基于案例的备件需求预测技术及软件

运用基于案例的推理（ＣＢＲ）原理，提出一种备件需求的预测技术，研究了相似识别、相似度、相似基准系统等问题，并设计、开发基于案例推理的备件需求预测软件系统。

飞机战伤抢修备件需求预测方法研究

针对飞机战伤抢修备件需求预测模型存在的强非线性,利用RBF网络的参数自调节性和能以任意精度逼近任意非线性系统的特性,提出了飞机战伤抢修备件需求的RBF网络预测方法。仿真实验结果表明,基于RBF网络的飞机战伤抢修备件需求预测模型具有较强的自适应性和较高的计算精度,将其用于预测飞机战伤抢修备件需求是完全可行和行之有效的。

基于影响因素分析和数据重构的备件需求预测

针对备件需求具有间断性需求特点,在实践中预测值与真实值往往具有很大偏差的问题,指出历史数据混淆和需求产生原因不明确是造成偏差的两项根本原因。提出了基于影响因素分析和数据重构的备件需求预测方法。在历史数据重构处理中,通过数量退化和时间序列变换,将间断性的需求序列转换为需求间隔的连续性时间序列。在影响因素识别方面,结合实践调研,从备件自身、设备使用、操作人员及突发事故四个方面提出备件需求的七个影响因素,并通过灰色关联分析进行因素筛选。最后,利用SVR预测模型完成备件需求预测,并通过实例企业的数据验证证明了整套方法的可行性与有效性。

主成分分析—BP神经网络在备件需求预测中的应用

备件需求预测在装备维修保障中占据重要的地位,针对当前主要以经验为主进行估计,与实际需求相差较大,提出基于主成分分析—BP神经网络模型的备件需求预测方法。首先利用主成分分析方法去除原始输入数据的相关性,降低数据维度,减小网络规模,选择合适的隐含层的BP神经网络。最后通过结合实例进行分析,取得较好的效果。

基于径向基神经网络的舰船备件需求预测

针对舰船装备保障过程中备件数量的确定方法缺乏科学性和实际操作繁琐的现状,分析了影响舰船备件数量主要因素,研究了径向基神经网络的工作原理,提出基于径向基函数神经网络的舰船备件需求预测方法。最后给出了预测实例,并与BP神经网络预测结果进行对比。结果表明,径向基神经网络预测方法操作简单,预测结果符合实际情况,拟合效果优于BP。

煤炭企业设备备件需求预测研究

为解决煤炭企业机械设备备件库存积压、备件管理效率低问题,对国内外备件需求预测方法进行了研究。根据以往备件需求预测方法的优缺点,提出一种将BP神经网络模型与GM1,1模型相结合的备件需求预测方法。结果表明,与以往仅用BP神经网络模型预测相比,文章的BP神经网络模型与GM1,1模型相结合的备件需求预测方法更好,平均相对误差降低了16.59%,精度更高。

基于改进Grey-Markov模型的导弹备件需求预测

导弹备件需求系统是复杂的系统,根据灰色预测和Markov的特点,给出Grey-Markov模型,用无偏GM(1,1)模型拟合备件需求的变化趋势,而进行Markov预测,在预测过程中,不断更新原始数据;通过对导弹备件需求预测表明,相比一般的灰色预测模型,该模型预测准确度(尤其是中长期预测中)得到了较大提高。

基于系统动力学的飞机备件需求预测

为了解决传统备件需求预测方法未从寿命周期整体进行规划保障的问题,本文从飞机寿命周期角度出发,提出了一种基于系统动力学的飞机备件需求预测方法。利用系统动力学软件Vensim-PLE绘制基于机群规模的备件需求量因果回路图;通过明确图中各变量之间的关系,绘制飞机备件需求系统存量流量图;编写图中变量的DYNAMO方程,形成系统动力学模型;最后,通过算例进行仿真分析,验证该方法的有效性。

一种基于灰色关联度与BP神经网络的备件需求预测模型

针对备件需求影响因素众多且不同备件的影响因素不尽相同的情况,提出了一种基于灰色关联分析的BP神经网络需求预测模型。首先使用灰色关联度筛选出影响备件需求的主要因素;然后以主要因素的数据作为神经网络的输入对神经网络进行训练,使用训练好的神经网络对备件需求进行预测;最后通过实例验证了基于灰色关联度BP神经网络的预测模型相对于传统BP神经网络预测模型能够较大地提高预测的精度。

一种基于证据理论的战时备件需求预测方法

为解决战时备件需求预测缺乏数据的问题,提出一种基于证据理论的战时备件需求预测方法。构建马尔可夫链模型,从备件需求历史数据中挖掘平时备件需求规律;进而设计一种基于战斗强度变化的战时备件需求马尔可夫链转移概率调整策略,用于模拟战时备件需求规律;最后结合专家经验,综合利用模糊理论和证据理论实现对战时备件需求的预测。仿真算例表明,该方法能够有效实现战时备件需求的预测。

结合预分类的备件需求预测与订货批量计算

备件需求预测是企业订货管理的关键,为了使预测更加合理,提出了一种结合预分类技术的多元线性回归方法对备件需求进行预测,文中所指的预分类,就是利用备件的同源性和继承性,将工作原理相近,结构相似,工作环境相同,需求基本一致的备件分为一类,在预分类的基础上采用多元线性回归方法进行预测,然后依据预测结果计算备件的经济订货批量。

基于影响因素的SVR备件需求预测研究

文章介绍了支持向量机学习算法,说明其特点,并引出基于影响因素的支持向量回归的备件需求预测方法,用某型备件的历史需求数据例证此法的可行性与精确度。

光纤通信传输设备维修备件需求预测

随着新时代的到来,通信传输逐渐受到高度重视,但显而易见的是光纤通信传输设备故障现象出现频率也是越来越高,为有效克服这一困扰,相关专业人士构建了较为专业的备件需求预测模型,可实现对通信传输设备存在故障的准确分析,并借助最小二乘法对通信设备运行变化状态进行模拟,进而判断出使用寿命和备件需求量之间联系,促使通信传输设备能够始终处于良好运行状态。本文主要对光纤通信传输设备维修备件需求预测展开深入化研究。

光纤通信传输设备维修备件需求预测

随着新时代的到来,通信传输逐渐受到高度重视,但显而易见的是光纤通信传输设备故障现象出现频率也是越来越高,为有效克服这一困扰,相关专业人士构建了较为专业的备件需求预测模型,可实现对通信传输设备存在故障的准确分析,并借助最小二乘法对通信设备运行变化状态进行模拟,进而判断出使用寿命和备件需求量之间联系,促使通信传输设备能够始终处于良好运行状态。本文主要对光纤通信传输设备维修备件需求预测展开深入化研究。

基于不稳定时间序列分析的设备备件需求预测方法

针对设备备件需求具有的非平稳性、多样性特征,提出一种基于集合经验模态分解(EEMD)和支持向量回归(SVR)的需求预测方法。首先运用EEMD将需求序列分解为一系列相对平稳的本征模函数(IMF),然后对各IMF分量采用基于RBF核函数的支持向量机进行非线性回归,同时针对不同分量的预测模型采用遗传算法进行核参数优化,最后将各分量的预测结果合成为实际时间序列的预测值。实验数据表明:该方法能有效降低备件需求的不稳定性对预测结果造成的影响,对小样本、非平稳时间序列的预测问题,与通用的预测方法相比具有较高的预测精度。

基于变分模态分解的备件需求组合预测模型研究

为提高备件需求预测的精确性和稳定性,将信号处理、时间序列分析以及神经网络学习等技术相结合,提出一种基于变分模态分解的备件需求组合预测模型,以未来的备件需求量预测设置测试集进行算法验证。以某型装备中的二极管为例,引入变分模型对需求序列进行分解与重构,并对分解后的各模态分量应用备件组合预测模型(由差分自回归移动平均和长短时记忆神经网络以均方差最小为目标函数所构成)。确定组合模型的权重,得出各模态分量的预测值。本文对预测值进行求和以及重构,得到二极管备件需求序列的最终预测值。为确保预测精度,引入了回归移动平均、长短时记忆和变分模型等预测模型与所构建的模型进行比对,证明本文所提出的组合模型在备件需求序列预测方面具有更精准的预测精度和更稳定的预测性能。

现代化后勤保障的关键——数字化工具

先进的后勤保障是保障高效售后服务的重要一环,它包括更好地部件需求预测和恰当的库存管理。当前后勤保障交付过程中实现流程可见性的数字化工具发展良好,但是相信未来,日趋先进的数字化工具在改善部件生产过程中的可见性以及部件的故障预测和需求预测方面将会发挥更大的作用。