備件消耗預(yù)測(cè)方法研究現(xiàn)狀及發(fā)展*

黃照協(xié) 李前會(huì) 孫思浩 湯子鑫

(總裝駐福州地區(qū)軍事代表室 福州 350003)

?

備件消耗預(yù)測(cè)方法研究現(xiàn)狀及發(fā)展*

黃照協(xié) 李前會(huì) 孫思浩 湯子鑫

(總裝駐福州地區(qū)軍事代表室 福州 350003)

備件消耗預(yù)測(cè)是制定備件消耗標(biāo)準(zhǔn)的基礎(chǔ)工作之一,通過(guò)對(duì)國(guó)內(nèi)外有關(guān)備件消耗預(yù)測(cè)的文獻(xiàn)進(jìn)行研究,在分析當(dāng)前備件分類(lèi)的基礎(chǔ)上,總結(jié)消耗連續(xù)型備件和消耗間斷型備件的消耗預(yù)測(cè)方法研究現(xiàn)狀,指出不同類(lèi)型消耗預(yù)測(cè)模型的優(yōu)點(diǎn)及存在的不足,揭示了備件消耗預(yù)測(cè)的研究重點(diǎn)及發(fā)展趨勢(shì)。

備件; 分類(lèi); 連續(xù)型; 間斷型; 消耗預(yù)測(cè)

Class Number F253.4

1 引言

備件是設(shè)備維護(hù)和修理的重要物質(zhì)基礎(chǔ),是保障設(shè)備處于良好技術(shù)狀態(tài),提高設(shè)備再生能力的有效保證。由于備件品種多,數(shù)量大,且設(shè)備故障隨機(jī)性強(qiáng),消耗不定,很難精確確定未來(lái)一段時(shí)間備件的消耗量,在平時(shí)設(shè)備維護(hù)和修理過(guò)程中,一般采用按消耗標(biāo)準(zhǔn)計(jì)領(lǐng)的方式進(jìn)行保障。因此,制定科學(xué)的備件消耗標(biāo)準(zhǔn)既是設(shè)備正常運(yùn)行的有效保障,也是提高備件保障效益的重要手段。據(jù)有關(guān)資料表明,目前國(guó)際上已有二百多種預(yù)測(cè)方法,其中有二十多種方法在不同領(lǐng)域中得到了廣泛應(yīng)用,如何選擇合適的消耗預(yù)測(cè)方法成為科學(xué)制定備件消耗標(biāo)準(zhǔn)的重要課題。

2 備件的分類(lèi)方法

備件分類(lèi)是進(jìn)行備件消耗預(yù)測(cè)的基礎(chǔ)和前提,國(guó)外開(kāi)展備件分類(lèi)研究起步較早,20世紀(jì)60年代Allen[1]等就提出必須考慮備件的可維修特性,將備件分成可維修和不可維修兩類(lèi)。之后,為制定科學(xué)合理的備件庫(kù)存策略,有關(guān)學(xué)者從不同角度對(duì)備件進(jìn)行了詳細(xì)分類(lèi)。Moore[2]認(rèn)為備件分類(lèi)必須考慮設(shè)備故障、備件過(guò)去的使用情況、訂貨提前期、供應(yīng)商可靠性、缺貨水平和庫(kù)存周轉(zhuǎn)期等因素;Dekker R[3]根據(jù)備件所在設(shè)備的關(guān)鍵性將備件分為關(guān)鍵備件與非關(guān)鍵備件;Marcello B等[4]考慮了備件的庫(kù)存約束、停機(jī)成本、安全和環(huán)境目標(biāo)、所采取的維修策略等因素對(duì)備件進(jìn)行分類(lèi)。

國(guó)內(nèi)對(duì)于備件分類(lèi)研究多集中在ABC分類(lèi)法上。如根據(jù)備件的特性和管理要求進(jìn)行ABC分類(lèi);依據(jù)備件單價(jià)、采購(gòu)周期、影響度、數(shù)量和壽命進(jìn)行ABC分類(lèi);依據(jù)備件關(guān)鍵性、可替換性、訂貨提前期和消耗金額等運(yùn)用層次分析法和灰色分析法的ABC分類(lèi);根據(jù)關(guān)鍵性、年需求量、采購(gòu)提前期和單價(jià)等基于BP神經(jīng)網(wǎng)絡(luò)的ABC分類(lèi)[5]等。上述方法對(duì)于備件分類(lèi)多是通過(guò)定性分析得到各類(lèi)備件,精度不高、可操作性不強(qiáng)。

熊君星等[6]基于備件的需求特性對(duì)備件進(jìn)行分類(lèi),將備件分為需求連續(xù)和需求間斷兩種類(lèi)型,研究同一類(lèi)型備件的需求規(guī)律?；谛枨筇匦缘膫浼诸?lèi)方法有助于解決備件種類(lèi)過(guò)多、部分備件需求的歷史數(shù)據(jù)少而難以估計(jì)其訂購(gòu)提前期內(nèi)需求的困難,并能夠?yàn)槊款?lèi)備件選擇預(yù)測(cè)精度較高的預(yù)測(cè)方法。

本文采用上述分類(lèi)方法,將備件分為消耗連續(xù)和消耗間斷兩種類(lèi)型,對(duì)于消耗連續(xù)型備件便于利用其歷史消耗數(shù)據(jù),選擇合適的預(yù)測(cè)方法,而對(duì)于消耗間斷型備件,由于其歷史消耗數(shù)據(jù)較少,采用的預(yù)測(cè)方法也不盡相同,下面分別綜述兩種類(lèi)型備件的消耗預(yù)測(cè)方法的研究現(xiàn)狀。

3 消耗連續(xù)型備件消耗預(yù)測(cè)方法

消耗連續(xù)型備件的消耗量隨時(shí)間的變化,呈現(xiàn)出一定的規(guī)律,便于通過(guò)使用統(tǒng)計(jì)數(shù)據(jù)分析等方法,從備件的歷史消耗數(shù)據(jù)中找出統(tǒng)計(jì)規(guī)律,結(jié)合經(jīng)驗(yàn),做出科學(xué)的備件消耗預(yù)測(cè)。進(jìn)行消耗連續(xù)型備件預(yù)測(cè)的前提是做好備件歷史消耗數(shù)據(jù)的統(tǒng)計(jì)分析,在整個(gè)設(shè)備的壽命周期內(nèi),備件歷史消耗數(shù)據(jù)包含設(shè)計(jì)數(shù)據(jù)、試驗(yàn)數(shù)據(jù)、定期消耗數(shù)據(jù)以及故障后消耗數(shù)據(jù)等。

3.1 基于統(tǒng)計(jì)數(shù)據(jù)預(yù)測(cè)法

依據(jù)統(tǒng)計(jì)數(shù)據(jù)分析法是指依據(jù)備件的歷史消耗數(shù)據(jù),通過(guò)分析研究,總結(jié)規(guī)律,制定消耗定額的方法。該方法使用范圍廣,目前主要有時(shí)間序列分析法、回歸分析法、多層遞階預(yù)測(cè)法、指數(shù)平滑法、小樣本法、灰色預(yù)計(jì)法以及神經(jīng)網(wǎng)絡(luò)法等。

3.1.1 時(shí)間序列分析法

時(shí)間序列是被研究對(duì)象在不同時(shí)間的觀察或記錄值按時(shí)間先后順序排列而成,是一種動(dòng)態(tài)序列。其基本思路是根據(jù)預(yù)測(cè)對(duì)象的不同特征,選擇適當(dāng)?shù)哪Ｐ蛥?shù)建立預(yù)測(cè)模型,利用模型進(jìn)行趨勢(shì)外推預(yù)測(cè),而后對(duì)模型預(yù)測(cè)值進(jìn)行評(píng)價(jià)和修正,得到預(yù)測(cè)結(jié)果。

湯巖[7]指出時(shí)間序列分析法包含約束外推預(yù)測(cè)法和概率預(yù)測(cè)法兩種類(lèi)型。其中,約束外推預(yù)測(cè)法以移動(dòng)平均法和趨勢(shì)外推法為代表;概率預(yù)測(cè)法以馬爾柯夫法和博克斯-詹金斯法為代表。在時(shí)間序列模型方面,主要有平穩(wěn)時(shí)間序列模型和非平穩(wěn)時(shí)間序列模型兩種類(lèi)型。平穩(wěn)時(shí)間序列模型要求時(shí)間序列具有穩(wěn)定的變化趨勢(shì),而對(duì)于像不確定消耗或者間斷消耗等受外界的干擾因素較多時(shí),預(yù)測(cè)的可信度較差。

為解決非平穩(wěn)時(shí)間序列預(yù)測(cè)可信度差的問(wèn)題,史耀媛等[8]提出了一種基于非單點(diǎn)模糊正則網(wǎng)絡(luò)的預(yù)測(cè)模型,通過(guò)將非單點(diǎn)模糊系統(tǒng)引入正則神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)來(lái)建立模型,使新的時(shí)間序列預(yù)測(cè)模型的抗干擾能力明顯增強(qiáng),并且具有收斂速度快,全局搜索能力強(qiáng)的特點(diǎn)。時(shí)間序列分析法理論系統(tǒng)、方法成熟、簡(jiǎn)單實(shí)用,多用于中、短期預(yù)測(cè)。

3.1.2 回歸分析法

回歸分析法的基本思路是通過(guò)分析預(yù)測(cè)對(duì)象與有關(guān)因素的相互聯(lián)系,用適當(dāng)?shù)念A(yù)測(cè)模型表達(dá)出來(lái),而后根據(jù)數(shù)學(xué)模型預(yù)測(cè)其未來(lái)狀態(tài)。常用的回歸模型有一元回歸模型、多元回歸模型等。

回歸分析法具有三個(gè)優(yōu)點(diǎn):一是能研究預(yù)測(cè)對(duì)象與相關(guān)因素的相互關(guān)系,抓住預(yù)測(cè)對(duì)象變化的實(shí)質(zhì)原因,因而預(yù)測(cè)結(jié)果比較可信;二是能給出預(yù)測(cè)結(jié)果的置信區(qū)間和置信度,從而使預(yù)測(cè)結(jié)果更加完整和客觀;三是考慮了相關(guān)性,能運(yùn)用數(shù)理統(tǒng)計(jì)的有關(guān)方法對(duì)回歸方程進(jìn)行統(tǒng)計(jì)檢驗(yàn),因而對(duì)預(yù)測(cè)對(duì)象變化的轉(zhuǎn)折點(diǎn)具有一定的鑒別能力。

回歸分析法主要應(yīng)用于連續(xù)消耗預(yù)測(cè),而備件需求往往都是間斷需求,所以,回歸分析法在備件消耗預(yù)測(cè)領(lǐng)域的應(yīng)用具有一定的局限性,主要表現(xiàn)為:一是回歸分析法需要大量的統(tǒng)計(jì)數(shù)據(jù),數(shù)據(jù)少則難以找出統(tǒng)計(jì)規(guī)律;二是對(duì)實(shí)際數(shù)據(jù)一視同仁,認(rèn)為各數(shù)據(jù)對(duì)預(yù)測(cè)對(duì)象的影響程度相同,這是不符合實(shí)際的;三是計(jì)算工作量較大,出現(xiàn)新數(shù)據(jù)時(shí),一般要重新估計(jì)回歸方程和進(jìn)行相關(guān)分析;四是回歸分析法所得到的回歸預(yù)測(cè)方程往往只能考慮少數(shù)幾種主要影響因素,略去許多影響因素,制約了預(yù)測(cè)的準(zhǔn)確性;五是回歸變量選取時(shí)的主、次要因素在實(shí)際建模時(shí)較難把握,同時(shí)變量因素的量化也是一個(gè)難點(diǎn)。

為解決上述問(wèn)題,Gupta[9]提出一種回歸方法得出在任意時(shí)刻、由于備件影響停機(jī)次數(shù)的穩(wěn)態(tài)概率分布,提供了各種維修時(shí)間分布的等候系統(tǒng)績(jī)效的測(cè)量;李壽安[10]等提出了基于回歸分析的備件故障率預(yù)測(cè)模型,通過(guò)用多元回歸模型預(yù)測(cè)對(duì)一元線形回歸模型進(jìn)行改進(jìn)使故障率更趨準(zhǔn)確化,為備件的儲(chǔ)備提供了更為科學(xué)的依據(jù)。

3.1.3 多層遞階預(yù)測(cè)法

多層遞階預(yù)測(cè)法的基本思想是把時(shí)變系統(tǒng)的狀態(tài)預(yù)測(cè)分離成對(duì)時(shí)變參數(shù)的預(yù)測(cè)和對(duì)系統(tǒng)的狀態(tài)預(yù)測(cè)兩部分。多層遞階預(yù)測(cè)方法把動(dòng)態(tài)系統(tǒng)看成是一個(gè)一維或多維的時(shí)間序列,從系統(tǒng)的外部特征著手,建立其輸入、輸出模型。多層遞階預(yù)測(cè)方法依據(jù)大量的歷史統(tǒng)計(jì)數(shù)據(jù)進(jìn)行序列的多層分析,使預(yù)測(cè)模型的建模過(guò)程所依據(jù)的信息大大增加,所得模型能較好地反映系統(tǒng)的歷史演變規(guī)律,從而有利于提高模型對(duì)長(zhǎng)期預(yù)測(cè)的適應(yīng)性。

由于回歸分析法的預(yù)測(cè)模型能較好地體現(xiàn)高相關(guān)因子的重要作用,而多層遞階方法則充分考慮了動(dòng)態(tài)系統(tǒng)的時(shí)變特性,為了綜合二者的優(yōu)點(diǎn),張曉東[11]等給出了一種改進(jìn)的多層遞階預(yù)測(cè)方法——多層遞階回歸分析方法。該方法將原模型中的各項(xiàng)看作回歸變量作線性回歸,再以回歸系數(shù)與預(yù)報(bào)因子的乘積作為對(duì)原預(yù)測(cè)因子的修正變量,然后進(jìn)行多層遞階預(yù)測(cè)。該方法集多層遞階和回歸分析兩者的優(yōu)點(diǎn),既能較好地體現(xiàn)高相關(guān)因子在預(yù)報(bào)模型中的重要作用,同時(shí)對(duì)時(shí)變系統(tǒng)又具有較強(qiáng)的適應(yīng)性。為解決多層遞階方法的預(yù)測(cè)效果不穩(wěn)定,特別是預(yù)報(bào)因子之間存在較大量級(jí)差異時(shí)預(yù)報(bào)不穩(wěn)定的問(wèn)題,吳為英[12]等對(duì)多層遞階回歸方法進(jìn)行了改進(jìn)。

3.1.4 指數(shù)平滑法

指數(shù)平滑法是一種魯棒性的預(yù)測(cè)方法,通過(guò)對(duì)每一期的消耗量進(jìn)行平滑,來(lái)預(yù)測(cè)下一期的消耗量。其優(yōu)點(diǎn)是不要求很多的樣本量,適應(yīng)性較強(qiáng),簡(jiǎn)單易操作,可以用于簡(jiǎn)單的時(shí)間序列分析和預(yù)測(cè)。常用的指數(shù)平滑模型有一次指數(shù)平滑模型、二次指數(shù)平滑模型和三次指數(shù)平滑模型[13]。

目前,國(guó)內(nèi)外關(guān)于指數(shù)平滑法并不是進(jìn)行單獨(dú)的研究,而是在指數(shù)平滑法的基礎(chǔ)上發(fā)展了一些可以預(yù)測(cè)間斷需求的方法,如Croston法等。

3.1.5 小樣本法

樣本量不同,采用的消耗預(yù)測(cè)方法便不同。對(duì)大樣本數(shù)據(jù),可用方法較多,往往能更容易地從備件歷史消耗數(shù)據(jù)所呈現(xiàn)的特點(diǎn)中總結(jié)備件的消耗規(guī)律,從而選擇合適的方法進(jìn)行備件的消耗量預(yù)測(cè)。而對(duì)于只有近三到五年消耗數(shù)據(jù)的小樣本數(shù)據(jù),因?yàn)閿?shù)據(jù)樣本量較小,對(duì)很多統(tǒng)計(jì)方法都失去了應(yīng)用前提,因而只能較粗略地考查其消耗情況,小樣本方法便是為了滿足這類(lèi)數(shù)據(jù)需求而產(chǎn)生的一種消耗預(yù)測(cè)方法。貝葉斯統(tǒng)計(jì)法被認(rèn)為是處理小樣本數(shù)據(jù)預(yù)測(cè)的有效方法[14]。

3.1.6 灰色預(yù)計(jì)法

灰色預(yù)計(jì)法能夠根據(jù)現(xiàn)有的少量信息進(jìn)行計(jì)算和推測(cè),因而在人口、經(jīng)濟(jì)、能源、氣象等許多領(lǐng)域得到了廣泛的應(yīng)用,取得了較好的效果。目前,最常用的灰色預(yù)測(cè)模型是GM(1,1)模型。在系統(tǒng)需求預(yù)測(cè)中,將系統(tǒng)看作灰色系統(tǒng),采用累加生成法將歷史消耗數(shù)據(jù)進(jìn)行灰數(shù)生成,建立GM(1,1)模型進(jìn)行求解,再采用累減還原法得到預(yù)測(cè)值。對(duì)灰色系統(tǒng)模型分析可發(fā)現(xiàn),其實(shí)質(zhì)為一種曲線擬合過(guò)程,最終可得到擬合方程,灰色系統(tǒng)建模要求樣本數(shù)量相對(duì)較少、原理簡(jiǎn)單、運(yùn)算方便,而且具有可檢驗(yàn)性。

但是,灰色系統(tǒng)建模有其特定的使用條件:一是灰色系統(tǒng)建模的前提是數(shù)據(jù)序列為光滑離散函數(shù),其關(guān)系可用一個(gè)初等函數(shù)來(lái)表達(dá);二是灰色系統(tǒng)模型僅描述一個(gè)隨時(shí)間按指數(shù)規(guī)律單調(diào)增長(zhǎng)或衰減的過(guò)程?？梢?jiàn),灰色系統(tǒng)模型的適用范圍為描述數(shù)據(jù)序列中所蘊(yùn)涵的、確定性的指數(shù)規(guī)律。因此,灰色系統(tǒng)模型的應(yīng)用范圍非常狹小。

3.1.7 神經(jīng)網(wǎng)絡(luò)法

備件消耗的隨機(jī)性、多樣性、時(shí)變性同時(shí)存在,而傳統(tǒng)預(yù)測(cè)方法往往無(wú)法精確地描述備件消耗與影響因素之間錯(cuò)綜復(fù)雜的關(guān)系。在解決這方面的問(wèn)題上,金維佳[15]等提出采用人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測(cè)。該模型由輸入層、隱蔽層、輸出層組成,可以看成是輸入與輸出集合之間的一種非線性映射,而實(shí)現(xiàn)這種非線性映射關(guān)系并不需要知道研究對(duì)象的內(nèi)部結(jié)構(gòu),而只要通過(guò)對(duì)有限多個(gè)樣本的學(xué)習(xí)來(lái)達(dá)到對(duì)研究對(duì)象內(nèi)部結(jié)構(gòu)的模擬。

與傳統(tǒng)預(yù)測(cè)方法相比,神經(jīng)網(wǎng)絡(luò)法具有高度的非線性運(yùn)算和映射能力、自學(xué)習(xí)和自組織能力、高速運(yùn)算能力、能以任意精度逼近函數(shù)關(guān)系、高度靈活可變的拓?fù)浣Y(jié)構(gòu)及很強(qiáng)的適應(yīng)能力等優(yōu)點(diǎn)。神經(jīng)網(wǎng)絡(luò)法一般適用于中、短期預(yù)測(cè),預(yù)測(cè)精度較高。

3.2 基于保障度預(yù)測(cè)法

備件保障度是指在指定的工作任務(wù)時(shí)間內(nèi),當(dāng)備件失效或者損壞后能夠在指定的時(shí)間內(nèi)獲得指定數(shù)量備件的概率[16]。用基于保障度預(yù)測(cè)法預(yù)測(cè)備件的消耗時(shí),前提是根據(jù)備件的不同壽命類(lèi)型對(duì)備件進(jìn)行相應(yīng)的分類(lèi),將備件分為指數(shù)壽命件、隨機(jī)失效件、正態(tài)壽命件、威布爾壽命件等典型形式。在明確備件壽命分布類(lèi)型的基礎(chǔ)上,根據(jù)需要通常將備件分為消耗品、不可修備件和可修備件,根據(jù)備件的類(lèi)型,確定備件的消耗預(yù)測(cè)模型。

3.2.1 不可修備件消耗預(yù)測(cè)方法

從目前可查文獻(xiàn)分析,對(duì)不可修備件消耗預(yù)測(cè)的相關(guān)方法較為成熟,廣泛應(yīng)用于備件保障的各個(gè)領(lǐng)域。

Dinesh K[17]認(rèn)為備件需求量等于拆卸數(shù)量是合理的,由此建立了不可修備件的需求函數(shù);韓興才[18]根據(jù)不可修備件的消耗與影響因素呈現(xiàn)因果關(guān)系的特征,應(yīng)用回歸分析法建立了航材因果預(yù)測(cè)模型;Larry S. Mickel[19]提出壽命服從指數(shù)分布的不可修備件需求量預(yù)計(jì)模型。

3.2.2 可修備件消耗預(yù)測(cè)方法

對(duì)于可修備件,一般將備件區(qū)分為修復(fù)如舊、修復(fù)如新以及介于二者之間三種狀態(tài)。目前最常用的是馬爾柯夫消耗預(yù)測(cè)模型[20],將可修備件所處的狀態(tài)分為有故障和無(wú)故障兩種狀態(tài),在給定的備件滿足率下,可確定最佳的更換間隔時(shí)間,從而確定可修備件的消耗;中國(guó)科學(xué)院的楊軍、于丹[21～23]等致力于可修備件預(yù)測(cè)模型的研究,分別提出了修如舊、修如新模型中存儲(chǔ)系統(tǒng)備件量的計(jì)算方法,并建立了威布爾分布可修備件的需求預(yù)計(jì)模型;陳硯橋[24]提出批量獨(dú)立可修備件需求預(yù)測(cè)仿真算法;何亞群[25]等提出基于可用度的飛機(jī)可修備件需求模型。

3.3 基于任務(wù)量預(yù)測(cè)法

任務(wù)量法根據(jù)備件所在設(shè)備生產(chǎn)產(chǎn)品的產(chǎn)量來(lái)預(yù)測(cè)備件的消耗量,李武勝[26]提出了用產(chǎn)量序列法預(yù)測(cè)生產(chǎn)線備件的消耗趨勢(shì),充分考慮了產(chǎn)量、設(shè)備狀態(tài)下降對(duì)備件消耗量的影響,以備件的消耗量、產(chǎn)量、設(shè)備技術(shù)狀態(tài)之間的內(nèi)在聯(lián)系為依據(jù),在總結(jié)實(shí)踐經(jīng)驗(yàn)的基礎(chǔ)上,給出備件消耗量在訂貨周期內(nèi)與產(chǎn)量以及設(shè)備技術(shù)參數(shù)之間的關(guān)系式。

由于設(shè)備、裝備的工作形式都可以物化為具體的任務(wù),如設(shè)備可將任務(wù)物化為生產(chǎn)產(chǎn)品的數(shù)量,裝備可將任務(wù)物化為摩托小時(shí)、射擊發(fā)數(shù)、行駛里程等。通過(guò)相應(yīng)的物化,得出設(shè)備或裝備的任務(wù)量,在此基礎(chǔ)上進(jìn)行備件消耗預(yù)測(cè)。

4 消耗間斷型備件消耗預(yù)測(cè)方法

所謂消耗間斷型備件,也稱慢速流動(dòng)器材,是指該種類(lèi)型備件一般不發(fā)生故障,在歷史消耗數(shù)據(jù)中往往表現(xiàn)出大量的零值。因此,按年或月統(tǒng)計(jì)得到的連續(xù)消耗對(duì)實(shí)際預(yù)測(cè)意義不大。

間斷消耗件雖然消耗量很低,但還須儲(chǔ)備,因?yàn)檫@類(lèi)備件的價(jià)值往往都很高,一旦缺貨就可能立即影響設(shè)備的完好性,甚至造成設(shè)備停機(jī),采用消耗連續(xù)型備件消耗預(yù)測(cè)方法對(duì)其進(jìn)行消耗預(yù)測(cè)量往往有著很大的誤差。目前,消耗間斷型備件消耗量的預(yù)測(cè)方法有Bayesian法、Croston法、Bootstrap法等。

4.1 Bayesian法

Kamath[27]提出了需求不服從任何分布情況下,采用Bayesian方法預(yù)測(cè)備件需求。其基本思想是,結(jié)合以前的試驗(yàn)數(shù)據(jù),確定先驗(yàn)分布概率,通過(guò)Bayesian定理確定現(xiàn)有數(shù)據(jù)的概率分布。與經(jīng)典統(tǒng)計(jì)法的根本差別在于,前者既使用現(xiàn)在的又使用以前的數(shù)據(jù),而后者只使用現(xiàn)在的數(shù)據(jù)。Bayesian法的主要缺點(diǎn)是需要根據(jù)以前的經(jīng)驗(yàn)或判斷極其謹(jǐn)慎地選擇先驗(yàn)概率分布。如果先驗(yàn)概率分布選擇不當(dāng),那么其分析結(jié)果就可能是不精確和錯(cuò)誤的。另外,Bayesian法涉及到復(fù)雜積分,計(jì)算存在一定難度。

4.2 Croston法

Croston提出將需求間隔與需求量分開(kāi),采用指數(shù)平滑法分別計(jì)算需求間隔和需求量:若發(fā)生需求,則更新需求間隔和需求量的估計(jì),然后將需求量除以需求間隔得到平均需求,用平均需求來(lái)預(yù)測(cè);若不發(fā)生需求則保持原來(lái)的預(yù)測(cè),只更新從上次發(fā)生需求到現(xiàn)在的需求間隔。

在Croston提出預(yù)測(cè)間斷需求的Croston法之后,有多篇文獻(xiàn)研究Croston法與連續(xù)型預(yù)測(cè)方法的預(yù)測(cè)精度比較,Ghobbar A A[28]采用13種方法來(lái)預(yù)測(cè)飛機(jī)備件的間斷需求:Winter加性季節(jié)模型、乘性季節(jié)模型、季節(jié)回歸模型、服務(wù)時(shí)間模型、加權(quán)需求率模型、加權(quán)回歸預(yù)測(cè)模型、Croston法、指數(shù)平滑法、指數(shù)加權(quán)移動(dòng)平均法、趨勢(shì)調(diào)整的指數(shù)平滑法、加權(quán)移動(dòng)平均法、二次指數(shù)平滑法和自適應(yīng)調(diào)整的指數(shù)平滑法等。結(jié)果顯示Croston法、指數(shù)加權(quán)移動(dòng)平均法是預(yù)測(cè)精度較高的方法。

4.3 Bootstrap法

Willemain[29]等采用Bootstrap法預(yù)測(cè)固定提前期的累計(jì)分布,該方法采用從消耗歷史數(shù)據(jù)中抽樣來(lái)產(chǎn)生虛擬數(shù)據(jù)的方法,可以預(yù)測(cè)到已經(jīng)在消耗歷史數(shù)據(jù)中出現(xiàn)的消耗量,并且可以預(yù)測(cè)提前期每一期消耗是否發(fā)生,給出預(yù)測(cè)的每一期消耗發(fā)生的概率,并且能得到預(yù)測(cè)的每一期的消耗量,該方法重復(fù)多次能產(chǎn)生很多預(yù)測(cè)的消耗樣本,可以得到預(yù)測(cè)的提前期消耗分布。計(jì)算結(jié)果顯示,該方法比指數(shù)平滑法、Croston法預(yù)測(cè)的精度高。

5 消耗預(yù)測(cè)研究重點(diǎn)及發(fā)展趨勢(shì)

作為備件消耗標(biāo)準(zhǔn)制定的基礎(chǔ)工作之一,備件的消耗預(yù)測(cè)一直是備件管理的重點(diǎn)和難點(diǎn)問(wèn)題。在今后的研究中,將針對(duì)備件消耗的隨機(jī)性和不確定性,從預(yù)測(cè)方法的改進(jìn)、改善修理活動(dòng)響應(yīng)以及改善備件管理流程等角度入手,通過(guò)采用新的預(yù)測(cè)方法、多級(jí)響應(yīng)的備件管理流程需求、頻繁更新的預(yù)測(cè)分析、適當(dāng)?shù)陌踩珟?kù)存設(shè)置來(lái)完善備件消耗預(yù)測(cè),提高備件的預(yù)測(cè)準(zhǔn)確度。為此,備件消耗預(yù)測(cè)的發(fā)展突出表現(xiàn)為三個(gè)方面:一是新型預(yù)測(cè)方法的引入,如支持向量機(jī)技術(shù)、粗糙集理論等;二是重視可修復(fù)備件消耗預(yù)測(cè)的研究;三是組合預(yù)測(cè)方法的興起。

5.1 基于支持向量機(jī)的消耗預(yù)測(cè)研究

支持向量機(jī)(Support Vector Machines,SVM)能很好地解決小樣本、非線性、高維數(shù)和局部極小點(diǎn)等實(shí)際問(wèn)題,現(xiàn)已廣泛運(yùn)用到模式識(shí)別、函數(shù)逼近、回歸估計(jì)等領(lǐng)域。SVM的最大特點(diǎn)是以結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則代替?zhèn)鹘y(tǒng)的經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化原則,因此具有較好的泛化能力。另外,SVM在處理非線性問(wèn)題時(shí),首先將非線性問(wèn)題轉(zhuǎn)化為高維空間中的內(nèi)積運(yùn)算,從而巧妙地解決了復(fù)雜計(jì)算問(wèn)題,并且有效地克服了維數(shù)災(zāi)難及局部極小問(wèn)題。Muller K R[30]成功地把SVM方法引入到時(shí)間序列的預(yù)測(cè)領(lǐng)域,任博[31]將SVM方法運(yùn)用到飛機(jī)備件的消耗預(yù)測(cè)當(dāng)中,為SVM用于備件的消耗預(yù)測(cè)作了一個(gè)有益的嘗試。

5.2 可修備件的消耗預(yù)測(cè)研究

大部分備件是可修的,因此,加強(qiáng)對(duì)可修復(fù)備件消耗預(yù)測(cè)的研究具有十分重要的意義。對(duì)可修復(fù)備件的消耗預(yù)測(cè)的相關(guān)方法的研究經(jīng)過(guò)幾十年的發(fā)展已相當(dāng)成熟,但受到可修復(fù)備件壽命擬合不易、備件理化屬性多樣以及預(yù)測(cè)前提假設(shè)條件苛刻等影響,目前各種方法的預(yù)測(cè)效果并不理想,為提高備件消耗預(yù)測(cè)效果,避免高缺貨率的發(fā)生,今后對(duì)于可修件的消耗預(yù)測(cè)應(yīng)以短期、動(dòng)態(tài)的消耗預(yù)測(cè)為主。

5.3 組合消耗預(yù)測(cè)研究

任何一種預(yù)測(cè)方法都有其優(yōu)缺點(diǎn),對(duì)同一個(gè)問(wèn)題所提供有用信息都不會(huì)足夠全面,為提高預(yù)測(cè)方法的精度,組合預(yù)測(cè)方法應(yīng)運(yùn)而生。將多種不同的預(yù)測(cè)方法有機(jī)地結(jié)合起來(lái),利用單項(xiàng)預(yù)測(cè)方法之間的方差-協(xié)方差的關(guān)系和單項(xiàng)預(yù)測(cè)方法反映出來(lái)的信息,通過(guò)組合,獲得對(duì)預(yù)測(cè)對(duì)象更精確的估計(jì),這就是組合預(yù)測(cè)方法[32～33]。組合預(yù)測(cè)模型就是將各種預(yù)測(cè)效果進(jìn)行綜合慮,比單個(gè)預(yù)測(cè)模型更系統(tǒng)、更全面。常用的組合預(yù)測(cè)模型有以下三種:一是不考慮樣本信息的簡(jiǎn)單平均組合和考慮一階滯后的簡(jiǎn)單平均組合模型;二是僅考慮單項(xiàng)預(yù)測(cè)樣本相對(duì)性能的簡(jiǎn)單平均組合模型和考慮一階滯后的簡(jiǎn)單平均組合模型;三是不考慮滯后和考慮一階滯后回歸組合模型。為提高備件消耗預(yù)測(cè)效果,避免單一預(yù)測(cè)方法造成的消耗確定過(guò)剩或不足,多種預(yù)測(cè)方法相結(jié)合的預(yù)測(cè)將成為備件消耗預(yù)測(cè)的發(fā)展方向之一。

6 結(jié)語(yǔ)

現(xiàn)階段備件消耗預(yù)測(cè)對(duì)備件消耗統(tǒng)計(jì)數(shù)據(jù)依賴性強(qiáng),但備件的消耗統(tǒng)計(jì)數(shù)據(jù)獲取難度大,且消耗數(shù)據(jù)不準(zhǔn),設(shè)備使用不定,消耗規(guī)律不易把握,造成備件消耗的預(yù)測(cè)精度不高[34]。此外,當(dāng)前對(duì)備件的消耗預(yù)測(cè)大都在設(shè)備使用一段時(shí)間之后有了歷史消耗數(shù)據(jù)才著手進(jìn)行,而針對(duì)新設(shè)備的備件消耗預(yù)測(cè)較少,且方法多以維修工程分析法、統(tǒng)計(jì)分析法和相似產(chǎn)品法等定性分析方法為主,主觀性強(qiáng),量化不足。如何科學(xué)利用備件歷史消耗數(shù)據(jù)研究備件消耗預(yù)測(cè)方法以及如何加強(qiáng)初始備件的消耗預(yù)測(cè)將是今后一段時(shí)間研究的重點(diǎn)。

[1] Allen S G. An ordering policy for repairable stock items[J]. Operations Research,1968,16(3):482-489.

[2] Moore R. Establishing an Inventory Management Program[J]. Plan Engineering,1996,50(3):113-116.

[3] Dekker R. A spare parts stocking policy based on equipment criticality[J]. International Journal of Production Economics,1998,3:56-57.

[4] Marcello B, Andrea G, Roberto M. Multi-attribute Classification Method for Spare Parts Inventory Management[J]. Journal of Quality in Maintenance Engineering,2004,10(1):55-65.

[5] 徐曉燕.一種基于需求特性分類(lèi)的備件庫(kù)存管理方法及其實(shí)證研究[J].系統(tǒng)工程理論與實(shí)踐,2006,2.

[6] 熊君星,夏芳臣,涂海寧.基于BP神經(jīng)網(wǎng)絡(luò)的備件ABC分類(lèi)模型[J].機(jī)械設(shè)計(jì)與制造,2008,2:215-217.

[7] 湯巖.時(shí)間序列分析的研究與應(yīng)用[D].哈爾濱:東北農(nóng)業(yè)大學(xué),2007.

[8] 史耀媛,史忠科.基于非單點(diǎn)模糊正則網(wǎng)絡(luò)的時(shí)間序列預(yù)測(cè)模型[J].西北大學(xué)學(xué)報(bào),2006,36(6):887-889.

[9] Gupta V. On the M/G/1 machine interference model with Spares[J]. European Journal of Operational Research,1996,89:164-171.

[10] 李壽安,張恒喜,李東霞.基于偏最小二乘回歸的軍用飛機(jī)采購(gòu)價(jià)格預(yù)測(cè)[J].海軍工程大學(xué)學(xué)報(bào),2005,17(4):64-68.

[11] 張曉東,韓志剛.一種改進(jìn)的多層遞階預(yù)報(bào)方法研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào),2002,34(3):436-439.

[12] 吳為英,向陽(yáng),崔家保.改進(jìn)的多層遞階回歸算法在進(jìn)出口貿(mào)易中的應(yīng)用[J].山東科技大學(xué)學(xué)報(bào),2003,22(1):54-57.

[13] 鄧超風(fēng).指數(shù)平滑模型探討[J].中國(guó)水運(yùn),2006(9):210-211.

[14] 王宏焰.通用軍械裝備維修器材消耗規(guī)律研究[D].石家莊:軍械工程學(xué)院,2009.

[15] 金維佳,葉文華.基于BP神經(jīng)網(wǎng)絡(luò)的新零件材料消耗定額預(yù)測(cè)方法研究[J].鑄造技術(shù),2007,6.

[16] 高崎.通用武器裝備維修器材供應(yīng)與管理[M].石家莊:軍械工程學(xué)院,2006.

[17] Dinesh K. Reliability Maintenance and Logistic Support: A Life Cycle Approach[M]. USA: Kluwer Academic Publisher,2000.

[18] 韓興才.航材管理工程[M].北京:藍(lán)天出版社,2003.

[19] Larry S. Mickel, Robert L. Heim. The Spares Calculators: A Visual Aid to Provisioning[C]//Proceedings, 2001 Annual Reliability and Maintainability Symposium IEEE,2001:410-414.

[20] 趙建民,趙建華,丁鶴群.有限可修備件條件下系統(tǒng)計(jì)劃更換策略[J].模糊系統(tǒng)與數(shù)學(xué),2000,6:95-99.

[21] 楊軍,于丹.修如舊模型中儲(chǔ)存系統(tǒng)備件量的計(jì)算及其置信區(qū)間[J].中國(guó)科學(xué)院研究生學(xué)院學(xué)報(bào),2004,21(4):441-446.

[22] 楊軍,于丹,趙宇.修如新模型中備件量的計(jì)算及其置信上限的Fiducial推斷[J].應(yīng)用概率統(tǒng)計(jì),2007,23(3):225-230.

[23] 閆霞,于丹,李國(guó)英.一類(lèi)可修威布爾型設(shè)備可用度的Fiducial推斷[J].系統(tǒng)科學(xué)與學(xué),2004,24(1):17-27.

[24] 陳硯橋,金甲善,黃政.批量獨(dú)立可修件的備件需求預(yù)測(cè)仿真算法[J].海軍工程大學(xué)學(xué)報(bào),2007,19(6):79-82.

[25] 何亞群,譚學(xué)峰,金福祿.基于可用度的飛機(jī)可修件需求分析[J].系統(tǒng)工程與電子技術(shù),2004,26(8):848-849.

[26] 李武勝.電廠熱工控制系統(tǒng)備件消耗預(yù)測(cè)研究[D].北京:北京物資學(xué)院,2009.

[27] Kamath K R. A Bayesian approach to a dynamic inventory model under an unknown demand distribution[J]. Computers & Operations Research,2002,29:403-422.

[28] Ghobbar A A. Evaluation of forecasting methods for intermittent parts demand in the field of aviation: a predictive model[J]. Computer & Operations Research,2003,30:2097-2114.

[29] Willemain T R. A new approach to forecasting intermittent demand for service parts inventory[J]. International Journal of Forecasting,2004,20:375-387.

[30] Muller K R. Predicting time series with support vector machines[C]//Artificial Neural Net works-ICANN’97,1997:999-1004.

[31] 任博,張恒喜,蘇暢.基于支持向量機(jī)的飛機(jī)備件需求預(yù)測(cè)[J].火力與指揮控制,2005,6:78-83.

[32] 朱培濤,趙武奎.組合預(yù)測(cè)方法在彈藥消耗預(yù)測(cè)中的應(yīng)用[J].科學(xué)技術(shù)與工程,2007,7(14):3561-3563.

[33] 隆玉玲,王文杰,方向華.CPFR組合預(yù)測(cè)方法研究[J].東華大學(xué)學(xué)報(bào),2009,35(2):216-221.

[34] 黃照協(xié).軍械備件目錄與標(biāo)準(zhǔn)體系構(gòu)建方法研究[D].石家莊:軍械工程學(xué)院,2013.

Research and Development of the Spare Parts Consumption Prediction Methods

HUANG Zhaoxie LI Qianhui SUN Sihao TANG Zixin

(Military Representative Office of General Equipment Department at Fuzhou, Fuzhou 350003)

Spare parts consumption prediction is the base work of consumption standards establishment, this paper reviews the related domestic and overseas literatures on spare parts consumption prediction. Under the discussing of the methods of spare parts classification, the paper sums up the consumption prediction methods of continuity and discontinuity spare parts. And then, it indicates the virtues and disadvantages from different consumption prediction models. Finally, it reveals the research key points and development trends of spare parts consumption prediction.

spare parts, classification, continuity, discontinuity, consumption prediction

2014年7月3日,

2014年8月25日

黃照協(xié),男,博士,工程師,研究方向:彈藥質(zhì)量監(jiān)督與控制。李前會(huì),男,碩士,工程師,研究方向:彈藥質(zhì)量監(jiān)督與控制。孫思浩,男,工程師,研究方向:彈藥質(zhì)量監(jiān)督與控制。湯子鑫,男,工程師,研究方向:彈藥質(zhì)量監(jiān)督與控制。

F253.4

10.3969/j.issn1672-9730.2015.01.004