任 喜 畢 鵬 張曉斐

(1.92493部隊(duì)89分隊(duì) 葫蘆島 125000)(2.92635部隊(duì) 青島 266041)(3.海軍航空工程學(xué)院 煙臺(tái) 264000)

基于需求特性的備件分類模型研究*

任 喜1,3畢 鵬1張曉斐2

(1.92493部隊(duì)89分隊(duì) 葫蘆島 125000)(2.92635部隊(duì) 青島 266041)(3.海軍航空工程學(xué)院 煙臺(tái) 264000)

備件分類是備件需求預(yù)測(cè)研究的基礎(chǔ)。只有在正確的備件分類的基礎(chǔ)上才能更好地對(duì)備件需求預(yù)測(cè)進(jìn)行研究。主要從不常用備件的特點(diǎn)入手,從需求數(shù)據(jù)中的平均需求量、需求間隔時(shí)間以及需求量的變化程度對(duì)備件進(jìn)行了粗分類。在粗分類的基礎(chǔ)上,提取平均需求間隔和非零需求值的變異系數(shù)兩個(gè)參數(shù)對(duì)分類模型進(jìn)行量化分析,上述需求屬性不僅僅要考慮需求的間斷性和塊狀性,還要考慮突發(fā)性需求。將突發(fā)性需求考慮在內(nèi)的拓展的突發(fā)性需求屬性空間將大大提高需求分類的準(zhǔn)確性。該分類方法的應(yīng)用是通過(guò)將分類屬性變量映射到最佳預(yù)測(cè)方法,通過(guò)映射得到給定需求序列的最佳預(yù)測(cè)方法。

不常用備件; 需求特性; 分類; 塊狀需求

Class Number TJ760.7

1 引言

在艦船裝備備件管理中,根據(jù)備件使用的頻度,可以將備件分為兩類：常用備件(Frequently Used Spare Parts)和不常用備件(Rarely Used Spare Parts)。常用備件具有使用量大、使用頻率較高、需求穩(wěn)定等特點(diǎn),易于管理,備件的需求預(yù)測(cè)相對(duì)簡(jiǎn)單,分類方法比較完善；不常用備件則與常用備件有很大不同,具有使用頻率較低且規(guī)律性不強(qiáng)、可用性要求高、專用性強(qiáng)、單價(jià)高、生產(chǎn)周期長(zhǎng)、壽期不確定等特點(diǎn),管理難度相當(dāng)大,有效的備件分類是進(jìn)行備件消耗預(yù)測(cè)研究和配置優(yōu)化工作的重要前提。

2 不常用備件分類研究現(xiàn)狀

不常用備件又稱間斷性需求備件(Intermittent Demand Spare Parts)。一些文獻(xiàn)將比較難以預(yù)測(cè)的備件需求稱為間斷性需求,塊狀需求,不穩(wěn)定需求,零星需求,慢速移動(dòng)需求等[1～2]。上述需求類型很多情況下可以相互替換。間斷性和塊狀性是不常用備件的主要特征。

間斷性需求通常定義為需求隨機(jī)產(chǎn)生并伴隨著大量的零值,然而這種定義僅局限于間斷性的屬性上,對(duì)塊狀性這一屬性沒(méi)有體現(xiàn)。Siliver對(duì)間斷需求給出下面的定義：不經(jīng)常使用且平均使用需求間隔大于單位時(shí)間,該單位時(shí)間是根據(jù)預(yù)測(cè)間隔不斷更新[3]。Smart將間斷需求定義為至少有30%的需求量為0的需求序列[4]。美國(guó)海軍庫(kù)存管理者認(rèn)為那些小于60%～70%非零需求的需求序列為間斷需求[5]。Johoston等對(duì)間斷需求序列的定義為：平均非零需求間隔大于或等于庫(kù)存檢查周期的1.25倍的需求序列[6]。上述定義均以間斷性需求的間斷性為重點(diǎn),均沒(méi)有考慮間斷需求的塊狀屬性。慢速需求是指在很少時(shí)刻發(fā)生的需求,慢性需求屬于間斷性需求。Syntetos將塊狀需求定義為同時(shí)具有零需求和劇烈變化非零需求的一種需求形式,他將所有的塊狀需求歸為間斷需求,但是并不是所有的間斷需求都是塊狀需求[7]。Ward將間斷需求的等同于塊狀需求[8]。上述需求類型的定義均與間斷需求有相互重疊。不規(guī)則需求是需求值劇烈變化的需求,即存在塊狀性。但是,不規(guī)則需求并不等同于塊狀需求,因?yàn)椴灰?guī)則需求并不一定是間斷斷性需求,而塊狀需求的前提就是必須是間斷性需求。

3 基于備件需求特性的備件分類

Syntetos將多種需求數(shù)據(jù)特征進(jìn)行了定性的分類,分類結(jié)果如圖1所示[9]。

圖1中最左邊一列為判斷標(biāo)準(zhǔn),中間一列是具有某一種數(shù)據(jù)特征的需求,最后一列是同時(shí)具有兩種數(shù)據(jù)特征的需求。根據(jù)圖1可以得到：根據(jù)備件需求間隔時(shí)間的長(zhǎng)短可以判定是否屬于間斷性需求；參照備件需求量的變化程度可以判定是否屬于不穩(wěn)定需求；當(dāng)需求發(fā)生間隔時(shí)間長(zhǎng)且平均需求量很低時(shí)可以判別為慢速移動(dòng)需求；當(dāng)同時(shí)具有間斷性特征和不穩(wěn)定特征時(shí),可以判別為“塊狀”需求；當(dāng)具有間斷性特征且需求量近似恒定時(shí),可判別為“叢”需求。

上述分類僅是定性對(duì)備件類型進(jìn)行分析。Williams提出了一種以需求量的大小、方差、提前期方差等指標(biāo)為標(biāo)準(zhǔn)來(lái)對(duì)各種需求進(jìn)行分類的方法。在Williams分類方法的基礎(chǔ)上,Syntetos提出了一種更為簡(jiǎn)單實(shí)用的需求分類規(guī)則,其具體內(nèi)容見(jiàn)圖2中的矩陣[11]。

4 基于需求特性分類模型的備件需求預(yù)測(cè)

上述討論中僅考慮間斷需求的間斷性和塊狀性。作為間斷性和塊狀性的補(bǔ)充,Varghese考慮到相關(guān)性[12～13]。在本文的研究中,將需求屬性空間拓展為：p01,p11,μ,σ,φ1,φ1,ibt,即由零需求到非零需求的概率,由非零需求到零需求的概率,需求均值,需求方差,一階滯后相關(guān)系數(shù),非零需求間隔的一階滯后相關(guān)系數(shù)。上述需求屬性不僅僅要考慮需求的間斷性和塊狀性,還要考慮突發(fā)性需求。突發(fā)性需求常見(jiàn)于通信網(wǎng)絡(luò),這種需求的特點(diǎn)是具有連貫性的非零需求特性。突發(fā)性需求可以是間斷需求：具有一段時(shí)間周期內(nèi)無(wú)需求,當(dāng)非零需求發(fā)生時(shí),將伴隨著連續(xù)的非零需求發(fā)生。高度突發(fā)性需求是那些需求間具有正相關(guān)的需求序列。將突發(fā)性需求考慮在內(nèi)的拓展的突發(fā)性需求屬性空間將大大提高需求分類的準(zhǔn)確性。該分類方法的應(yīng)用是通過(guò)將分類屬性變量映射到最佳預(yù)測(cè)方法,通過(guò)映射,可以得到給定需求序列的最佳預(yù)測(cè)方法。

4.1 分類流程設(shè)計(jì)

通過(guò)基于多元邏輯回歸方法對(duì)備件進(jìn)行多參數(shù)屬性的分類研究。與一般邏輯回歸模型一樣,分類響應(yīng)變量只有2個(gè),且各變量均以服從二元分布模型屬于某分類。對(duì)于多元回歸,分類響應(yīng)變量多于2個(gè),且各變量均以多元分布模型屬于某分類。在此基礎(chǔ)上,建立一個(gè)任一變量屬于某響應(yīng)變量的概率模型：第pJ=1,,m個(gè)響應(yīng)變量。在本文中分類方案基于以下6個(gè)需求屬性p01,p11,μ,σ,φ1,φ1,ibt,響應(yīng)變量為最佳預(yù)測(cè)方法。響應(yīng)變量pJ假定為多元的且各個(gè)屬性之間相互獨(dú)立。令

(p01,p11,μ,σ,φ1,φ1,ibt)=(x1,x2,x3,x4,x5,x6)

則各變量屬于基本分類模型的概率表示為

+β5jx5+β6jx6

j=1,2,,7,j≠base

將SES(0,1)作為基本分類模型。通過(guò)上式可以得出

對(duì)基本分類模型的β估計(jì)等于0,通過(guò)最大似然估計(jì)(MLE)求得β估計(jì)：

對(duì)于所有的觀測(cè)變量i以及對(duì)應(yīng)的響應(yīng)變量j,用對(duì)應(yīng)的概率pj(i)來(lái)替代其對(duì)應(yīng)的觀測(cè)值。通過(guò)程序運(yùn)行記錄需求屬性變量空間所映射的最佳預(yù)測(cè)方法。上式中β估計(jì)可以通過(guò)SAS軟件中的CATMOD程序求解[3]。因此概率pj可以通過(guò)一個(gè)未知的需求屬性向量求得：選取具有最大概率的需求預(yù)測(cè)方法。通過(guò)多元回歸法訓(xùn)練需求屬性向量數(shù)據(jù)并將其分到合適的預(yù)測(cè)方法中,最后根據(jù)分類規(guī)則來(lái)對(duì)測(cè)試集進(jìn)行預(yù)測(cè)其最佳預(yù)測(cè)方法。

5 實(shí)例分析

現(xiàn)以Matlab隨機(jī)生成的間斷性需求序列數(shù)據(jù)集為例進(jìn)行分析。該數(shù)據(jù)集合由3000個(gè)間斷性需求序列組成,將序列集中隨機(jī)選取70%的序列作為訓(xùn)練集,其余30%的序列作為測(cè)試集,通過(guò)仿真分析得到每一個(gè)序列的最佳預(yù)測(cè)方法(具體方法見(jiàn)文獻(xiàn)[14])。在進(jìn)行仿真的過(guò)程中,通過(guò)觀察每種預(yù)測(cè)方法的MAD值,重復(fù)分析每個(gè)需求屬性向量的需求生成和對(duì)應(yīng)的預(yù)測(cè)方法,進(jìn)而選取每個(gè)需求屬性向量的最佳需求預(yù)測(cè)方法。各個(gè)預(yù)測(cè)方法間的比較基于Hsu給出的最優(yōu)多重比較法(MCB)[15]。對(duì)于每一個(gè)向量,選取具有低MAD的預(yù)測(cè)方法。將訓(xùn)練集以及其映射3000組數(shù)據(jù)進(jìn)行訓(xùn)練,通過(guò)SAS軟件計(jì)算測(cè)試集得出的最優(yōu)預(yù)測(cè)方法與訓(xùn)練集得到最優(yōu)預(yù)測(cè)方法。該分組最佳預(yù)測(cè)方法被選定為測(cè)試集預(yù)測(cè)方法的比例為70.87%,這是一個(gè)不錯(cuò)的預(yù)測(cè)精度。但該方法僅適用于大量序列數(shù)據(jù)集的情況,在少量序列的情況其預(yù)測(cè)精度不盡人意。

6 結(jié)語(yǔ)

不常用備件管理在艦船裝備管理工作中有著重要的地位,其管理水平的高低決定著艦船裝備的戰(zhàn)備完好率。目前對(duì)備件分類多從備件重要度等因素出發(fā),分類過(guò)程中難免會(huì)有主觀因素的影響。從備件需求歷史序列的數(shù)據(jù)結(jié)構(gòu)出發(fā),深入挖掘需求序列的數(shù)據(jù)結(jié)構(gòu)以及內(nèi)在規(guī)律,為備件分類預(yù)測(cè)研究提供了一種思路。

[1] Banks,J., Carson,J.S., Nelson, B.L.and Nicol, D.M.Discrete-event System Simulation,4th ed.[M]. New Jersey: Pearson Prentice Hall,Upper Saddle River,NJ.J. 2005:75-80.

[2] Varghese,V.M.,Rossetti,M.D. A Classification Approach for Forecasting Intermittent Demand[C]//Proceedings of the 2008 Industrial Engineering Research Conference,Vancouver Canada,2008:234-241.

[3] Silver,E.A.,Pyke, D.F.Inventory management and production planning and scheduling(3rd Edition)[M]. New York: Wiley,1998:132-138.

[4] Smart,H.W. On the Demand Distribution of Slow Moving Items[D]. Lancashire: Lancaster Univ. 1991:234-241.

[5] Anonymous. New Technology Enables Accurate Forecasting of Intermittent Inventory[R]. Inventory Management Report,2003.

[6] Johnston, F.R., and Boylan,J.E. Forecasting for Items with Intermittent Demand[J]. Journal of the Operational Research Society,1996:47(1),113-121.

[7] Snyder, R. Forecasting Sales of Slow and Fast Moving Inventories[J]. European Journal of Operational Research, 2002:140(3),684-699.

[8] Ward,J.B. Determining Reorder Points when Demand is Lumpy[J]. Management Science, 1978,24(6),623-633.

[9] Syntetos,A. Forecasting of Intermittent Demand[D]. London: Brunel University,2001：495-503.

[10] Willemain,T.R., Smart,C.N., and Schwarz,H.F. A New Approach to Forecasting Intermittent Demand for Service Parts Inventories[J]. International Journal of Forecasting,2004,20(3),375-387.

[11] Syntetos,A.A., Boylan,J.E., and Croston,J.D. On the Categorization of Demand Patterns[J]. Journal of the Operational Research Society,2005,56(5),495-503.

[12] Varghese,V.M. Categorizing and forecasting intermittent demand[D]. Fayetteville: University of Arkansas,2004：37-49.

[13] Varghese,V.M., and Rossetti, M.D. A Classification Approach for Forecasting Intermittent Demand[C]//Proceedings of the Industrial Engineering Research Conference, Vancouver Canada. 2008.

[14] Vijith Varghese, Manuel Rossetti. A Meta Forecasting Methodology for Large Scale Inventory Systems with Intermittent Demand[C]//Proceedings of the 2009 Industrial Engineering Research Conference,2009:1640-164.

[15] Hsu,J.C., Multiple Comparisons:Theory and Methods,1st Edition[M]. London: Chapman & Hall,1996.

Classification Models of Spare Parts Based on Demand Characteristics

Ren Xi1,3BI Peng1ZHANG Xiaofei2

(1. Unit 89, No. 92493 Troops of PLA, Huludao 125000)(2. No. 92635 Troops of PLA, Qingdao 266041)(3. Naval Aeronautical and Astronautical University, Yantai 264000)

Spare parts classification is the basis for spare parts demand forecasting research. Only on the basis of correct spare parts classification, the research on spare parts demand forecasting can be carried out better. Mainly starting from not commonly used spare parts features the needs of the average demand data, time and extent of changes in demand interval demand for spare parts are rough classified. On the basis of rough classification, average demand interval and coefficient of variation of the two parameters of non-zero values are extracted for classification model needs quantitative analysis, these needs not only to consider the needs of property intermittent and massive resistance, but also consider the unexpected requirements. The sudden demand for property space to expand into account sudden demand will greatly increase demand classification accuracy. The classification method is applied by the classification attribute mapping variables to predict the best method, the best prediction method for a given sequence is obtained by mapping needs.

rarely used spare parts, demand characteristics, classification, massive demand

2016年10月10日,

2016年11月13日

國(guó)家自然科學(xué)基金(編號(hào):60478053)資助。

任喜,男,博士,工程師,研究方向：裝備計(jì)量保障。畢鵬,男,工程師,研究方向：裝備計(jì)量保障。張曉斐,男,工程師,研究方向：航空裝備保障。

TJ760.7

10.3969/j.issn.1672-9730.2017.04.020