Н. Прогнозирование потребности в запасных частях с учетом их качества и маркетинга: Дис. канд. экон. наук. Саранск, 1999.231 стр.

56. Платонов C.B. Разработка методов оперативного обнаружения устоявшихся ассоциаций в данных и их использование при сопровождении баз данных корпоративного уровня. Дисс. на соиск. уч. степ. канд. техн. наук. МАДИ, 2003. 134 стр.

57. Положение о техническом обслуживании и ремонте подвижного состава автомобильного транспорта. -М.: Транспорт, 1986. 72 стр.

58. Поляков А.О., Семёнов И.А. Представление знаний и объектно-ориентированная СУБД Cache'.http://www.semenov.webservis.ru/it/articles/ar5 .htm. 72 стр.

59. Родников А.Н., Щербаков А.А. Логистика в снабжении запасными частями // Тракторы и сельскохозяйственные машины. 1992, № 5. С.34-37

60. Селиванов А.И. Основы старения машин. М.: Машиностроение, 1971.408 стр.

61. Сиротюк О. СУБД Cache. "BYTE/Россия" No 6/2002. С.27-42

62. Трикозюк В.А. Повышение надежности автомобилей. М: Транспорт, 1980. 88 стр.

63. Ульман И.Е. Техническое обслуживание и ремонт машин. М.: Агропромиздат, 1990. - С.365-366.

64. Фастовцев Г.Ф. Автотехобслуживание. М.: Машиностроение, 1985. 256 стр.

65. Федоров А.В. Товарно-материальные запасы. РИСК-№5,1997.49 стр.

66. Фуфаев С.А. Исследование рынка автомобильных запасных частей и факторов прогнозирования их потребности в производстве: Дис. канд. экон. наук. Самара, 1994. 168 стр.

67. Чеканский А.Н., Фролова H.JI. Теория спроса, предложения и рыночных структур. М, ТЕИС, 1999. 421 стр.

68. Шахиди А. Деревья решений С4.5 математический аппарат BaseGroupLabs, 2002. http://wvm.basegroup.ru/trees/mathc45partl.htm, 25 стр.

69. Шеннон К. Работы по теории информации и кибернетике. М. Иностранная литература, 1963. 829 стр.

70. Щетина В.А. Лукинский B.C., Сергеев В.И. Снабжение запасными частями на автомобильном транспорте. М.Транспорт, 1988. 112 стр.

71. Adriaans P., Zantinge D. Data Mining. Addison Wesley Longman, 1996. 158 стр.

72. Bartels D. Objektorientierte Datenbanksysteme Konzepte, Einsatzgebiete und Standardisierung. Microsoft System Journal, July/August 1992. 421 стр.

73. Bowman, Robert J. Lean on Automation, Mazda's Spare Parts Center Covers Europe. Logistics & Supply Chain Strategies. March, 1999.Keller Publishing, http://www.glscs.c0m/archives/3.99.Mazda.htm?adcode=5. 11 стр.

74. Brodley Carla E., Lane Terran, Stough Timothy M. Knowledge Discovery and Data Mining. American Scientist. Volume: 87 Number: 1 Page: 54, DOI: 10.1511/1999.1.54

75. Brown R.G. Decision Rules for Inventory Management. New York: Holt, Rinehart and Winston, 1967. C.29-31

76. Caruso, Dave. Demand-Driven Supply Networks: SCM Done Right // AMR Research, 11.2003. C.33-47

77. Federal Materiel Management Desk Reference http://www.knownet.hhs.gov/log/matmanDR/LAI/Module3/Phase 1 /demand.htm

78. Gehrke J., Ramakrishnan R., and Ganti V. RainForest- a Framework for Fast Decision Tree Construction of Large Datasets. Proc. 24th Int'l Conf. Very Large Data Bases, Morgan Kaufmann, San Francisco, 1998

79. Graham Ian. Object-Oriented Methods. Principles and Practice. 3rd Edition. Addison-Wesley, 2001.

80. Graham, Gordon, Distributor Survival in the 21 st Century, Inventory Management Press 1992, page 40.

81. Hoffmann, Kurt C. Mercedes Pares Parts Inventory of Its Latin American Operations. Global Logistics & Supply Chain Strategies. June, 2000. Keller Publishing.http://www.glscs.com/archives/6.00.regionalfeatures.htm?adcode=5

82. Inmon W.H. Building the Data Warehouse (Second Edition). NY, NY: John Wiley, 1993.

83. ITtoolbox Team. Forecasting with Sporadic Data in i2. Adapted Discussion Summary.http://supplychain.ittoolbox.com/documents/document.asp?i=2291

84. Jordan H.H. Sales forecasting. Basic principles, philosophy and concepts, http://www.inventorymanagement.com/fcstgl .htm.

85. Makridakis S. The accuracy of Extrapolation (Time Series) Methods: results of a Forecasting competition. Journal of Forecasting, No. 2, 1982. C.l 11-153

86. Mannila H., Toivonen H. On an algorithm for finding all interesting sentences. In Cybernetics and Systems, Volume II, The Thirteenth European Meeting on Cybernetics and System Research, Vienna, Austria, April 1996. P. 973-978.

87. Pareto (ABC) Analysis, BOLA. http://sol.brunel.ac.uk/~jarvis/bola/operations/stock/pareto.htm

88. Parsaye K. A Characterization of Data mining technologies and Processes // The Journal of Data Warehousing. 1998. - № 1

89. Plossl G.W. Production and inventory Control. 2nd edition, 1985, Prentice Hall, http://www.inventorymanagement.com/fostg2.html

90. Quinlan J. Ross. C4.5: Programs for Machine learning. Morgan Kaufmann Publishers 1993.

91. Rastogi R. and Shim K. Public: A Decision Tree Classifier that Integrates Building and Pruning. Proc. 24th Int'l Conf. Very Large Data Bases, Morgan Kaufmann, San Francisco. 1998.

92. Schreibfeder, Jon. Is it sporadic or is it seasonal? Effective Inventory Management. Coppel, USA, 1996. http://www.effectiveinventory.com/article47.html

93. Schreibfeder, Jon. Why Weekly Forecasting? Part One. http://www.effectiveinventory.com/article52.html

94. Schroeder R.G. Operations Management. Decisions Making in the Operations Functions. 3d ed. McGrow-Hill Publishing Company, 1989.

95. StatSoft, Inc. (2001). Электронный учебник по статистике. Москва, StatSoft, http://www.statsoft.ru/home/textbook/default.htm

96. Tukey J. Exploratory Data Analysis. NY: McMillan. 1973.

97. Vollmann Т.Е., Berry W.L., Whybark D.C. Manufacturing planning and Control Systems, 1988. Second Edition, Irwin, Homewood, Illinois 60430. C.718-720

98. Wight O.W. Production and Inventory Management in the Computer Age, Cahners, 1974.123 стр.

99. ИНН 7701511574, КПП 770101001

100. А.В.Хвойницкий, генеральный директор ООО «Авантекс»

101. Кононов С.Б., технический директор ООО "Авантекс

102. Страхов И.Л., эксперт отдела запасных частей1. АКТоб использовании результатов

103. Суворова Германа Германовича

104. Математической и программной моделей метода прогнозирования потребности в запасных частях с использованием логического дерева.

105. Алгоритмов и методов классификации запасных частей (по причине замены и характеру спроса).

106. Методов прогнозирования и планирования запасов запасных частей.

107. Рекомендаций по использованию метода экспоненциального сглаживания при прогнозировании потребности в запасных частях.

108. ЕЯ-моделей БД АСУТП снабжения запасными частями.

109. А.С.Кангун, Генеральный директор ООО ПКФ "Крепость'

110. П.С.Варыгин, Директор производства ООО ПКФ "Крепость1

111. Директор Сервиса ООО ПКФ «Крепость»и