装备与器械管理系统的制作方法

1.本发明属于装备和器械管理技术领域，尤其涉及一种装备与器械管理系统。


背景技术：

2.装备管理部门需要对装备和器械进行管理，包括装备和器械基本资料数据录入、查询；装备和器械采购入库、出库；装备和器械收缴、上交、报废、销毁；以及各机构配备情况对比、统计、分析等。


技术实现要素：

3.考虑到现有技术存在的空白和不足，希望通过装备和器械管理模块的建设，能够实时全面地掌握装备和器械的分布情况和使用情况，能够自动计算生成各种统计报表、对比报表和分析报表。
4.针对在大数据和云计算大势流行的时代背景下，如何应用相关技术，实现装备和器械的高效管理、风险可测可控的问题。
5.本发明旨在充分利用装备和器械管理过程中，沉淀的海量历史数据，结合大数据技术，在云计算平台上，对海量数据进行采集、清洗、加载，生成相关信息库，建立仓储管理相关数学模型，为实现装备和器械管理中装备饱和度评估、采购规模预测、资产规模预测、采购异常分析、采购关联分析、物资领用关联分析及库存周转规律。
6.本发明的目的在于提供一种装备与器械管理系统，利用装备和器械管理产生的相关历史数据，对海量数据进行采集、清洗、加载，生成相关信息库，建立仓储管理相关数学模型，实现装备和器械管理中装备饱和度评估、采购规模预测、资产规模预测、采购异常分析、采购关联分析、物资领用关联分析及库存周转规律。
7.本发明具体采用以下技术方案：一种装备与器械管理系统，其特征在于，包括：供应商管理单元，用于集中管理供应商信息和供应商供应产品信息；装备基础信息管理单元，用于配置装备的基础信息；仓储管理单元，用于装备与器械的入库、出库、调拨、领用、上交、收缴、报废及销毁的管理；人员装备配备标准管理单元，用于管理人员装备配备的标准管理；知识库管理单元，用于系统常见知识沉淀及仓储管理信息的数字归档；统计分析单元，统计各分支机构装备和器械分布情况和使用情况，人员装备与器械配置情况，装备饱和度评估、采购规模预测、资产规模预测、采购异常分析、物资领用关联以及装备采购关联。
8.进一步地，其构建和使用方法包括如下步骤：步骤s1、创建装备和器械基础配置信息，包括：装备和器械分类、装备名称、资产类别、装备种类、编号、单位的基本信息；
步骤s2、创建供应商基础信息，包括：供应商名称、行业、单位性质、详细地址、联系人及电话；步骤s3、创建供应商供应信息，包括：供应商名称、供应商编号、装备类型、装备名称、品牌、规格型号、产地、是否供应目录、价格、详细参数介绍、图片的信息；步骤s4、新建人员装备与器械配备信息，包括：人员级别、工种、职务、配置装备和器械名称、数量；步骤s5、新建采购计划，填写计划名称、预算单号、装备类型、装备名称、规格型号、采购方式、计划采购数量、计划单价、计划金额、采购区域、采购部门、计划说明；步骤s6、进行仓储管理日常操作，包括：入库、出库、调拨、领用、上交、收缴、报废及销毁；步骤s7、对于已完成的仓储各种信息自动归档，生成装备与器械仓储数字档案，纳入知识库管理；步骤s8、根据仓储管理、装备和器械、采购计划、供应商及其供应信息，生成供应商供应统计、采购汇总、采购明细、入库汇总、入库明细、出库汇总、出库明细、机构人员装备和器械配比统计、装备不足和富裕情况表、装备到期和预期报废分布表、装备饱和度评估、采购规模预测、资产规模预测、采购异常分析、物资领用关联、装备采购关联、库存周转规律、装备使用规律及装备报废主因素模型。
9.进一步地，在步骤s8中，采用基于季节性自回归移动平均时间序列模型（sarima）预测装备饱和度评估、采购规模预测、资产规模预测；采用频繁模式挖掘、pagerank关联算法建立相关的关联分析模型生成物资领用关联、装备采购关联；应用k-means聚类算法分析装备和器械采购异常模型。
10.进一步地，步骤s8对装备饱和度评估模型、采购规模预测及资产规模预测，是利用装备和器械仓储管理各操作流程如入库、调拨、出库、上交、收缴、领用、报废的具体业务流程产生的历史数据，基于时间序列算法数据建模，建立仓储管理涉及的各分析模型；进行数据预测的具体内容为：首先列出建立模型所需的相关基础信息，汇集装备管理各流程阶段产生的数据；对历史数据进行清洗，识别数据的平稳性，对非平稳数据进行差分，从而得到平稳的序列，建立合适的时间序列模型，通过最小二乘法进行参数估计进行模型参数的估计，然后进行假设检验，判断残差序列是否为白噪声序列；利用历史数据对模型进行多次训练，而后利用已通过的检验模型进行数据预测。
11.相较于现有技术，本发明及其优选方案具有以下设计优势和有益效果：（1）装备与器械管理效率提高：本发明创新性地将装备和器械管理、云计算、大数据ai算法相结合，能够便捷地对装备和器械进行有效管理，实现装备和器械管理中装备饱和度评估、采购规模预测、资产规模预测、采购异常分析、采购关联分析、物资领用关联分析及库存周转规律。
12.（2）扩展性好：本发明可以基于云原生技术，采用微服务框架开发，前后端分离，各模块可独立部署，可扩展性强。
13.（3）操作方便：本发明通过前后端分离技术，可以实现装备和器械管理各流程中多变的统计报
表，具有各类丰富的数据可视化界面。
附图说明
14.下面结合附图和具体实施方式对本发明进一步详细的说明：图1是本发明实施例系统装备和器械管理流程示意图。
具体实施方式
15.为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：应该指出，以下详细说明都是例示性的，旨在对本技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本技术所属技术领域的普通技术人员通常理解的相同含义。
16.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
17.本发明一种装备与器械管理系统及其实现系统，包括：供应商管理单元，集中管理供应商信息和供应商供应产品信息；装备基础信息管理单元，用于配置装备的基础信息；仓储管理单元，用于装备与器械的入库、出库、调拨、领用、上交、收缴、报废及销毁等管理；人员装备配备标准管理单元，用于管理人员装备配备标准；知识库管理单元，用于系统常见知识沉淀及仓储管理信息的数字档案；统计分析单元，统计各分支机构装备和器械分布情况和使用情况，人员装备与器械配置情况，装备饱和度评估、采购规模预测、资产规模预测、采购异常分析模型、物资领用关联、装备采购关联等。
18.以下为本发明具体实现过程。
19.如图1所示，本实施例装备和器械管理阶段，包括以下步骤：步骤s1、创建装备和器械基础配置信息，如装备和器械分类、装备名称、资产类别、装备种类、编号、单位等基本信息；步骤s2、创建供应商基础信息，包含供应商名称、行业、单位性质、详细地址、联系人及电话；步骤s3、创建供应商供应信息，主要有供应商名称、供应商编号、装备类型、装备名称、品牌、规格型号、产地、是否供应目录、价格、详细参数介绍、图片等相关信息；步骤s4、新建人员装备与器械配备信息，包括人员级别、工种、职务、配置装备和器械名称、数量等；步骤s5、新建采购计划，填写计划名称、预算单号、装备类型、装备名称、规格型号、采购方式、计划采购数量、计划单价、计划金额、采购区域、采购部门、计划说明；步骤s6、进行仓储管理日常操作，入库、出库、调拨、领用、上交、收缴、报废及销毁等；
步骤s7、对于已完成的仓储各种信息自动归档，生成装备与器械仓储数字档案，纳入知识库管理；步骤s8、根据仓储管理、装备和器械、采购计划、供应商及其供应信息，生成供应商供应统计、采购汇总、采购明细、入库汇总、入库明细、出库汇总、出库明细、机构人员装备和器械配比统计、装备不足（富裕）情况表、装备到期（预期）报废分布表、装备饱和度评估、采购规模预测、资产规模预测、采购异常分析、物资领用关联、装备采购关联、库存周转规律、装备使用规律及装备报废主因素模型；在本实施例中，步骤s8所述对装备饱和度评估模型、采购规模预测及资产规模预测，是利用装备和器械仓储管理各操作流程如入库、调拨、出库、上交、收缴、领用、报废等的具体业务流程产生的大量历史数据，基于时间序列算法数据建模，建立仓储管理涉及的各种分析模型。选择合适的模型进行数据预测的具体内容为：首先列出建立模型所需的相关基础信息，汇集装备管理各流程阶段产生的数据；对历史数据进行清洗，识别数据的平稳性，对非平稳数据进行差分，从而得到平稳的序列，建立合适的时间序列模型，通过最小二乘法进行参数估计进行模型参数的估计，然后进行假设检验，判断残差序列是否为白噪声序列；利用历史数据对模型进行多次训练，而后利用已通过的检验模型进行数据预测。
20.其中数据预测模型的建立，主要是三大部分：模型的识别；模型参数的估计；模型的诊断与检验。模型的识别主要利用自相关函数和偏自相关函数。模型参数的估计主要是初步选择的模型进行参数估计。模型的诊断与检验包括被估参数的显著性检查、残差的随机性检验。
21.模型的识别中，对装备管理中产生的数据，查找对应装备在仓储管理各业务流程中产生的有效信息。根据其历史数据，利用自相关函数和偏自相关函数识别模型的相关参数。
22.数据预测模型参数估计，分别作最小二乘估计、矩阵估计、利用自相关函数直接估计。同时对所获取的历史数据进行平均值平滑方法、结合指数平滑方法对模型参数进行估计，得出最优参数。
23.模型识别和参数估计后，还要对所建模型进行诊断和检验，评估模型的好坏。在历史数据中将数据分成二份，一份为训练数据，另一份作为测试数据。模型对测试数据所属时间范围数据进行预测，得出预测值，然后计算测试数据与预测数据间的平均绝对误差（mape）, mape值越低预测精度越好，选取mape值最低的模型作为最终确定模型。
24.以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。
25.本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的装备与器械管理系统，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。