段永峰 顼文晴

摘  要：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。

关键词：备件需求预测;BP神经网络;GM1，1模型

中图分类号：F272    文献标识码：A

Abstract： In order to solve the problems of overstocking and low efficiency of spare parts management of mechanical equipment in coal enterprises， the demand forecasting methods of spare parts at home and abroad were studied. According to the advantages and disadvantages of the previous spare parts demand forecasting methods， a spare parts demand forecasting method combining BP neural network model with GM1，1 model is proposed. The results show that， compared with BP neural network model， the method of combining BP neural network model with GM1，1 model is better， the average relative error is reduced by 16.59%， and the accuracy is higher.

Key words： spare parts demand forecast;BP neural network;GM1，1 model

0  引  言

備件是维持机械设备维修保养、减少机械设备维修所占用的时间的资源，是提高机械设备的生产效率及使用周期的必然保障。目前，煤炭企业积压备件占备件金额的70%，品种占50%以上。备件库存积压，增加库存储备成本，降低企业资金流动。通过对煤炭企业设备备件需求预测进行研究，采取有效的方法探求煤炭企业备件的需求量，从而对煤炭企业备件库存管理提供决策依据，进而增强企业资金流动，降低企业运营成本。

许多学者对备件需求预测进行了相关研究。夏长俊[1]在备件寿命服从指数分布的基础上结合备件故障率建立了预测模型，对备件需求进行预测。张志华[2]以对指数确定方法进行改进为基础，用马尔可夫理论进行备件需求预测分析。Willemain[3]根据备件间断性需求的分布特点，通过构建时间序列模型求得备件需求量。赵建忠[4]针对一些特殊的无规律且复杂的备件需求特征，将小波分析应用于此类备件需求预测中。……