智能制造工程管理 教案 第2-7章 高端装备库存管理仿真实验指导书-制造与服务集成管控实验指导书

高端装备库存管理仿真实验指导书实验目的与要求实验目的库存管理作为高端装备制造企业管理过程中必不可少的环节，是实现价值工程链增值的重要环节。本实验的主要目的是运用Flexsim软件实现高端装备供应链的库存管理仿真，在此基础上比较不同策略下高端装备企业的经济订货批量和库存水平。实验要求（1）理解高端装备库存管理方法，运用库存管理模型进行建模；（2）掌握Flexsim仿真软件的基本概念并建立简单的库存管理仿真模型；（3）通过高端装备库存管理仿真实验结果理解库存管理的目的和意义。实验环境计算机、Flexsim软件实验设计实验内容在一个包含客户、零售商、分销商、制造商和供应商的高端装备多级供应链中，有十位客户随机产生需求，分别向其对应的三个零售商订货，零售商根据库存与需求预测对其相应的分销商发出补货请求，分销商向同一个制造商发出订单请求，其中，有四个原材料供应商向制造商提供原材料。在此基础上，假设零售商、分销商、制造商的订货提前期均为零，因为高端装备企业的订单信息一般通过电子媒介传输，同时销售信息反映于订购数量当中。生产商的年生产能力设置为8000，每天生产10小时，其他为准备时间和设备维护时间。零售商的每次订货成本为4000，产品的年度单位库存成本为200。分销商的每次订货成本为5200，产品的年度单位库存成本为150。制造商产品的年度库存成本为320，每次制造准备成本为3300。供应商作为高端装备供应链的初始输入，假设其原材料库存无穷大，能够实时满足制造商的需求。实验步骤（1）设计布局。根据设计好的概念系统，将库存管理模型所需实体从“实体库”中拖拽到仿真视图窗口中。（2）定义“流”。根据库存管理模型实体之间的逻辑关系，将相应的端口连接起来，构建仿真模型的逻辑流程。（3）参数设定。根据每个对象所要描述的概念模型的特征，设定实体的属性和参数。（4）运行模型。先编译模型，然后重置并运行仿真模型。（5）输出结果。根据输出的仿真结果分析、评价系统。从仿真目标出发，修改相应参数，形成不同的方案。运行比较各个方案从而达到优化的目的。实验结果分析实验分析（1）数据记录和输出：记录仿真过程中各个零售商、分销商、制造商的状态、属性和时间，将数据导出到Excel、CSV和其他格式的文件中。（2）数据可视化：利用Flexsim中自带的图表与可视化工具，将模型中的数据转化为易于理解和分析的图表和图形。（3）统计分析：利用统计分析工具，如平均值、标准差、方差、相关性等，对库存管理模型结果进行深入的统计分析，识别库存管理中的瓶颈因素，优化模型的设置。实验结果仿真实验在供应链模型的程序控制中建立记录了各个高端装备企业的订货量和库存水平的全局表。进行多次实验并收集数据，比较分析不同订货策略下各高端装备企业的库存水平、库存周转率和订单数量，可以发现使用不同订货策略库存周转率以及收益率有着显著区别，造成这种差异的主要原因在各个策略对于库存管理的侧重点不同，因此在实际实验中需要结合特定情况选择合适的策略。思考题（1）供应链中常见的订货策略有哪些，主要区别是什么？（2）Flexsim中a连接和s连接在功能上有何差别？（3）Flexsim中哪些参数可以有效反应系统能力平衡状况？（4）学习仿真软件进行库存建模有什么心得体会？“网络协同制造”实验指导书一、实验名称高端装备智能制造供应网络协同优化与全生命周期资源动态调度二、实验目标高端装备具有系统结构复杂、技术含量高、研制运维一体化、质量要求苛刻等特征，需要产业链上下游企业、零部件供应商、合作伙伴等多方参与者围绕产品设计研发、生产制造、运维服务等全生命周期过程进行信息共享、协同合作、价值共创、风险共担，攻克零部件供应网络不协同、制造响应能力不灵活、研制质量不合格、资源配置不优化、运维服务不精准等现实痛点和技术难题。本实验的具体目标如下：1）充分理解网络协同制造的基本内涵和特征、任务资源协同的基本原理。2）培养学生调研提炼典型装备智能制造过程协同管理现实困境的能力。3）锻炼学生构建任务资源网络协同优化模型并设计求解算法的综合实践能力。三、实验设计针对高端装备智能制造供应网络与全生命周期任务资源协同管理过程面临的现实困境和关键技术难题，遵循“现实困境调研—管理特征分析—理论模型构建—求解方法设计—数据仿真验证—结果分析反馈”的逻辑思路开展实验方案的设计。1）实验步骤步骤1：以典型装备制造企业为案例背景，调研分析智能制造全生命周期任务和资源协同管理的主要特征，并聚焦某具体环节和场景剖析企业面临的现实困境。步骤2：在上述场景中，分析智能制造供应链、产业链所涉及的核心参与方，探索任务资源网络协同管理的理论特性及其对制造进度、质量、成本的影响机制。步骤3：基于上述应用场景和理论特性，构建以信息不确定、动态多阶段、非线性、多目标等为特征的数学规划模型，分析相应的模型目标函数和约束条件。步骤4：在智能制造背景下，针对模型中的不确定性参数，通过感知技术采集、分析装备全生命周期运营管理过程数据，提高对不确定性参数的预测精准性。步骤5：针对所构建的数学规划模型，分析多域多粒度资源、原材料备件供应网络和研制运维任务双向匹配的求解性质，并设计相应的启发式、智能优化算法。步骤6：将模型优化结果运用于装备制造企业的管理实践场景中，采用模拟或实际的大规模、小规模订单进行多次检验，分析资源调度优化模型算法的有效性。步骤7：进一步分析和提炼上述管理场景仍然面临的问题，提出对上述理论模型构建、数据仿真分析、参数预测估计、智能算法设计等过程的改进建议。2）数据来源在上述实验过程中，主要涉及到装备制造企业订单数据以及全生命周期运营管理数据两大类，实验数据可能有以下多种来源：订单数据：包括客户对装备研发、制造、运维服务的需求订单数据，以及需求订单在原材料、多技能员工、制造设备等方面的分解数据。其中，订单数据包括每个订单的需求类型、数量、交货期等。订单数据可以是静态的或动态的数据，可以来源于企业实际的大规模、小规模订单，也可以来源于随机模拟订单。运营数据：包括研发设计、生产制造、原材料供应、装备运行等企业全生命周期运营管理数据。通过这些数据可以动态实时监测企业制造过程和装备运行过程，为提高智能制造供应网络优化与资源调度的精准性提供支撑。运营数据可以来源于企业的工业互联网系统平台，也可以通过数字孪生技术进行仿真模拟。3）研究方法本实验的各个步骤需要采用不同的研究和分析方法，以提高智能制造企业需求分析的准确性、理论模型构建的合理性、模型参数预测的精准性和仿真优化算法的有效性。具体方法如下：调研访谈方法：针对高端装备智能制造的具体应用场景，对制造企业的全生命周期运营管理过程开展针对性的市场调研分析，分析传统制造过程面临的现实痛点，探索新一代信息技术以及网络协同制造模式对于解决上述痛点的潜在价值。数学建模方法：在抽象提炼装备制造过程中任务、资源、供应网络协同管理的基本理论特征的基础上，构建相应的混合整数、非线性、动态不确定性、多目标、网络计划等数学规划模型，分析模型的目标函数、约束条件以及帕累托解的基本性质。数据分析方法：通过研制协同平台、运维服务平台、工业互联网平台、供应商管理平台等实时采集装备制造生命周期的运营数据，在对数据清洗的基础上，采用数据挖掘、大数据分析、人工智能等方法对模型参数进行精准预测。智能优化算法：由于数学规划模型求解的复杂性，在分析模型帕累托最优解的性质的基础上，设计相应的启发式求解规则，并将启发式规则与精确算法、智能算法相结合，提高混合算法寻优的速度效率和准确效益。四、实验结果及分析围绕装备研制项目调度、供应商协同管理、生产计划优化、运维服务优化等具体的场景特征和现实管理需求，通过本实验的具体分析研究步骤，构建相应的数学规划模型，在采集订单数据、制造过程状态监测数据等基础上，分析预测模型的参数取值，设计相应的混合求解算法，最终输出研制计划、资源调度、运维服务、物料供应等决策的动态鲁棒性解决方案。将上述求解的动态优化方案运用于装备智能制造全生命周期管理实践中，将网络协同制造模式下的模型运行结果与传统粗狂的制造模式进行对比，分析网络协同制造新模式对于解决智能制造企业在进度管理、资源配置、质量管理、成本控制等方面痛点的现实价值意义，并进一步分析理论模型的局限性和改进方向。五、思考题思考题1：如何通过网络协同制造实现供应链的实时协同和高效优化，降低库存成本、提高交货速度和响应市场变化的能力？思考题2：在供应链协同中，如何平衡不同参与者的利益，确保整个供应链的稳定性和可持续性？思考题3：高端装备网络协同制造涉及多个领域的知识和技术，如何促进跨领域的合作和知识共享，推动技术创新和产业升级？“网络协同制造”实验指导书实验名称高端装备智能制造供应网络协同优化与全生命周期资源动态调度实验类型R校内实验项目：1.£验证型R演示型£创新型£综合型2.£实验室项目R虚拟仿真项目£校外实验项目实验目标高端装备具有系统结构复杂、技术含量高、研制运维一体化、质量要求苛刻等特征，需要产业链上下游企业、零部件供应商、合作伙伴等多方参与者围绕产品设计研发、生产制造、运维服务等全生命周期过程进行信息共享、协同合作、价值共创、风险共担，攻克零部件供应网络不协同、制造响应能力不灵活、研制质量不合格、资源配置不优化、运维服务不精准等现实痛点和技术难题。本实验的具体目标如下：1）充分理解网络协同制造的基本内涵和特征、任务资源协同的基本原理。2）培养学生调研提炼典型装备智能制造过程协同管理现实困境的能力。3）锻炼学生构建任务资源网络协同优化模型并设计求解算法的综合实践能力。实验内容4.1实验步骤步骤1：以典型装备制造企业为案例背景，调研分析智能制造全生命周期任务和资源协同管理的主要特征，并聚焦某具体环节和场景剖析企业面临的现实困境。步骤2：在上述场景中，分析智能制造供应链、产业链所涉及的核心参与方，探索任务资源网络协同管理的理论特性及其对制造进度、质量、成本的影响机制。步骤3：基于上述应用场景和理论特性，构建以信息不确定、动态多阶段、非线性、多目标等为特征的数学规划模型，分析相应的模型目标函数和约束条件。步骤4：在智能制造背景下，针对模型中的不确定性参数，通过感知技术采集、分析装备全生命周期运营管理过程数据，提高对不确定性参数的预测精准性。步骤5：针对所构建的数学规划模型，分析多域多粒度资源、原材料备件供应网络和研制运维任务双向匹配的求解性质，并设计相应的启发式、智能优化算法。步骤6：将模型优化结果运用于装备制造企业的管理实践场景中，采用模拟或实际的大规模、小规模订单进行多次检验，分析资源调度优化模型算法的有效性。步骤7：进一步分析和提炼上述管理场景仍然面临的问题，提出对上述理论模型构建、数据仿真分析、参数预测估计、智能算法设计等过程的改进建议。4.2实验数据在上述实验过程中，主要涉及到装备制造企业订单数据以及全生命周期运营管理数据两大类，实验数据可能有以下多种来源：订单数据：包括客户对装备研发、制造、运维服务的需求订单数据，以及需求订单在原材料、多技能员工、制造设备等方面的分解数据。其中，订单数据包括每个订单的需求类型、数量、交货期等。订单数据可以是静态的或动态的数据，可以来源于企业实际的大规模、小规模订单，也可以来源于随机模拟订单。运营数据：包括研发设计、生产制造、原材料供应、装备运行等企业全生命周期运营管理数据。通过这些数据可以动态实时监测企业制造过程和装备运行过程，为提高智能制造供应网络优化与资源调度的精准性提供支撑。运营数据可以来源于企业的工业互联网系统平台，也可以通过数字孪生技术进行仿真模拟。4.3研究方法本实验的各个步骤需要采用不同的研究和分析方法，以提高智能制造企业需求分析的准确性、理论模型构建的合理性、模型参数预测的精准性和仿真优化算法的有效性。具体方法如下：调研访谈方法：针对高端装备智能制造的具体应用场景，对制造企业的全生命周期运营管理过程开展针对性的市场调研分析，分析传统制造过程面临的现实痛点，探索新一代信息技术以及网络协同制造模式对于解决上述痛点的潜在价值。数学建模方法：在抽象提炼装备制造过程中任务、资源、供应网络协同管理的基本理论特征的基础上，构建相应的混合整数、非线性、动态不确定性、多目标、网络计划等数学规划模型，分析模型的目标函数、约束条件以及帕累托解的基本性质。数据分析方法：通过研制协同平台、运维服务平台、工业互联网平台、供应商管理平台等实时采集装备制造生命周期的运营数据，在对数据清洗的基础上，采用数据挖掘、大数据分析、人工智能等方法对模型参数进行精准预测。智能优化算法：由于数学规划模型求解的复杂性，在分析模型帕累托最优解的性质的基础上，设计相应的启发式求解规则，并将启发式规则与精确算法、智能算法相结合，提高混合算法寻优的速度效率和准确效益。实验结果分析围绕装备研制项目调度、供应商协同管理、生产计划优化、运维服务优化等具体的场景特征和现实管理需求，通过本实验的具体分析研究步骤，构建相应的数学规划模型，在采集订单数据、制造过程状态监测数据等基础上，分析预测模型的参数取值，设计相应的混合求解算法，最终输出研制计划、资源调度、运维服务、物料供应等决策的动态鲁棒性解决方案。将上述求解的动态优化方案运用于装备智能制造全生命周期管理实践中，将网络协同制造模式下的模型运行结果与传统粗狂的制造模式进行对比，分析网络协同制造新模式对于解决智能制造企业在进度管理、资源配置、质量管理、成本控制等方面痛点的现实价值意义，并进一步分析理论模型的局限性和改进方向。优化技术在智能制造工程管理中的应用1.实验名称智能制造工厂的生产调度优化2.实验类型A.R校内实验项目：1.£验证型£演示型R创新型£综合型2.£实验室项目£虚拟仿真项目B.£校外实验项目3.实验背景某智能制造工厂使用4台具有加工能力差异的机器生产50个不同类型的电子产品。每个产品可以在任意机器上完成加工，但在不同的机器上具有不同的加工时间。工厂希望通过优化产品的调度顺序，使得完成所有产品加工的时间最短，从而提高生产效率。因此，在机器数量有限且各自的加工能力不同的约束下，如何合理地调度这些任务以最小化完工时间（makespan）是一个关键问题。4.实验目标（1）了解和掌握制造工程管理中的基本优化问题（2）掌握非同类机调度问题的基本概念和模型建立方法。（3）学习并应用优化算法解决实际生产调度问题。（4）通过实验验证优化算法的有效性，并能够对结果进行分析和评价。5.实验任务（1）问题描述①将上述实际问题抽象为生产调度问题；②明确该调度问题的机器类型、约束条件及优化目标；③定义问题描述中所需的符号及变量。（2）建立数学模型①确定模型目标函数；②确定模型的约束条件；③建立数学模型（3）设计优化算法①选择适当的优化算法，如遗传算法、模拟退火算法或蚁群算法；②根据问题特征设计优化算法细节。（4）仿真实验①参照实际情况随机生成实例或选取公开数据集；②使用商业求解器（如Cplex、Gurobi等）验证数学模型的正确性，并记录求解结果；③编写算法代码，实现所设计的优化算法；进行多次实验并记录实验结果；④探究不同参数（如实例生成参数、算法参数等）对算法性能的影响。（5）实验结果及分析①选取评价指标，进行实验结果的分析，讨论结果的合理性和改进方法。②以表格和图片的形式展示不同参数配置下的实验结果，分析不同参数对算法性能的影响，提出优化建议。（6）思考题①在实验中，哪些参数对优化结果影响最大？为什么？②如果任务的优先级发生变化，如何调整模型和算法以适应新的需求？③讨论其他可能的优化方法及其在制造工程管理中的应用。④在实际生产环境中，如何应对不确定因素（如机器故障、任务紧急插入等）对生产调度的影响？⑤如何改进当前的优化算法以提高其在大规模问题上的计算效率？6.提交要求（1）实验设计方案（2）实验数据集及实验代码（3）实验数据及分析结果（4）结论及改进方向（5）思考题回答决策技术在智能制造工程管理中的应用1.实验名称工程项目投资组合决策问题2.实验类型R校内实验项目：1.£验证型R演示型£创新型£综合型2.£实验室项目R虚拟仿真项目£校外实验项目3.实验背景某公司当前拥有预算一笔预算，需要在一定数量的工程项目中在进行投资。该公司需要确定最佳的投资组合决策和项目的优先顺序，以期获得最大的投资回报。假设存在投资时间窗口，超出了投资窗口就失去了投资项目的机会。4.实验目标（1）了解和掌握制造工程管理中的基本决策问题。（2）掌握项目投资组合问题的基本概念和决策模型构建方法。（3）学习并应用求解器解决实际投资决策问题。（4）理解Q-learning的原理及其实现细节。（5）通过实验验证Q-learning算法的有效性，并对结果进行分析和评价。5.实验任务（1）决策模型构建①定义决策变量；②确定决策约束和决策目标。③建立决策模型。（2）设计Q-learning算法①设计强化学习的状态；②设计强化学习的奖励值和惩罚值。（3）仿真实验①参照实际情况随机生成实例或选取公开数据集（包含投资预算、项目成本、预期收益、完成时间等）；②使用商业求解器（如CPLEX等）验证决策模型的正确性，并记录结果；③编写Q-learning算法代码，进行数值实验并记录实验结果；④探究不同参数（如实例生成参数、算法参数等）对算法性能的影响；⑤验证贪婪策略对Q-learning算法的影响。（4）实验结果及分析①选取评价指标，进行实验结果的分析，讨论结果的合理性和改进方法。②以表格和图片的形式展示不同参数配置下的实验结果，分析不同参数对算法性能以及投资决策的影响。（6）思考题①在实验中，哪些参数对最终的投资组合影响最大？为什么？②如果项目之间存在兼容性约束（即不能同时投资某些项目），决策模型和算法又该如何调整？③如果考虑市场利率，对最终的投资决策有什么影响？④如何改进当前的Q-learning算法以提高其在大规模决策问题上的计算效率？⑤讨论其他可能的决策方法及其在制造工程管理中的应用。6.提交要求（1）实验设计方案（2）实验数据集及实验代码（3）实验结果及分析（4）结论及改进方向（5）思考题回答智能制造设备寿命预测实验指导书智能制造设备的寿命预测是一种利用先进的数据分析和机器学习技术，预测设备在未来某一时间段内可能出现故障或性能下降的任务。寿命预测通过提前识别潜在故障以及确定最佳维护时间，能够提高生产效率、降低维护成本、保障生产安全、延长设备使用寿命，并支持数据驱动的决策，是实现预测性维护和推动制造业智能化、数字化转型的重要手段。一、数据集介绍机车轴承剩余寿命预测数据集面向机车轴承平台的剩余生命周期预测研究，通过基于模拟仿真的方式，模拟了机车轴承平台实验过程中的运行时刻信息和对应的健康监测数据信息（包括水平振动信号和垂直振动信号）。该数据集包含在两种不同工况场景下获取的轴承信号数据，其中第一种工况下电机转速为1800rpm，第二种工况下电机转速为1500rpm。数据采样间隔为10s，采样率为25.6kHz，持续时间为0.1s，因此，每个数据文件包含2560个样本。该数据集在国家基础学科数据中心官网下载，下载地址为/16666.11.nbsdc.jFr9roZf二、任务介绍1）数据清洗。由于原始数据往往会由于系统故障等原因出现奇异值或缺失值等情况。因此，首先需要对原始数据进行清洗，修复或删除异常值、填补或去除缺失值，得到“干净”的数据。2）数据探索。原始数据集包含多个变量，而这些变量之间可能存在一定的相关关系，甚至相关程度会很高。此时需要通过特征选择剔除掉无法提供有用信息的变量。例如，某些变量可能与设备的寿命高度相关，而另一些变量可能是冗余的或者对预测结果影响较小。特征重要性分析用于了解每个特征对于预测的有用性或价值。常用的特征重要性分析方法包括：排列重要性方法、内置重要性方法、主成分分析PCA方法、XGBoost特征重要性方法等。请使用上述特征重要性分析方法进行机车轴承剩余寿命预测数据集的特征选择。3）确定预测类型。寿命预测根据预测因子和时间步长可以分为单变量单步预测、单变量多步预测、多变量单步预测以及多变量多步预测四种类型。在进行模型选择之前，需要提前确定寿命预测任务属于什么预测类型，从而选择合适的模型进行预测。4）模型选择。经典的机器学习模型包括支持向量回归模型（SVR）、多层感知机模型(MLP)。此外，深度学习方法中，循环神经网络(RNN)(如LSTM或GRU)、卷积网络(CNN)以及Transformer模型，都在寿命预测领域取得了不错的效果。请使用上述模型进行分别训练，并设置合理的超参数，在保证模型精度的同时减少模型的训练时间。5）结果探索。在寿命预测领域，尤其是在智能制造和设备维护中，结果的探索和模型性能的评估至关重要。以下是寿命预测过程中的一些关键步骤和考虑因素：训练完成后，使用测试集对模型进行评估。评估指标包括均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）。网络入侵检测实验指导书网络入侵检测（NetworkIntrusionDetection）是一种用于监控网络流量、识别和响应网络攻击或未授权访问的技术。它通过分析网络数据包、流量模式和系统日志，检测潜在的安全威胁和攻击行为。在智能制造的背景下，网络入侵检测不仅是保护网络安全的必要手段，也是保障生产过程连续性和数据安全的关键环节。通过有效的网络入侵检测，企业可以提高整体安全防护能力，确保智能制造系统的可靠运行，促进制造业的智能化和数字化转型。一、数据集介绍“KDDCUP99dataset”是网络入侵检测领域中广泛使用的公开数据集。该数据集可以在KDD官网下载，下载地址为：/databases/kddcup99/kddcup99.html每个网络连接被标记为正常（normal）或异常（attack），异常类型被细分为4大类共39种攻击类型，其中22种攻击类型出现在训练集中，另有17种未知攻击类型出现在测试集中。每条连接记录包含了41个固定的特征属性和1个类别标签，标签用来表示该条连接记录是正常（normal）还是某个具体的攻击类型（例如：DDoS攻击、XSS攻击、MITM攻击等）。在41个固定的特征属性中，9个特征属性为离散型，其余属性为连续型。二、任务介绍1）数据清洗。数据预处理是一个关键的初步步骤。由于原始数据集通常包含许多噪声和不相关信息，必须进行清洗和标准化，以便将数据转换成适合机器学习算法处理的格式。2）数据重采样。重采样是处理不平衡数据的有效手段，通常有过采样以及欠采样两种处理办法。由于KDDCup99数据集中不同类别数量存在严重的不平衡情况，使用单一的重采样处理可能会出现过拟合或是欠拟合的现象。朴素随机过采样算法、SMOTE算法、ADASYN算法等是针对不平衡数据集的常用的过采样算法，尝试使用上述过采样算法对KDDCup99数据集进行处理。3）模型选择。机器学习方法包括支持向量机（SVM）、随机森林和神经网络等，这些模型能够通过分析训练集学习正常与异常行为的特征。除了单一模型，集成学习策略也值得尝试。集成学习策略通过结合多个基础模型，比如随机森林或梯度提升树，来提升整体的识别准确度。在深度学习方法中，卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆网络（LSTM）等在自动提取数据特征方面展现出巨大潜力，适用于复杂的网络流量分析。同时，选择模型时应考虑数据特性和需求，例如数据量、特征维度和标签分布。 4）结果探索。模型训练完成后，通过使用独立的测试集来评估模型性能，常用的评估指标包括准确率、召回率和F1分数。通过调整参数或采用如集成学习方法的技术，可以进一步提升模型的效果。网络入侵检测系统的响应速度和误报率是评估其有效性的重要指标。快速的响应速度可以确保及时防御和减少损失，而低误报率可以提高系统的可信度和使用效率。因此，在模型测试阶段，需要通过优化检测模型、动态调整策略和综合评估来实现模型响应速度和误报率的平衡，从而提高整体网络安全防护能力。制造与服务集成管控实验方案一、实验名称制造与服务混合供应链牛鞭效应实验。二、实验目标=1\*GB3①模拟供应商、制造商和客户的采购和销售需求变化。=2\*GB3②体验供应链中牛鞭效应现象的形成过程，并分析其产生原因。=3\*GB3③分析制造商的服务化对两类牛鞭效应的影响。=4\*GB3④探讨减少牛鞭效应的方法。三、实验设计1.实验步骤1）分组=1\*GB3①学生分成4组模拟混合供应链的运营过程，分别记为A组、B组、C组和D组。每个小组由3名成员组成，分别扮演供应商、制造商和客户，在第一期期初分别都有一定的初始库存。向每位成员分发一个记录表，记录每期的采购和销售等相关信息。=2\*GB3②4组中，制造商采取的商业模式不同。A组的制造商采用传统销售模式，B、C、D组的制造商实施服务化转型，其中B组制造商仅提供互补型服务，C组制造商仅提供替代型服务，D组制造商既提供互补型服务又提供替代型服务。2）实验过程=1\*GB3①实验分为10期，每一期期初，客户根据自身的使用情况，向制造商提出需求。=2\*GB3②制造商从自身产品库存和服务能力中提供产品和服务给客户，然后再向供应商订货，每期有一次向供应商订货的机会。制造商向供应商采购的原料不会当期到货，而是要过2期后才能收到，即制造商在第1期下订单，在第3期才能收到货。制造商利用向供应商采购的原料，生产一定的产品，以及维持服务能力，每期下的生产订单也需要等2期才能完工，进入成品仓库。若产品或服务不足以满足客户的需求，那么制造商可以延迟发货，并且对客户做出赔偿。如果下一期还是无法满足客户需求，继续顺延，直至能提供产品和服务给客户。=3\*GB3③供应商采购原料，假设供应商拥有的原料能够满足制造商的需求，即当收到制造商的采购订单，供应商都能提供原料给制造商，不会出现缺货现象。2.数据来源=1\*GB3①每一期内各成员的各项基本数据都记录在表格中，下表以制造商为例。=2\*GB3②根据供应商、制造商和客户记录的数据，计算每个成员的利润。=3\*GB3③根据供应商、制造商和客户记录的数据，计算制造商的两类牛鞭效应，分析牛鞭效应的水平。产品库存服务剩余产品生产服务能力本期到货本期需求本期发货本期订货第1期第2期第3期第4期第5期第6期第7期第8期第9期第10期3.分析方法=1\*GB3①根据实验数据观察牛鞭效应现象，并计算需求可变性和企业内部牛鞭效应，其中需求可变性等于企业的需求波动性，企业内部牛鞭效应等于企业的生产波动性对需求波动性的偏差。=2\*GB3②比较4组下的牛鞭效应水平，分析互补型服务和替代型服务对两类牛鞭效应的影响。四、实验结果及分析=1\*GB3①将B、C、D组与A组进行对比，发现制造商的服务化转型能够降低牛鞭效应。=2\*GB3②比较A、B、D组，发现制造商提供互补型服务后需求可变性降低，但在提供替代型服务后需求可变性不会进一步降低。这可能是由于与互补型服务相比，替代型服务不会带来额外的服务化转型或进一步的供应商-客户信息交换。客户已经适应了购买服务，并且其在产品运营流程中不再向制造商询问实施的具体服务细节，而是仅在服务协议结束时要求得到结果。所以，他们的订购行为在提供替代型服务后不会发生显著的变化。=3\*GB3③比较A、B、D组，发现制造商提供互补型服务后企业内部牛鞭效应不会降低，但在提供替代型服务后企业内部牛鞭效应降低。比较A、C组，同样发现制造商提供替代型服务后企业内部牛鞭效应降低。这是因为提供替代型服务时，制造商在不转移产品所有权的情况下整体控制产品的生产运营，整合了生产过程和提升了生产效率，进而减少了生产对实际需求的偏差。五、思考题=1\*GB3①请阐述混合供应链中牛鞭效应产生的原因。=2\*GB3②制造商提供互补型服务和替代型服务是否会抑制牛鞭效应？请分析抑制牛鞭效应的原理。=3\*GB3③制造商采取何种订货策略能抑制牛鞭效应？产品与服务配置优化实验方案一、实验名称产品服务配置优化方法实验。二、实验目标=1\*GB3①加深对产品服务交叉效用和客户偏好不确定性的理解。=2\*GB3②学习多目标随机优化的方法，并增强相关实践操作技能。三、实验设计1.实验步骤1）搭建实验环境下载编程IDE以及Gurobi等求解器，完成学术许可申请，保证接口可以顺利调用。下载可视化工具方便绘制图表。2）SAA算法的灵敏度分析对InitM、InitN、N'、K'等关键参数进行灵敏度分析，研究其不同取值对算法求解时间的影响，并计算参数取值和