面向軌道交通裝備全壽命配件服務(wù)技術(shù)研究

摘 要：面對軌道交通裝備運行維護過程中配件服務(wù)協(xié)同難、響應(yīng)效率低等問題，本文探索了配件消耗量與車輛檢修信息、車輛運行狀態(tài)等因素間的相關(guān)性，利用挖掘算法構(gòu)建庫存預(yù)測模型，并探討統(tǒng)一庫存管理與多倉庫協(xié)同智能調(diào)度模式，以實現(xiàn)庫存的統(tǒng)一管理、統(tǒng)一調(diào)度。最后利用信息化技術(shù)搭建了配件服務(wù)一體化支撐平臺，進行配件庫存的智能優(yōu)化、智能調(diào)撥，經(jīng)驗證，該平臺在提升配件服務(wù)效率、優(yōu)化庫存結(jié)構(gòu)等方面均具有良好的應(yīng)用效果。

關(guān)鍵詞：軌道交通裝備；配件服務(wù)；全壽命周期；庫存預(yù)測

中圖分類號：U 23 " " " " " 文獻標(biāo)志碼：A

在交通強國、數(shù)字中國的戰(zhàn)略指引下，國家立體交通網(wǎng)絡(luò)持續(xù)發(fā)展，行業(yè)呈現(xiàn)數(shù)量多、運量大、分布地域廣、服役環(huán)境復(fù)雜以及網(wǎng)絡(luò)化等綜合特征，軌道交通裝備安全運行關(guān)系國計民生。作為保障軌道交通裝備安全運行的關(guān)鍵要素，配件的重要性不言而喻。傳統(tǒng)的配件服務(wù)往往受地域限制，無法進行靈活調(diào)撥和協(xié)同，服務(wù)效率較低。為解決該難點，方伯芃以多價值鏈協(xié)同創(chuàng)新理論為基礎(chǔ)，分別從價值、成本等影響配件服務(wù)效率的因素等視角建立了多價值鏈協(xié)同優(yōu)化模型，并提出面向配件多鏈協(xié)同選擇優(yōu)化的博弈策略，為配件服務(wù)決策優(yōu)化提出了相應(yīng)理論[1]。陶茂華以服務(wù)價值鏈運營模式為研究主題，建立了涵蓋運營流程、組織協(xié)同和構(gòu)建過程并基于客戶個性化需求的服務(wù)鏈創(chuàng)新模式[2]。WANG W等以維修服務(wù)中配件供應(yīng)為主題，提出了協(xié)同運作策略優(yōu)化模型[3]。

本文聚焦軌道交通裝備運維過程中配件高效、快速面臨的問題，建立有效的庫存優(yōu)化模型和庫存共享模式，并運用大數(shù)據(jù)、物聯(lián)網(wǎng)和云計算等融合技術(shù)搭建配件服務(wù)平臺，為配件服務(wù)模式的持續(xù)創(chuàng)新提供助力。

1 研究思路

本文針對軌道交通裝備運維過程中配件服務(wù)的痛難點，以“共商共建、共享共贏”為總體思路，以“優(yōu)化庫存結(jié)構(gòu)、降低庫存總量、加快庫存周轉(zhuǎn)”為核心要素，聚焦影響配件需求的關(guān)鍵要素，構(gòu)建面向車輛運維的優(yōu)化策略模型，并融合多種新興技術(shù)體系搭建配件服務(wù)一體化平臺，全面打造“按預(yù)測儲備、按實際領(lǐng)用、按消耗結(jié)算”的服務(wù)型配件保障體系。

本文深入研究了軌道交通裝備運維過程中影響配件需求的關(guān)鍵要素和在軌道交通裝備運維計劃修向狀態(tài)修轉(zhuǎn)變過程中影響配件需求的核心因子，引入人工智能算法能力，建立庫存預(yù)測模型，以有效指導(dǎo)配件庫存。利用數(shù)字化手段，結(jié)合配件服務(wù)的區(qū)域協(xié)同模式，實現(xiàn)各區(qū)域庫存信息的協(xié)同共享，并利用工單協(xié)同能力，實現(xiàn)配件管理過程的流程化、在線化支撐。

基于云化、微服務(wù)架構(gòu)理念，建立集庫存信息共享和實時監(jiān)控、庫存智能預(yù)測、配件協(xié)同調(diào)度、物流配送為一體的智能化配件服務(wù)支撐平臺，實現(xiàn)配件服務(wù)的全流程端到端支撐，以提升配件響應(yīng)的及時性、有效性。

2 庫存智能預(yù)測模型研究

配件庫存精準(zhǔn)預(yù)測是提升配件服務(wù)的關(guān)鍵，影響配件庫存的關(guān)鍵因素主要是配件消耗量，庫存的計算主要基于配件消耗量進行計算，具體算法說明如下：最大庫存=一年采購周期內(nèi)消耗的最大數(shù)值；平均庫存=平均日耗量×最高儲備日；最低庫存=定級修和預(yù)測數(shù)最高儲備日內(nèi)數(shù)量取最大值+保險數(shù)量（默認(rèn)平均日消耗）；消耗量=計劃修消耗+狀態(tài)修消耗。

通過以上算法可以看出，影響庫存的變量就是配件的消耗量。配件消耗受列車檢修計劃等因素影響，本文通過智能算法對庫存進行精準(zhǔn)預(yù)測。

2.1 庫存預(yù)測算法研究

配件消耗量的預(yù)測是庫存管理中的重要一環(huán)，將直接影響企業(yè)的運營效率和成本控制。本文采集了檢修歷史需求數(shù)據(jù)，并采用差分自回歸移動平均模型（ARIMA）進行預(yù)測，可以更準(zhǔn)確地分析備件需求規(guī)律，從而把握備件需求，合理壓縮備件訂貨數(shù)量。ARIMA模型要求數(shù)據(jù)必須是平穩(wěn)的，即數(shù)據(jù)的統(tǒng)計特性（如均值、方差等）不隨時間變化。因此需要對原始時間序列進行平穩(wěn)性檢驗。如果數(shù)據(jù)不平穩(wěn)，就需要通過差分等方法對數(shù)據(jù)進行平穩(wěn)化處理，直到數(shù)據(jù)變得平穩(wěn)。在數(shù)據(jù)平穩(wěn)和確定模型階數(shù)后，就可以利用歷史數(shù)據(jù)來估計模型參數(shù)。這些參數(shù)描述了數(shù)據(jù)間的依賴關(guān)系和隨機誤差的特性。得到模型參數(shù)后，需要對模型進行檢驗，即檢查模型的殘差是否滿足白噪聲假設(shè)，以確保模型的準(zhǔn)確性和有效性。如果模型通過了檢驗，就可以用于預(yù)測。如果平穩(wěn)后的時間序列表現(xiàn)出明顯的季節(jié)性特征（即數(shù)據(jù)在一年內(nèi)呈現(xiàn)出周期性變化），還需要在ARIMA模型中加入季節(jié)性項，以更準(zhǔn)確地描述數(shù)據(jù)的季節(jié)性變化。利用經(jīng)過檢驗和優(yōu)化的ARIMA模型，可以預(yù)測未來的配件消耗量。預(yù)測結(jié)果可以幫助企業(yè)制定合理的庫存計劃和訂貨策略。最后通過比較預(yù)測值與實際值間的差異來對預(yù)測結(jié)果進行分析，評估預(yù)測的準(zhǔn)確性和可靠性，也可以利用一些統(tǒng)計指標(biāo)（如均方誤差、平均絕對誤差等）來量化評估預(yù)測的性能，具體算法如下。

2.1.1 AR（Auto Regression）模型

自回歸（Auto Regression，AR）模型是一種時間序列分析方法，使用變量自身的歷史數(shù)據(jù)來預(yù)測其未來的值。P階自回歸模型（AR（p））表示模型中使用過去p期的觀測值來預(yù)測當(dāng)前值，如公式（1）所示。

Xt=α1Xt-1+α2Xt-2+...+αpXt-p+ut "（1）

式中：Xt為時間序列在某一特定時間點的觀測值或?qū)崿F(xiàn)值；ut為隨機誤差項，是一個不能被模型直接解釋或預(yù)測的隨機變量，代表除模型所考慮的變量（如歷史數(shù)據(jù)）之外的所有其他影響因素的總和；αp為自回歸系數(shù)，可衡量歷史數(shù)據(jù)對當(dāng)前值的影響程度。

如果隨機擾動項（或稱誤差項、殘差項）是一個白噪聲過程，那么一個僅由這個白噪聲過程驅(qū)動的P階自回歸模型（AR（p））被稱為一個純AR（p）過程，如公式（2）所示。

Xt=α1Xt-1+α2Xt-2+...+αpXt-p+εt （2）

自回歸模型（AR模型）在應(yīng)用時需要確定一個階數(shù)p，該階數(shù)決定了模型預(yù)測當(dāng)前值所使用歷史數(shù)據(jù)的期數(shù)。階數(shù)p的選擇對模型的預(yù)測性能至關(guān)重要，它將直接影響模型能夠捕捉到的歷史信息量。1）由于模型利用過去的歷史數(shù)據(jù)來預(yù)測未來，因此，如果歷史數(shù)據(jù)中有噪聲或錯誤，這些噪聲或錯誤就可能會影響預(yù)測的準(zhǔn)確性。2）AR模型要求時間序列是平穩(wěn)的，即其統(tǒng)計特性（如均值、方差和自相關(guān)函數(shù)）不隨時間發(fā)生顯著變化。如果數(shù)據(jù)是非平穩(wěn)的，就需要對數(shù)據(jù)進行差分或其他變換，使其變?yōu)槠椒€(wěn)序列。3）如果時間序列數(shù)據(jù)沒有自相關(guān)性，即當(dāng)前值與歷史值間沒有顯著關(guān)系，那么使用自回歸模型進行預(yù)測可能不會獲得良好效果。在實際應(yīng)用中，通常需要通過統(tǒng)計檢驗（如ACF和PACF圖、Ljung-Box檢驗等）來驗證時間序列是否存在自相關(guān)性。

該模型可滿足基于歷史數(shù)據(jù)預(yù)測未來的配件需求。例如，可以使用過去幾個月的需求數(shù)據(jù)來預(yù)測接下來的需求趨勢。階數(shù)p的選擇對預(yù)測精度至關(guān)重要。

2.1.2 MA（Moving Average）模型

在AR（自回歸）模型中，假設(shè)模型的誤差項或殘差項（ut）是一個白噪聲過程。但是，如果在實際的時間序列分析中發(fā)現(xiàn)AR模型的殘差（ut）不是白噪聲，即它存在某種形式的序列相關(guān)性，那么可認(rèn)為殘差中包括某種可建模的結(jié)構(gòu)，如公式（3）所示。

ut=εt+β1εt-1+...+βqεt-q "（3）

式中：εt為隨機誤差項；q為移動平均的階數(shù)，表示考慮的歷史誤差項的數(shù)量；β1為移動平均系數(shù)，表示隨機誤差對當(dāng)前值的影響。

當(dāng)Xt=Ut時，即時間序列當(dāng)前值與歷史值沒有關(guān)系，只依賴于歷史白噪聲的線性組合，就得到移動平均（Moving Averag，MA）模型，如公式（4）所示。

Xt=εt+β1εt-1+...+βqεt-q " （4）

需要注意的是，AR模型中歷史白噪聲的影響會間接影響當(dāng)前預(yù)測值（通過影響歷史時序值）。該模型可以用來平滑歷史數(shù)據(jù)中的隨機波動，特別是當(dāng)需求受偶發(fā)事件影響時。例如，在節(jié)假日期間，配件需求可能會突然增加，MA模型有助于調(diào)整這種短期波動的影響。

2.1.3 ARMA模型

將自回歸模型（AR（p））與移動平均模型（MA（p））相結(jié)合，可得自回歸移動平均模型（ARMA（p，q））。該模型結(jié)合了AR模型和MA模型的特點，能夠捕捉時間序列數(shù)據(jù)中的自相關(guān)性和移動平均效應(yīng)，如公式（5）所示。

Xt=α1Xt-1+α2Xt-2+...+αpXt-p+εt+β1εt-1+...+βqεt-q " （5）

式中：Xt為時間序列在t時刻的值；α1，α2，...，αp為自回歸部分的系數(shù)，可衡量過去p個時期的時間序列值對當(dāng)前值的影響；Xt-1，Xt-2，...，Xt-p為時間序列過去的值，可向前追溯p個時期；εt，εt-1，...，εt-p為誤差項，代表實際值與過去時期預(yù)測值間的差異；β1，β2，...βq為移動平均部分的系數(shù)，可衡量過去q個誤差項對當(dāng)前值的影響。

公式（5）表明2點。1）ARMA模型在描述隨機時間序列方面的能力涉及AR和MA部分，為隨機時間序列提供了一個靈活的建模框架，可用于捕捉序列中的自相關(guān)性和移動平均效應(yīng)。2）平穩(wěn)性在時間序列預(yù)測中代表時間序列的統(tǒng)計屬性（如均值、方差和自相關(guān)性）不隨時間變化。這種性質(zhì)表明可以利用歷史數(shù)據(jù)來推斷未來行為。在平穩(wěn)性的假設(shè)下，可以使用歷史數(shù)據(jù)來估計ARMA模型的參數(shù)。一旦模型被正確估計，就可以用來預(yù)測未來的觀測值。預(yù)測通常基于模型的擬合值和預(yù)測誤差的估計。

自回歸部分捕捉序列的趨勢或動量，而移動平均部分平滑了噪聲和隨機波動。在平臺設(shè)計中，該模型可通過學(xué)習(xí)歷史數(shù)據(jù)中的模式和噪聲來預(yù)測時間序列的未來值，如配件需求，對計劃庫存、優(yōu)化供應(yīng)鏈操作并滿足各種組件需求而不過度庫存具有一定作用。

2.1.4 ARIMA模型

差分自回歸移動平均模型（ARIMA）是一種常用的時間序列預(yù)測方法。ARIMA模型可識別數(shù)據(jù)的自相關(guān)性和移動平均性，并應(yīng)用差分技術(shù)來穩(wěn)定序列來捕捉和預(yù)測時間序列中的動態(tài)效應(yīng)，特別適合處理受多種不可控因素影響的非平穩(wěn)時間序列數(shù)據(jù)。在檢修備件需求預(yù)測中，ARIMA模型通過差分處理、自回歸和移動平均技術(shù)來捕捉數(shù)據(jù)的動態(tài)效應(yīng)，并能夠適應(yīng)節(jié)假日等特殊情況下的需求波動。因此，ARIMA模型是檢修備件需求預(yù)測中的一種有效工具。對于非平穩(wěn)的時間序列數(shù)據(jù)，例如長期的需求趨勢或季節(jié)性變化，ARIMA模型可以通過差分法將數(shù)據(jù)轉(zhuǎn)換為平穩(wěn)序列，再應(yīng)用ARMA模型進行預(yù)測，從而可提高對配件需求變化的預(yù)測準(zhǔn)確性，優(yōu)化庫存管理和配件供應(yīng)計劃。

2.2 備件聚類模型研究

當(dāng)前檢修備件分類存在以下3個問題。1）分類界面不清楚。當(dāng)前備件分類系統(tǒng)缺乏明確的分類標(biāo)準(zhǔn)和界限，導(dǎo)致分類結(jié)果不清晰。2）分類結(jié)果模糊。分類標(biāo)準(zhǔn)不明確，同一類備件間的特點差異較大，造成分類結(jié)果模糊。3）不利于庫存管理策略。模糊的分類結(jié)果不利于備件管理人員制定和實施針對性的庫存管理策略。

針對上述問題，本文采用聚類分析分類法并結(jié)合信息熵來進行優(yōu)化。聚類分析是一種無監(jiān)督學(xué)習(xí)方法，可根據(jù)數(shù)據(jù)間的相似性，將數(shù)據(jù)自動劃分為多個簇（Cluster）。在備件分類中，聚類分析可以根據(jù)備件的多個屬性（如功能、用途、尺寸和材質(zhì)等）將它們自動分組，使同一組內(nèi)的備件具有較大相似性，而不同組間的備件具有較小相似性。

信息熵是衡量信息不確定性的一個指標(biāo)，在聚類分析中可用來評估聚類結(jié)果的穩(wěn)定性和合理性。采用信息熵優(yōu)化，可以自動選擇最佳聚類數(shù)目，避免人為設(shè)定K值帶來的主觀性和不確定性。此外，信息熵優(yōu)化還可以提高聚類算法的魯棒性和穩(wěn)定性，使聚類結(jié)果更準(zhǔn)確、可靠。

在備件分類中使用結(jié)合信息熵優(yōu)化的改進型聚類分析法，可顯著提高分類的準(zhǔn)確性和穩(wěn)定性。該方法通過迭代計算聚類結(jié)果的信息熵，自動選擇最佳聚類數(shù)目和聚類中心點，從而得到更清晰、準(zhǔn)確的備件分類結(jié)果，如公式（6）所示。

（6）

具體步驟如下所示。1）數(shù)據(jù)預(yù)處理。主要是標(biāo)準(zhǔn)化、異常點過濾。2）隨機選取K個中心，記為μ1（0），μ2（0），...，μk（0）。3）定義損失函數(shù)，即。4）令t=0，1，2，...為迭代步數(shù)，重復(fù)直到J收斂。對于每個樣本，將其分配到距離最近的中心；對于每個類中心K，重新計算該類的中心。通過該算法，可以將備件自動分為K類，為備件分類管理提供支撐。

3 零配件管理模式研究

圍繞“強基達標(biāo)、提質(zhì)增效”工作主題，根據(jù)“共商共建、共享共贏”總體思路，與用戶合作成立區(qū)域配件中心，配件中心以“優(yōu)化庫存結(jié)構(gòu)、降低庫存總量、加快庫存周轉(zhuǎn)”為宗旨，以“凈化配件采購渠道、降低庫存資金占用”為目標(biāo)，采用配件一體化服務(wù)平臺，發(fā)揮物資計劃、運營、信息和綜合管理職能，全面打造“按預(yù)測儲備、按實際領(lǐng)用、按消耗結(jié)算”的服務(wù)型配件保障體系。

聚焦零配件供應(yīng)鏈生態(tài)體系建設(shè)，充分融合企業(yè)內(nèi)部、零配件供應(yīng)商和用戶等生態(tài)主體的業(yè)務(wù)訴求，構(gòu)建集B2B（供應(yīng)商到企業(yè)內(nèi)部）與B2C（企業(yè)內(nèi)部到用戶）于一體的B2B2C服務(wù)平臺，形成一個融合配件需求、采購、庫存和物流等全過程的業(yè)務(wù)支撐體系，并創(chuàng)新零配件業(yè)務(wù)管理模式，實現(xiàn)配件服務(wù)全過程化和全流程化，具體業(yè)務(wù)需求如圖1所示。

同時，在庫存管理模式方面，構(gòu)建基于全國庫存統(tǒng)一調(diào)度的配件庫存管理模式，實現(xiàn)配件全國庫存的分級管理、統(tǒng)一庫存調(diào)度和統(tǒng)一庫存管理，提高庫存的利用率，降低庫存資金占用。庫存分級管理提供區(qū)域中心庫和服務(wù)站庫，其中區(qū)域中心庫滿足配件基本需求和中轉(zhuǎn)需求，服務(wù)站庫滿足服務(wù)站日常配件使用；統(tǒng)一調(diào)度，提供配件庫存統(tǒng)一監(jiān)控、配件庫存統(tǒng)一控制和配件按需調(diào)度，確保配件以最快速度提供給客戶，提高配件庫存的使用效率；統(tǒng)一庫存管理，提供配件存儲規(guī)范、配件管理辦法、用戶操作事項和庫存合理優(yōu)化辦法等，提高配件使用效率和合理優(yōu)化庫存。具體庫存管理模式如圖2所示。

4 搭建配件服務(wù)一體化平臺

4.1 功能架構(gòu)

基于以上庫存預(yù)測算法模型和庫存管理模式研究成果，利用多種新興互聯(lián)網(wǎng)技術(shù)構(gòu)建面向配件申請、庫存管理和統(tǒng)一調(diào)度等全流程端到端支撐的配件服務(wù)一體化支撐平臺，具體系統(tǒng)構(gòu)架如圖3所示。

通過搭建配件服務(wù)一體化平臺實現(xiàn)配件庫存管理、采購訂單、智能調(diào)撥、配件銷售等能力為一體的全流程端到端支撐，并實現(xiàn)零配件的供應(yīng)商、業(yè)主、主機廠等生態(tài)體系的一站式支撐。具體說明如下所示。1）能力層。提供平臺的基礎(chǔ)能力，主要包括搜索引擎、流程管理、信息推送、文件服務(wù)、日志管理以及安全管理等基礎(chǔ)功能，同時提供服務(wù)訪問、管理和安全的服務(wù)開放能力。2）功能層。主要分為業(yè)務(wù)功能和數(shù)據(jù)模型，其中業(yè)務(wù)功能包括配件超市、訂單管理、配給調(diào)撥和庫存管理等能力。配件超市引入超市的購物車模式，提供訂單采購全過程支撐。庫存管理提供庫存信息的動態(tài)監(jiān)控、智能預(yù)警和預(yù)測，并融合庫存聯(lián)動，實現(xiàn)庫存的動態(tài)調(diào)整。配給調(diào)撥是在庫存信息動態(tài)共享的基礎(chǔ)上實現(xiàn)庫存的統(tǒng)一調(diào)配和智能調(diào)度。基礎(chǔ)檔案提供歷史銷售訂單、合同等檔案信息。數(shù)據(jù)模型則是基于第2節(jié)模型研究成果，通過集成車輛檢修、庫存等數(shù)據(jù)搭建庫存預(yù)測、預(yù)警和備件聚類模型，為庫存管理智能化提供基礎(chǔ)。3）應(yīng)用層。面向配件服務(wù)的供應(yīng)商、消費方和主機廠等相關(guān)方，并結(jié)合各自的業(yè)務(wù)需求形成針對性的工作臺，實現(xiàn)應(yīng)用的個性化服務(wù)。

4.2 技術(shù)架構(gòu)

技術(shù)架構(gòu)引入業(yè)界領(lǐng)先的云化和微服務(wù)、前/后端分離的架構(gòu)模式，后端主要提供能力封裝、接口訪問控制和文件服務(wù)等能力，形成統(tǒng)一的能力平臺。前端則重點提供應(yīng)用服務(wù)封裝和頁面應(yīng)用的緩存機制，并提供統(tǒng)一的接入方式以支撐Web和App這2種接入方式。在應(yīng)用服務(wù)構(gòu)建方面，結(jié)合具體應(yīng)用功能封裝成應(yīng)用組件，形成模塊化的微服務(wù)，有效提升平臺的擴展性、靈活性。在網(wǎng)絡(luò)架構(gòu)方面，引入虛擬化機制，實現(xiàn)平臺資源的動態(tài)擴展，保證架構(gòu)可伸縮性和開放性，滿足用戶量高并發(fā)和用戶高交易量。具體技術(shù)架構(gòu)如圖4所示。

5 應(yīng)用效果

本文改進了傳統(tǒng)的配件服務(wù)模式，實現(xiàn)了超市化的供應(yīng)鏈管理和配件需求電商化管理，可直接下單采購，采購周期由原來的3～6個月縮減至15天內(nèi)；配件儲備項目增加23%，運用現(xiàn)場月均遺留故障配件需求比合作前降低了68%，顯著提高了配件供應(yīng)保障能力，取得了良好效益。但受車輛運維預(yù)測方法的準(zhǔn)確性限制，其庫存控制還有一定提升空間，后續(xù)將繼續(xù)深入研究影響配件銷售的其他因素和相關(guān)性，進一步提升庫存預(yù)測的精準(zhǔn)性和有效性。

參考文獻

[1]方伯芃.基于云平臺的配件多價值鏈協(xié)同技術(shù)研究[D].成都：西南交通大學(xué)，2012.

[2]陶茂華.基于個性化需求服務(wù)供應(yīng)鏈運作模式研究[D].北京：北京交通大學(xué)，2012.

[3]WANG W.A model for maintenance service contract design，

negotiation and optimization[J].European journal of operational research，

2010，201（1）：239–246.