BOM的构造方法

中华家教

物料清单BOM是运行MRP三个基本输入信息之一，根据产品的特性进行不同的构造可以减少基础数据准备实施工作量，提高物料分解算法的速度。本文详细分析几中BOM的构造方法，以供同行参考。
一、常规方法

. J6 G* P1 e" {+ G4 U# Z  Z在传统的MRP软件中，BOM是采用网状的结构存储数据的，因此可能出现一个父项编号下面有很多个子项编号，一个子项编号同时属于不同的父项编号的情况。其数据结构为：父项编号，子项编号，结构数量，低层码。软件可以通过项目缩进的方式表示物料间的层次关系。
3 C7 C& e5 K5 G2 J优点：1）适应性好，存储数据量小。
, f) u: u; S, F+ M2）便于进行物料分解和材料汇总。
缺点：1）需编制大量程序实现直观显示产品构成。
2）不便于进行反查零件适合产品的情况。
二、树型结构方法
2 u& y! y- u2 Z- Q' k5 I3 I* R在MRP软件中，特别是在WINDOWS平台下的MRP软件，一般BOM采用树型结构进行构造，其数据结构为：Treekey，Parent，物资编码，结构数量，分解标志。其中Treekey标识节点号，Parent标识父节点号。

/ Z$ G% R$ Z/ R% y4 ~优点：1）利用WINDOWS平台的TreeView控件可以实现节点的添、删、复制等操作。
- E$ L. w  K6 s  j1 Q1 u" m2）界面构造美观、直观易懂，用户操作简单。
3）适应单件小批量生产方式下产品BOM的构造。
6 i$ V/ w! w3 ^: H! j: k缺点：1）对于多系列多产品的情况，数据量会急剧膨胀。
2）不便于进行反查零件适合产品的情况。
6 y3 u" z8 Q1 H+ B' n- A( {+ ?3）物料分解算法编制比较复杂，处理不当效率会很低。
三、标志位方法
# g& W4 [: V- x* n( Q  w! U此方法适合多系列多产品的情况，每一种不同的零件都要标识出它适合的系列和产品型号，采用在相应型号标志位置位的方法。
例如：某机车厂有17个产品系列，每个系列大约有20~25个不同型号的产品，每个产品有80~90个零件，采用Treekey，Parent构造BOM，其记录条数大约为17*20*80=27,200，其数据量非常巨大。编辑，修改，计算BOM可能效率很低。

采用标志位方法按每个系列构造BOM可能可以解决问题：每个系列零件数大约在150~200条，其总记录数大约在2550条。
) V& M3 n4 }0 h1 ]1）构造方法：
·BOM表结构：物资编码，结构数量，所属系列，适应型号，物资类别
注释：在物资适应该系列的某型号时，其标志位置1
8 O7 E' M% r$ z! K- P0 F* Y4 r物资类别分为：产成品，自制件，外购件，外协件
·MARK表结构：系列编号，物资编码，码位
. S- G( U7 O% x# A$ ?) l$ t% Z) t注释： 此处存放各产成品对应的型号标志位。
2）物料分解算法
取出MPS中的一条记录，查询BOM.dbf，若该物资为产成品，查询MARK.dbf，取出系列编号-->xlbh，码位-->mw，取出BOM.dbf中所属系列=xlbh，适应型号中mw=1的记录。
/ Q- S: H) g! r  W: LMPS中产成品需求数量*BOM中的结构数量既为零件毛需求量。此算法不用递归，一个简单的SELECT语句即可，效率高。
优点：1）适合多系列多产品的情况，基础数据可按系列整理，实施工作量小。
2）物料分解算法效率高，速度快。
3）便于进行反查零件适合的系列和型号。
0 I" N5 k& W5 r! o2 U5 R缺点：1）要求BOM只有一层，系列为根，该系列下的零件为叶子，适应性受限制。
- v* F7 H& B5 S' X! ?2）不能以直观的方式显示每个产品的组成。
, h; m7 u' t3 C: Z2 I* }! W四、模块化BOM构造
模块化BOM主要应用于多系列多产品情况。该产品由基本件、特征件、可选件组成，其中特征件有多种（必选一种）因此可构成不同的产品。例如：卡车生产厂，有10种发动机，2种栏板，4种底盘，30种颜色，便可形成10*2*4*30=2400种产品，如果按产品结构存储，就要存入2400种结构，并使MRP物料分解很复杂。采用模块化BOM构造，去掉产品层，以部件层做为最终状态，其结构只有：10+2+4+30种。其数据量会大大减少。
2 ?# l6 n8 }; D4 ?
BOM表数据结构为：父项编号，子项编号，选件号，结构数量，预测比率
  z# I2 v/ s& }8 v: _. G0 w注释：选件号表示：基本件、特征件序号，可选件
MRP物料分解基本算法：根据MPS种产品需求数量，分解为各基本件和特征件的数量（需求数量*结构数量*预测比率）。
文章关键词：