针织服装大货生产中批量系数的计算方法与流程

本发明属于服装生产管理领域，特别涉及一种针织服装大货生产中批量系数的计算方法。

背景技术：

标准工时是服装生产企业重要的基础管理数据之一，是企业安排生产、组织流水线、核算成本、预估利润等重要依据，其数据的准确与否将直接影响企业的生产、经营和管理。由于标准工时只是个基准值、参照值，当企业运用标准工时进行计划安排、工序编排、成本核算时，必须根据实际情况加以调整和修正，使之较能真实的反映实际情况。

在经济全球化的背景下，服装生产模式向多品种、小批量转变。由于产品数量少、转款快，使得服装生产状态尚未达到企业的标准工时定额时已经结束生产，导致企业在接单报价、衡量生产能力等方面缺乏科学依据。批量系数就是为了补偿实际批量与标准批量之间的差距，而决定的时间增加或折扣而设立的系数，它是依据学习率根据订单批量大小对标准工时定额所做的修正，修正后的工时定额更加符合实际生产情况，使服装生产现场管理更加精细化。

批量系数的研究最早来源于机械制造行业。最初机械制造业单量少，单件产品加工时间长，企业采用分段分级式(即不同批量对应不同的系数)的批量系数法来计算不同批量下的标准加工时间；此后相关研究者借助学习曲线来计算批量系数。杨以雄教授在此基础上提出了根据熟练率、批量比查批量系数表得到批量系数值。

在实际生产中，企业多采用分段分级式的批量系数法，如下表所示：

企业批量系数表

在实际应用中，直接将实际生产的产品批量对照批量系数表直接使用，即产品批量标准工时＝产品批量×批量系数×单件标准工时。这种方法虽然使用方便，但款式不同，加工难易也不一样，批量系数也不一样。企业使用一种批量系数表，用于企业所有产品，存在一定的不合理性。此外，批量系数的修正受分段的影响，缺乏稳定性；介于分段点上的批量定额也存在一定的不合理性。

此外，现有的研究多基于人工收集少量样本数据进行学习曲线模拟，根据样本数据主观确定产品的标准批量，再进行产品批量系数的确定。这种方法存在一定的主观判断性和滞后性，不能很好的适用于服装企业多品种、智能化生产。

技术实现要素：

本发明要解决的是现有批量系数计算繁琐、主观性强等技术问题，从而提供一种能方便、快捷的得到订单产品的批量系数，为企业标准工时的修正提供科学、合理的依据，进而对企业安排生产、生产报价、核算成本、预估利润等提供依据的针织服装大货生产中批量系数的计算方法。

为解决上述技术问题，本发明所采用的技术方案如下：一种针织服装大货生产中批量系数的计算方法，步骤如下：s1，根据企业的rfid系统或吊挂系统收集企业历史生产数据；

所述历史生产数据需包括产品订单号、生产时间、日产量、日工作时间等，并对收集到的企业生产一线历史生产数据进行整理，将每个产品的生产数据按生产时间从早到晚进行排序。

s2，学习曲线拟合，计算各产品订单的首件工时ai、学习系数bi和员工学习率c；

s2.1，根据历史生产数据，计算每个产品订单的累计产量、累计工时、累计单件平均工时。具体地，以小组最后一道工序的产量或者组检处的产量为当天的日产量，求所有生产该产品订单的各小组的日产量均值作为该产品的日产量、小组每天的平均工作时间作为该产品的日加工时间，计算出产品的累计日产量、累计工时、累计单件平均工时，计算公式如下：

累计日产量＝∑产品日产量；

累计工时＝∑产品日加工时间；

s2.2，建立产品订单的学习曲线，具体为：

y＝ax^-b(1)；

其中，y表示生产第x件产品的累计平均工时；x为累计产量；a为首件工时；b为学习系数，0<b<1，且c为员工学习率。

s2.3，根据步骤s2.1中的计算数据，对步骤s2.2中的学习曲线进行拟合，得到每个产品订单的首件工时ai、学习系数bi和员工学习率ci,其中，i表示产品订单序号，i∈[1,n]，n∈n⁺。

s3，计算各产品订单的手工作业比例。

各产品订单的手工作业比例有两种计算方式，一种是根据各订单产品的gsd动作分析，得出各产品订单的手工作业比例，计算公式为：

另一种是根据各产品订单的工序类型进行手工作业比例计算，计算公式为

由于产品多数工序需要人机配合，在实际生产中受员工技能水平的影响较大，在处理人机配合的工序时，将人机配合的工序视为机械作业时间，避免受员工技能水平的干扰。

s4，计算各产品难度。

具体步骤为：s4.1，根据企业gsd系统确定各产品订单的纯粹总加工时间；

s4.2，计算各产品订单的标准总加工时间；

计算公式为：标准总加工时间＝纯粹总加工时间×(1+浮余率)(4)；

s4.3，根据企业划分工序的习惯，得到每个产品订单实际生产中缝制环节的工序单中所包含的工序数量；

s4.4，根据步骤4.2和步骤4.3计算每个产品订单的产品难度；

s5，确定产品订单的首件工时a与员工学习率c、手工作业比例、产品难度的关系式。

具体步骤为：s5.1，建立产品订单的首件工时a与员工学习率c、手工作业比例、产品难度的关系模型，具体为：

y＝ω+α×x1+β×x2+γ×x3(6)；

其中，x1表示手工作业比例，x2表示产品难度，x3表示产品熟悉度c，y表示首件工时a；ω为常数，α、β、γ分别为系数；

s5.2，根据步骤2-4中计算的各产品订单的手工作业比例、产品难度、产品熟悉度c和首件工时a分别代入关系模型中进行拟合，得到ω，α、β、γ的数值，进而得到系数确定的关系模型。

s6，计算产品订单的标准批量；

s6.1，对步骤s2中的学习曲线求导，得到一阶导函数y′：

y′＝-abx^-b-1(7)；

s6.2，对一阶导函数y′求解，得到产品订单的标准批量；

令y′＝-abx^-b-1＝-0.08(8)；

计算得到产品订单的标准批量为

s7，计算产品订单的批量系数；

计算公式为：

s8，修正、完善标准总工时

根据步骤s7中得到的产品订单的批量系数，对产品订单的标准总工时进行修正；修正公式为：

修正的标准总工时＝标准总工时×批量系数(10)。

本发明基于rfid系统等收集的一线生产数据，结合产品的订单信息，根据企业gsd系统得出产品的标准总工时、工序数量和手工作业比例；通过对数据进行拟合得到产品的首件工时a、学习系数b和学习率c，然后进行回归分析，得出产品难度、手工作业比例和产品熟悉度，学习率直观反映了员工对某一产品的熟悉程度，因此用学习率c表征产品熟悉度，与产品首件工时a的关系式；确定学习曲线导数y′=-abx^-b-1=-0.08时的累计产量x为标准批量，通过求解x确定产品标准批量；后根据批量系数的计算公式确定产品的批量系数。本发明能方便、快捷的得到订单产品的批量系数，为企业标准工时的修正提供科学、合理的依据，进而对企业安排生产、生产报价、核算成本、预估利润等提供依据。本发明所设计的批量系数计算方法，在已知产品的标准总加工时间、分解的工序数量、手工作业比例和员工的学习率的情况下即可直接得到产品在一定订单量下的批量系数，进而对企业给定的标准工时进行修正，完善企业的标准工时系统，提高企业的管理决策能力。

附图说明

图1为本发明学习曲线图。

图2为本发明系统流程图。

具体实施方式

如图1-2所示，一种针织服装大货生产中批量系数的计算方法，步骤如下：s1，根据企业的rfid系统或吊挂系统收集企业历史生产数据；

所述历史生产数据需包括产品订单号、生产时间、日产量、日工作时间等，并对收集到的企业生产一线历史生产数据进行整理，将每个产品的生产数据按生产时间从早到晚进行排序。

s2，学习曲线拟合，计算各产品订单的首件工时ai、学习系数bi和员工学习率c；

s2.1，根据历史生产数据，计算每个产品订单的累计产量、累计工时、累计单件平均工时。具体地，以小组最后一道工序的产量或者组检处的产量为当天的日产量，求所有生产该产品订单的各小组的日产量均值作为该产品的日产量、小组每天的平均工作时间作为该产品的日加工时间，计算出产品的累计日产量、累计工时、累计单件平均工时，计算公式如下：

累计日产量=∑产品日产量；

累计工时=∑产品日加工时间；

s2.2，建立产品订单的学习曲线，具体为：

y＝ax^-b(1)；

其中，y表示生产第x件产品的累计平均工时；x为累计产量；a为首件工时；b为学习系数，0<b<1，且c为员工学习率。

随着累计产量的增加，员工熟练程度的提高，产品单件工时呈下降趋势，这样就形成了一条工时递减的函数曲线，称为学习曲线。如图1所示。

s2.3，根据步骤s2.1中的计算数据，对步骤s2.2中的学习曲线进行拟合，得到每个产品订单的首件工时ai、学习系数bi和员工学习率ci,其中，i表示产品订单序号，i∈[1,n]，n∈n⁺。

s3，计算各产品订单的手工作业比例。

各产品订单的手工作业比例有两种计算方式，一种是根据各订单产品的gsd动作分析，得出各产品订单的手工作业比例，计算公式为：

另一种是根据各产品订单的工序类型进行手工作业比例计算，计算公式为

由于产品多数工序需要人机配合，在实际生产中受员工技能水平的影响较大，在处理人机配合的工序时，将人机配合的工序视为机械作业时间，避免受员工技能水平的干扰。

s4，计算各产品难度。

具体步骤为：s4.1，根据企业gsd系统确定各产品订单的纯粹总加工时间；

s4.2，计算各产品订单的标准总加工时间；

计算公式为：标准总加工时间＝纯粹总加工时间×(1+浮余率)(4)；

浮余率依据各企业的管理水平确定，一般企业浮余率在25％以上。

s4.3，根据企业划分工序的习惯，得到每个产品订单实际生产中缝制环节的工序单中所包含的工序数量；

s4.4，根据步骤4.2和步骤4.3计算每个产品订单的产品难度；

s5，确定产品订单的首件工时a与员工学习率c、手工作业比例、产品难度的关系式。

具体步骤为：s5.1，建立产品订单的首件工时a与员工学习率c、手工作业比例、产品难度的关系模型，具体为：

y＝ω+α×x1+β×x2+γ×x3(6)；

其中，x1表示手工作业比例，x2表示产品难度，x3表示产品熟悉度c，y表示首件工时a；ω为常数，α、β、γ分别为系数；

在建立模型前，通过皮尔逊(pearson)相关法对首件工时a与员工学习率c、手工作业比例、产品难度进行了相关性分析，分析可知，首件工时a与员工学习率c、手工作业比例、产品难度之间存在较弱的相关性。

s5.2，根据步骤2-4中计算的各产品订单的手工作业比例、产品难度、产品熟悉度c和首件工时a分别代入关系模型中进行拟合，得到ω，α、β、γ的数值，进而得到系数确定的关系模型。

s6，计算产品订单的标准批量；

服装生产的整个过程根据学习曲线可以分为2个阶段：单位产品工时减少较快的学习阶段和工时趋于稳定的稳定阶段。如图1所示。

斜率表示了曲线的变化趋势。斜率的绝对值越小，代表学习曲线越平稳。因此本发明确定学习曲线中斜率趋近于0的点作为标准批量的参考值。即学习曲线方程的导函数趋于0的点。为了求得最优解，

s6.1，对步骤s2中的学习曲线求导，得到一阶导函数y′：

y′＝-abx^-b-1(7)；

s.2，对一阶导函数y′求解，得到产品订单的标准批量；

根据幂函数y＝x^a的性质，当a<0时，图像在(0，+∞)是减函数，在第一象限内有两条渐近线，自变量趋近于0，函数值趋近于+∞；自变量趋近+∞，函数值趋近于0。因此公式7只能无限趋近于0，而不能等于0。结合批量系数的应用意义，我们认为时学习曲线达到平稳，其对应的x值即为标准批量。即令，

y′＝-abx^-b-1＝-0.08(8)；

计算得到产品订单的标准批量为

其中然后代入首件工时a的表达式即可得到产品对应的标准批量。

s7，计算产品订单的批量系数；

计算公式为：

s8，修正、完善标准总工时

根据步骤s7中得到的产品订单的批量系数，对产品订单的标准总工时进行修正；修正公式为：

修正的标准总工时＝标准总工时×批量系数(10)。

下面以一个具体事例对本发明进行进一步说明。

1)样本数据

①以苏州某针织服装企业为例，收集企业不同产品的历史生产数据，进行数据处理，计算产品的累计产量与累计平均工时，以累计产量为x轴，累计平均工时为y轴进行曲线拟合，得到产品的学习曲线，即可得到产品首件工时a、学习系数b、学习率c；

②结合企业的gsd系统或者产品的工序工价单，确定产品纯粹加工时间、工序数量和手工作业比例；

③计算产品难度：

④计算产品标准总工时：标准总工时＝纯粹总工时×(1+浮余率)；根据该企业的管理水平，将浮余率取20％；

⑤将产品对应的纯粹总工时、标准总工时、工序数量、手工作业比例、产品难度、学习系数bi、首件工时ai、产品熟悉度c进行汇总，如表1所示。

表1数据样本汇总

2)批量系数模型建立

①相关性分析

对首件工时a、产品难度、手工比例、产品熟悉度进行相关性分析，如表2所示。从分析结果中可以看出，首件工时a与产品难度、手工比例、产品熟悉度存在较弱的相关性。

表2首件工时a与产品难度、手工比例、产品熟悉度的相关性分析

**.相关性在0.01层上显著(双尾)。

②首件工时a模型建立

相关系分析后，对首件工时a、产品难度、手工比例、产品熟悉度进行回归分析，构建线性模型，得到判定系数r²约为0.968，调整后判定系数约为0.963，说明建立的模型效果较好。如表3所示。

表3模型汇总

表4所示为回归模型的方差分析表。可以看到方差分析结果中f统计量＝182.68，概率p值＝0.0002小于显著性水平0.05，所以该模型具有统计学意义。

表4方差分析表

表5给出了模型的回归系数表。vif值小于10，说明三个自变量之间不存在多重共线性。

表5回归系数表

因此模型所构建的回归方程为

首件工时a＝46591.918-1703.427×手工比例+63.388×产品难度-50207.515＝产品熟练度；

用x1表示手工作业比例，x2表示产品难度，x3表示产品熟悉度,y表示首件工时a，则

y＝46591.918-1703.427x1+63.388x2-50207.515x3；

③计算产品标准批量

计算产品的标准批量时，就是求导数为-0.08的x值。

y′＝-abx^-b-1＝-0.08

④批量系数模型

批量系数的计算公式为

3)批量系数模型应用

企业某款产品进行工序分解后其工序数量为26个，计算其手工比例为18.42％，纯粹总工时632.5s，员工对产品的熟练度为90％，订单量为2000件。

确定产品学习率的方法有历史资料法、经验估计法、直接测定法、合成法。

①历史资料法

根据企业的历史生产数据，研究其对应的学习效率。在对产品进行学习率预测时，根据当前产品与之前产品的款式相似度、工艺相似性等，直接使用历史学习率或者对学习率适当增加或减少。这种方法需要企业有一定的数据积累，生产管理系统完善，才能与历史订单进行对比。但这种方法存在一定的误差和主观性。

②经验估算法

当企业没有或者缺少类似产品的学习率时，可根据生产同样产品的企业的历史资料或者依据管理人员的经验，结合企业的实际生产情况进行设定。一般情况下，学习率可根据表6所示的方法确定产品的学习率。

表6学习率经验估算法

③直接测定法

选取研究对象，由ie人员在流水线上进行加工时间测试，一般需要至少30个样本(根据员工的生产情况适当增加样本量)，之后对样本值进行计算，描点拟合出其对应的学习曲线，从而得出员工的学习系数。再根据求出学习率c。这种方法主要取决于员工的测试样本的准确性，可适用于新款上线的测试。

④合成法

服装生产时，会将产品分为多道工序。可分别测试每道工序的学习率，之后根据每道工序的标准工时占产品标准总工时的比重作为每道工序的权重，对每道工序的学习率进行加权平均即可得到产品的学习率。该方法最为精确，结果较可靠。

产品难度为

代入相应公式，得到其产品首件工时a为2941；

代入相应公式，得到学习系数b：

代入相应公式，得到产品的标准批量为5514；

代入相应公式，得到批量系数为1.16；

修正后的标准总工时为632.5×1.2×1.16＝880.44s。

因此，只要知道产品的纯粹总工时、浮余率、工序数量、手工作业比例、产品熟悉度即可计算在某订单量下产品的批量系数。

本发明利用企业一线生产数据，结合企业gsd系统对产品的结构和工艺进行量化分析，确定批量系数与产品的量化关系。相比其它的批量系数确定方法，该方法得出的结果更加科学、方便。企业可根据产品的标准总工时、工序数量、手工作业比例、员工学习率、订单批量直接得到产品在对应批量下的批量系数。可将该计算方法与企业的管理系统相结合，完善企业的标准工时系统，为企业成本核算、员工薪酬平衡提供合理依据，提高企业的管理能力。