机器学习做缺料预警：先备好哪些数据

缺料预警要回答什么问题

在 SMT 车间，缺料通常不是“仓库里完全没有这颗料”，而是“该到线边的时候没有到”。原因可能是账面有库存、实物却不够，可能是抛料比预期多导致提前用完，也可能是采购到货晚于排产。等到贴片机报缺料再去找料，产线已经停下来了。

缺料预警要做的，是在停线之前回答三个问题：哪张工单、哪个料号、大约在什么时候会不够。备料则是它的另一面：按工单提前把料配齐，配不齐的部分尽早暴露出来，给采购和计划留出处理时间。这两件事都可以先用规则计算，再用机器学习去修正规则算不准的部分。

需要哪几类数据

不论用规则还是用模型，输入数据大致相同。下表列出常见的数据类别和它们在预警中的作用。

其中库存和出入库记录是基础中的基础。BOM 给出的是理论用量，真正决定“够不够”的，是每一盘料现在还剩多少、放在哪里、批次和有效期是否允许使用。

除了数据种类，还要注意两点。一是粒度：库存要精确到每一盘，而不是每个料号的总数，否则无法判断哪一盘能先用、哪一盘已经过期或需要烘烤。二是时间对齐：工单计划、出库、上料和贴装记录的时间要能对得上，才能算出某个料号在某条线上的实际消耗速度。很多工厂的数据分散在 ERP、MES、仓库台账和贴片机日志里，建模之前先把这些数据按料盘和工单关联起来，本身就是一项不小的工作。

机器学习能补上哪些部分

规则计算的逻辑很直接：需求量等于工单数量乘以单板用量，再加上一个损耗系数，与可用库存相减得到缺口。问题在于损耗系数往往是一个固定值，而现实中的偏差会随料号、封装、机台、供应商批次和班次而变化。

机器学习适合处理这类“有规律但难以写成规则”的偏差。常见的思路包括：

• 用历史贴装与抛料记录，按料号和机台预测实际损耗，替代统一的损耗系数；
• 用历史出入库记录，估计退库料盘的登记数量与真实剩余量之间的差异；
• 用采购到货记录，估计某类物料延迟到货的可能性；
• 把以上结果合在一起，给每张工单的每个料号一个缺料风险等级，而不是简单的“够”或“不够”。

模型可以从回归、梯度提升树这类处理结构化数据的方法起步，不一定需要深度学习。更重要的是输出要能解释：判定为高风险，是因为库存偏少、损耗偏高，还是到货可能延迟。只有说得清原因，计划员和仓库人员才会据此行动。

先把数据做准：模型之前的功课

很多缺料预警项目效果不理想，问题不在算法，而在数据。常见的情况有：

1. 账实不符：系统里有，货架上没有；或者料盘被挪动后没有扫码更新库位。
2. 退库数量靠估：上完线的料盘退回仓库时，数量凭经验填写或按重量估算，多次退库后误差不断累积。
3. 料号与标签不统一：同一颗料在不同供应商的标签上写法不同，注册时录入错位。
4. 记录缺少时间：只记结果不记时间，就无法还原消耗速度。
5. 出库规则没有执行：系统建议出 A 盘，现场拿了 B 盘，批次和有效期记录随之失真。

用这样的数据训练模型，模型学到的是错误的规律，给出的风险等级也无法让人信任。因此建议先把注册、库位、点料和出库规则这几件事做扎实，让每一盘料的数量和位置都有可靠记录，再积累一段时间完整的历史数据，用于训练和验证。

推进顺序与效果评估

一个比较稳妥的推进顺序是：

1. 用规则先跑起来：基于 BOM、工单和实时库存计算缺口，每天或每班生成缺料清单；
2. 记录偏差：把预测的缺口与实际发生的缺料、停线、紧急补料对照，积累样本；
3. 引入模型：针对偏差较大的几类料号，先试用损耗预测或剩余量预测；
4. 人工复核：模型给出的高风险项由计划员确认后再行动，同时收集反馈用于改进。

评估时可以关注几个指标：预警比实际缺料提前了多长时间、误报占多少、漏报有多少、因缺料导致的停线和紧急补料次数是否减少。这些指标都要先有上线前的基线，才能判断模型是否真正带来改善。

还要事先约定预警之后由谁处理、怎么处理。例如高风险项由计划员确认是否调整排产，仓库按预警清单提前备料，采购跟进在途物料，工程确认能否启用替代料。预警如果没有对应的处理流程，再准也只是一张报表。

在挚锦方案中的位置

挚锦目前提供的是缺料预警所依赖的准确数据基础，而不是预测模型本身。在物料闭环管理中，NEO SCAN 系列负责来料扫码注册；SMD BOX 云料仓库存准确性 100%，出入库全程有记录；NEO COUNTER X 光点料机不拆封清点料盘，准确率 99.9%，解决退库数量靠估的问题；SMF 物料管理软件可按 FIFO/FEFO 出库，并通过标准 API 对接 MES/ERP，为计划系统或工厂自建的模型提供库存与出入库数据。上线前的缺料排查方法可参考上料前缺料排查。

工作时间 周一至周五 9:00-18:00，其他时间请在线留言，我们回电。