基于全过程的备件需求预测综述

2018-09-06王生凤王铁宁吴龙涛

装甲兵工程学院学报 2018年3期

杨帆，王生凤，王铁宁，吴龙涛，贾琦

(1. 陆军装甲兵学院装备保障与再制造系, 北京 100072； 2. 陆军装甲兵学院教研保障中心, 北京 100072)

备件是满足装备维修、保障装备运行的重要物质基础[1]。备件保障水平直接影响部队战斗力及经费使用效益。备件供应不足将会导致装备完好率下降；反之，又会造成库存积压，降低装备经费使用效率。因此，准确预测备件需求至关重要。由于备件需求间隔时间和需求量常具有间断性，不同阶段影响备件需求的因素各异，且历史需求数据有限，很难准确预测装备备件的需求量。

诸多学者对装备备件需求预测问题进行了研究。BACCHETII等[2]将备件需求预测方法分为基于时间序列的方法、Croston方法、Bootstrapping方法、可靠性分析方法、回归分析方法、神经网络方法和贝叶斯方法7类；张永莉等[3]根据备件特性将备件分为间歇型需求备件、平缓型需求备件、块状型需求备件和随机型需求备件4类；CAO等[4]将备件需求预测方法分为基于经验、基于历史数据、基于解析方法和基于仿真4类；张连武等[5]根据备件的使用寿命周期，将备件需求预测分为备件初始供应、正常使用及退役3个阶段。上述研究均以某一角度为切入点，对备件需求预测方法进行分类，但并未对备件需求预测方法进行系统分析与总结。笔者基于全过程管理理念，将备件需求预测过程分为问题分析、数据获取与分析、方法选择与建模、模型求解、结果评估与应用5个阶段，分别对每个阶段的当前研究现状、采用方法的优缺点及适应性等进行了综述分析，系统梳理和总结了备件需求预测的相关文献，为装备备件管理提供参考。

1 需求预测全过程管理概述

全过程管理是在工程领域首先提出并得到实践应用的。随着其在工程领域的成功应用，其在其他领域也得到了应用与发展，如在产品供应全过程的应用。全过程管理理念结合了系统工程的思想，可更好地管控、优化工程实践过程和企业管理的流程。在备件需求预测研究中，应用全过程管理理念来研究备件需求鲜有报道，笔者在备件需求预测研究中引入全过程管理理念，旨在对备件需求预测研究成果进行系统的梳理、分析与总结。

2 备件需求预测全过程

根据全过程管理理念，备件需求预测全过程可分为6个阶段，如图1所示。

2.1 问题分析

问题分析是备件需求预测的首要环节，主要是对预测对象进行分析。只有充分了解备件的特性，明确备件类型及需求特征，才能有针对性地准确预测备件需求。从备件使用场合来看，目前备件需求预测研究主要集中在平时周转备件需求预测方面[6- 7]，有关其他方面的研究主要有：窦云杰等[8]综合考虑野外驻训中备件需求受训练时间、训练强度、恶劣天气等因素的影响，对野外驻训备件消耗量进行了预测；刘喜春等[9]针对战时备件需求的多阶段相关性及不确定性特点，在历史数据难以获得的情况下，对战时备件需求量进行了预测；李晓宇等[10]以任务为中心，针对寿命分布较为复杂的装备备件，通过建模对其需求进行了预测；赵劲松等[11]根据备件重要程度的不同，采用灰色模型对不常用备件需求进行了研究；索海龙等[12]采用多源信息分级技术对大型动力装备关重件的备件需求进行了预测；文献[13- 15]作者根据备件需求时间及数量特性，对间断型备件需求进行了预测；WANG等[16]对块状备件需求进行了预测；郭琼琼等[17]对连续型备件需求进行了预测；文献[18- 19]作者根据备件的系统关联性，分别针对单项备件及系统备件的需求进行了预测。

2.2 数据获取与分析

数据获取与分析是在明确备件特征的基础上，对获取的可用数据进行分析与处理。由于部队每年例行训练任务的内容相似，对于日常消耗备件，一般具有可供参考的历史消耗数据，可通过对历史消耗数据的分析来研究备件的需求规律，并预测备件需求[20- 22]。

对于新列装部队的装备备件，由于装备使用时间短，并无可供参考的历年消耗数据，因此无法采用时间序列等基于大样本量的预测方法来预测备件需求。另外，对于基于任务的备件消耗、应急备件消耗、战时备件消耗等均具有临时性特点的装备备件需求预测问题，常利用备件故障率、寿命分布等相关数据，从可靠性的角度进行备件需求预测，如张居梅等[23]利用日常备件消耗数据来拟合备件的故障率曲线，建立备件可靠性模型，实现备件需求预测。因此，明确备件类型和特点后，就需要获取历史消耗数据、故障率、寿命分布等数据，并进行分析与处理，再根据获取的可用数据数量和类型，进一步选择预测方法。

2.3 方法选择与建模

需求预测方法可分为基于经验的预测方法、基于历史数据的预测方法和基于解析方法的预测方法3大类。

2.3.1 基于经验的预测方法

基于经验的备件需求预测方法是最基本、最常用的预测方法。赵建民等[24]采用相似产品法，首先对某种已知的典型装备相关备件需求进行研究，然后利用相似方法对与已知装备相似的待预测装备的备件需求进行预测；兰永等[25]采用基于案例的推理方法对备件需求量进行预测；刘喜春等[9]将专家预测方法与Markov预测方法相结合，基于模糊推理预测了备件需求。

2.3.2 基于历史数据的预测方法

基于历史数据的备件需求预测是通过分析提取过去一段时间内备件消耗随时间变化的特征，来研究备件消耗变化规律，预测未来一段时间内备件的需求。基于历史数据的预测方法可分为基于大样本量和小样本量2种预测方法。

目前，在备件需求预测方法中，大多数研究均采用基于大样本量的预测方法，如指数平滑法[17]、Logistic回归[26]、经典Croston及其改进算法[27]、Bootstrappong[28]、人工神经网络[21]、支持向量机[29]等方法，该类方法通过分析数据随时间变化的规律，或通过对样本数据进行训练，得出备件需求变化规律进而实现备件需求预测。基于小样本量的预测方法主要有灰色模型GM(1,1)[30]、灰色马尔科夫模型[31]、贝叶斯方法[32]、最大熵方法[14]等，这些方法均能较好地解决样本量较少时备件需求预测问题。

2.3.3 基于解析方法的预测方法

基于解析方法的备件需求预测方法可分为2类：1)根据备件寿命分布，在备件故障率、相关特征参数等已知的情况下，利用解析式计算备件需求量，如泊松分布、指数分布、威布尔分布、正态分布等均有可以直接利用的解析式[33]，该类方法适用于备件寿命分布参数已知的备件需求预测问题；2)针对装备实际应用情况的不同，有时利用解析式难以直接得出预测结果的备件需求预测问题，可通过计算部件自身的可靠性，综合考虑系统的使用可用度等，通过构造目标函数，根据部件在未来一段时间内发生故障的概率来推导备件需求量[10，18]。

2.3.4 预测方法比较与分析

基于经验的预测方法是备件需求预测的重要方法。当历史数据不足或备件寿命分布参数未知时，即采用该类方法进行备件需求预测，但是，该类方法易受主观决策的影响，尤其是在复杂环境条件下，无法保证预测结果的准确性。

基于历史数据的备件需求预测方法通过挖掘数据间的内在联系，分析数据之间的相关性、周期性、数据变化趋势等，可得到较为准确的预测结果。但是，该类方法对数据的依赖度较大，当缺乏可供参考的历史数据、样本量较少、数据分布类型不明或历史数据可靠性较低时，预测结果的准确性将会受到极大的影响。

基于解析方法的预测方法不需要历史数据的支持，能够得到较为准确的预测结果。但是，该类方法需要利用许多备件使用参数，因此对于故障概率密度函数未知，或装备维修与保障过程较为复杂的备件需求预测问题，缺乏可靠的预测模型。

除了上述3类备件需求预测方法外，文献[4，33]作者将基于仿真的预测方法也视为一种预测建模方法，但笔者认为各种基于仿真的预测方法首先应与历史消耗数据、可靠性参数等相结合建立预测模型，然后求解和验证模型。因此，基于仿真的预测方法实际上属于模型求解方法，而不是模型建立方法。

2.4 模型求解

模型求解方法可分为数理方法、智能方法及仿真方法3类。数理方法主要是通过将数据或参数代入模型，经过一定的计算步骤得出预测结果。如程新等[36]利用历史数据得出备件的寿命分布及故障率参数等，建立备件需求预测模型，并采用数理统计的方法对模型进行求解。智能方法主要是采用遗传算法、蚁群算法、模拟退火算法等当前应用较为成熟的智能算法对模型进行求解。如：梅国建等[30]通过灰色系统建立预测模型，并采用小波神经网络对模型进行切割求解；窦云杰等[35]针对部队演训活动中备件消耗的特点，采用遗传算法改进的神经网络建立预测模型并求解。除了数理方法与智能方法外，仿真方法也是一种应用极为广泛的模型求解方法。如：许邵杰等[26]首先利用历史消耗数据建立Logistics回归模型，然后采用Markov仿真对模型进行求解；李晓燕等[36]采用模糊综合评判法，深入分析了战斗损伤中备件消耗的影响因素，并采用仿真方法求解了备件需求量。

上述3类模型求解方法各有优劣，在具体应用中应结合备件的特点进行选择。总体来说，数理方法较适用于模型简单、求解较易的备件需求预测模型求解问题。智能方法通常借助计算机软件来求解预测模型，可大大提高模型求解效率，同时，也可结合智能方法自身的鲁棒性等优点，提高备件需求预测结果的准确性。但在智能方法中，模型参数的设置是一个重点、难点问题，若参数设置不合理，将极大地影响预测结果的准确性[37]。采用仿真方法可节约人力、物力和财力，提高预测准确率，尤其是对高维度、计算量大的预测模型，相较于其他模型求解方法，其优势更加明显；但是，当影响因素考虑不全面，或备件故障概率密度函数等未知时，仿真方法将不再适用。

2.5 结果评估与应用

为了验证所提出的预测方法的可靠性和合理性，应对预测结果进行评估。评估方法可分为与实际需求数据对比、与其他方法的预测结果对比、应用对比3类。

1) 与实际需求数据对比方法。该类方法主要有时间序列模型、神经网络测试样本检验、支持向量机测试样本检验等[38]。

2) 与其他方法的预测结果对比方法。该类方法最为普遍，一般是在相同模型或数据的基础上，对比分析所研究方法与其他方法的预测结果，评估所研究方法的预测结果的可靠性和合理性[39]。

3) 应用对比方法。该类方法是将预测结果与实际应用相结合，大多数是与库存策略相结合来评估所研究方法的预测结果是否可靠[28]。

上述3类评估方法均利用预测误差来评估判断预测结果的可靠性和合理性。常用的预测误差判断指标有平均误差(Mean Error,ME)、均方误差(Mean Squared Error,MSE)、均方根误差(Root Mean Squared Error,RMSE)、误差平方和(Sum of Squared Error,SSE)、平均百分比误差(Mean Percentage Error,MPE)、平均绝对误差(Mean Absolute Error,MAE)、平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)、平均绝对偏差(Mean Absolute Deviation,MAD)等。除此之外，也可与实际应用相结合，或与库存成本、装备满足率等辅助指标相结合来评估预测结果的可靠性和合理性。值得注意的是：MPE和MAPE更适用于对连续和非零备件需求预测结果进行评估，当装备备件需求中出现大量零值时，采用上述2种判断指标会降低预测结果评估的可信度。