关子明　常文兵

摘要：备件预测在产品物流保障中占有极其重要的地位，针对现有各种航空备件预测方法精度较低，无法满足实际需求的现状，文章提出了基于主成分分析—RBF神经网络模型的备件预测方法。首先利用主成分分析方法去除原始输入层数据的相关性，以解决RBF神经网络模拟预测备件需求时输入变量过多，网络规模过大导致效率下降的问题，最后选择合适的径向基函数密度训练神经网络。通过结合实例进行分析，取得了较好的效果。

关键词：备件预测；主成分分析；RBF神经网络

中图分类号：F251.2文献标识码：A

Abstract: Spare parts prediction stands a very important status in production logistic guarantee. Existing aviation material prediction approach has a low precision which can't meet the actual need. According to the problem, the forecasting approach for spare parts based on principal component analysis and artificial neural network was given. Firstly the approach can wipe off the correlation of the initial input data, in order to solve the problem that RBF network has too many input factor when predicting and then the efficiency of the neural network descends because of bigger size, at the last we choose the proper RBF density to train the network. The effectiveness of the proposed algorithm was verified by using an instance.

Key words: spare parts prediction; principal component analysis; RBF artificial neural networks

0引言

备件物流是对维修保养、售后产品和物资所涉及的库存、设施和劳动力进行的完整端到端的物流管理。在飞机制造商的备件保障体系中，备件预测占有非常重要的地位。作为一项基础性工作，若无科学和严密的预测，盲目凭经验去生产或购买备件，会造成备件的短缺或浪费，进而严重影响盈利能力。包括空客、波音在内的国际各大飞机制造商都很重视备件预测，进行定性定量的科学计算，使得备件预测成为了他们参与市场竞争的技术优势[1]。通常飞机备件可分为可修复件和不可修复件。可修复件数量不多, 但价格昂贵, 占总费用的85%, 可修件需求分析的效果将直接影响到飞机能否取得合理有效的航材保障[2]。

由于影响备件需求的因素种类众多且复杂多变，准确预测备件需求比较困难。国内飞机制造企业在……