王小巍, 陳硯橋, 金家善, 徐鴻羽

(1. 海軍工程大學(xué)動(dòng)力工程學(xué)院, 武漢 430033; 2. 陸軍工程大學(xué)軍械士官學(xué)校, 武漢 430075;3. 國防科技大學(xué)信息通信學(xué)院, 武漢 430010)

備件需求預(yù)測是進(jìn)行備件籌措、儲(chǔ)存供應(yīng)等備件管理工作的基礎(chǔ),科學(xué)準(zhǔn)確的預(yù)測備件需求,可合理確定備件儲(chǔ)備的品種數(shù)量、滿足供應(yīng)保障需求、降低資源占用。備件消耗同時(shí)存在隨機(jī)性、多樣性、時(shí)變性、信息不充分性,預(yù)測過程中很難精確地描述備件消耗與影響因素之間的復(fù)雜關(guān)系。針對備件需求預(yù)測過程中的多種不確定性問題,以智能計(jì)算(intelligent computing,IC)理論為代表的處理方法和工具迅速發(fā)展。以智能計(jì)算作為主要方向,梳理了處理備件需求預(yù)測不確定性的相關(guān)文獻(xiàn),可為裝備備件管理提供參考。

1 概述

不確定性是未來事件的基本特征,是客觀世界的普遍特征。不確定性分兩類:隨機(jī)不確定性和認(rèn)知不確定性[1]。由備件所構(gòu)成的系統(tǒng)結(jié)構(gòu)復(fù)雜、試驗(yàn)樣本數(shù)有限以及數(shù)據(jù)不足,通常不能精確獲得系統(tǒng)狀態(tài)與性能,是一種典型的不確定性系統(tǒng)。

智能計(jì)算,是一類啟發(fā)式算法的統(tǒng)稱,基本思想是容忍智能系統(tǒng)的不精確性、不確定性和不完全性的情況,以達(dá)到可處理性、魯棒性和低成本求解以及與現(xiàn)實(shí)世界更緊密的聯(lián)系。主要成員包括模糊邏輯計(jì)算、神經(jīng)計(jì)算、進(jìn)化計(jì)算、混沌計(jì)算、粗糙集等,形成的常見算法有模糊邏輯(fuzzy logic,FL)、神經(jīng)網(wǎng)絡(luò)(neural network,NN)、機(jī)器學(xué)習(xí)、遺傳算法(genetic algorithm,GA)、粒子群優(yōu)化算法(particle swarm optimization,PSO)、模擬退火算法、禁忌搜索算法、進(jìn)化算法、蟻群算法、人工魚群算法、混合智能算法、免疫算法、生物計(jì)算、量子計(jì)算、知識(shí)發(fā)現(xiàn)、數(shù)據(jù)挖掘、模式識(shí)別等。表1為不確定性的分類、研究工具以及特點(diǎn)[2]。雖然這些方法都是在處理智能系統(tǒng)的不確定性,但是研究對象、方法依據(jù)、側(cè)重點(diǎn)等不同。表2為4種不確定性方法的比較。

表1 與不確定性相關(guān)的常用方法與工具Table 1 Methods and tools related to uncertainty

表2 4種不確定性方法比較Table 2 Comparison of four uncertainty methods

因備件需求預(yù)測中的需求背景、需求模式、歷史數(shù)據(jù)情況的不同,導(dǎo)致其不確定性的特征不同,需要選擇相應(yīng)的處理方法與工具。根據(jù)全過程管理理念,預(yù)測需求可產(chǎn)生于初始供應(yīng)、正常使用、退役3個(gè)階段。根據(jù)平均需求間隔期和需求量變異系數(shù)的不同,備件需求模式可分為平緩(Smooth)、間歇(Intermitted)、塊狀(Lumpy)和隨機(jī)(Erratic)4類。對于平緩型需求數(shù)據(jù),智能計(jì)算的各類方法處理起來效果好,對于其他三類需求模式下的數(shù)據(jù),往往需要進(jìn)行轉(zhuǎn)換,然后采用類似于平緩型數(shù)據(jù)的處理方法進(jìn)行預(yù)測。

歷史數(shù)據(jù)的可用性對預(yù)測方法的選擇至關(guān)重要。在初始供應(yīng)階段往往沒有歷史消耗數(shù)據(jù),如果有壽命分布數(shù)據(jù)時(shí),可采用2.1.1節(jié)概率論的相關(guān)方法。在正常使用階段,如果有專家模糊評估數(shù)據(jù)時(shí),可采用2.2節(jié)中的模糊推理方法;有預(yù)測過程中的“小樣本”數(shù)據(jù)時(shí),可采用2.3節(jié)中的灰色模型;當(dāng)數(shù)據(jù)量只是達(dá)到機(jī)器學(xué)習(xí)所需的基本量,可選擇支持向量機(jī)方法;當(dāng)數(shù)據(jù)量多到足夠機(jī)器學(xué)習(xí)時(shí),可用BP(back propagation)神經(jīng)網(wǎng)絡(luò)、模糊神經(jīng)網(wǎng)絡(luò)等方法;當(dāng)數(shù)據(jù)量達(dá)到深度學(xué)習(xí)要求時(shí),可選擇回歸神經(jīng)網(wǎng)絡(luò)、長短記憶神經(jīng)網(wǎng)絡(luò)等方法。

2 技術(shù)進(jìn)展

為了跟蹤備件需求預(yù)測中不確定性問題研究進(jìn)展,在主要數(shù)據(jù)庫中檢索并下載相關(guān)文獻(xiàn)537條,在此基礎(chǔ)上進(jìn)行經(jīng)典文獻(xiàn)溯源檢索。通過檢索結(jié)果可知,備件需求預(yù)測的研究一直備受關(guān)注,在具體智能預(yù)測算法的研究上取得了較好的理論進(jìn)展。多篇英文文獻(xiàn)從不同角度對備件需求預(yù)計(jì)進(jìn)行了綜述[3-9]。按照不確定性分類,將這些文獻(xiàn)按隨機(jī)性、模糊性、不完全性與復(fù)合不確定性分成四大類,并分別進(jìn)行綜述,如表3所示。

表3 備件需求預(yù)測文獻(xiàn)綜述分類Table 3 Classification of demand forecasting Review

2.1 隨機(jī)性

備件需求的不確定性具有隨機(jī)性或偶然性,因?yàn)闂l件與結(jié)果之間沒有決定性的因果關(guān)系,在事件的出現(xiàn)與否上表現(xiàn)出不確定性,可以用概率論、貝葉斯理論、置信度法、證據(jù)理論等隨機(jī)數(shù)學(xué)作為工具進(jìn)行需求預(yù)測。

2.1.1 概率論

概率論的預(yù)測方法,將備件需求序列擬合為某種特定的分布,一般為正態(tài)分布、伽馬分布、拉普拉斯或復(fù)合泊松分布。Babai等[10]基于復(fù)合泊松分布的貝葉斯方法對3 000多種汽車庫存?zhèn)浼男枨髷?shù)據(jù)進(jìn)行了實(shí)證研究。Kovacs等[11]提出一種改進(jìn)的威布爾模型,通過可視化和剩余壽命預(yù)測來預(yù)測所需的備件數(shù)量。Sun等[12]提出采用帶故障截?cái)嗪蜁r(shí)間截?cái)嗟耐紶栠^程建立故障時(shí)間預(yù)測模型,并據(jù)此開展備件需求預(yù)測。Costantino等[13]提出一種基于零膨脹泊松分布(zero-inflated Poisson, ZIP)的ZIP-METRIC模型,從系統(tǒng)的角度來處理不規(guī)則的需求。李連等[14]在可修航材故障分布模型的基礎(chǔ)上得出修復(fù)率,并建立了可修航材需求預(yù)測模型。劉海濤等[15]在備件壽命服從指數(shù)分布的條件下,建立一種特殊系統(tǒng)的備件需求預(yù)測模型。邵松世等[16]提出一種利用分段函數(shù)近似更新函數(shù)的威布爾型備件需求預(yù)測模型。汪婭等[17]針對儲(chǔ)備量分布密度滿足泊松分布的消耗性航材備件,計(jì)算其及時(shí)保障概率,基于遺傳算法求解消耗性航材備件需求預(yù)測模型。胡起偉等[18]采用離散法探討模型的求解算法,建立考慮預(yù)防性維修的備件需求量計(jì)算模型。

2.1.2 貝葉斯方法

貝葉斯理論以貝葉斯公式為基礎(chǔ),是處理不確定性的重要工具。Romeijnders等[19]針對間歇性和塊狀的備件需求,提出一種兩步預(yù)測法,每次分別更新維修所需的零部件平均數(shù)量和每類維修部組件的數(shù)量。Bacon[20]以失效率估計(jì)裝置(FRED)為例,闡述了備件預(yù)測領(lǐng)域中基于知識(shí)的系統(tǒng)中存在的不確定性問題。董驍雄等[21]針對有豐富歷史數(shù)據(jù)的后續(xù)備件提出基于貝葉斯和模糊軟集合的組合預(yù)測方法,利用貝葉斯方法確定組合權(quán)系數(shù)。吳龍濤等[22]提出一種基于貝葉斯法和蒙特卡洛仿真的威布爾型裝備器材需求預(yù)測方法,可適用于小樣本數(shù)據(jù)條件。孟魁等[23]提出基于樣本數(shù)據(jù)調(diào)整貝葉斯參數(shù)的備件需求預(yù)測模型,降低了對數(shù)據(jù)量的要求。

2.1.3 置信度法與證據(jù)理論

在基于概率的不確定知識(shí)表示方面,有置信度法(帶可信度的不確定推理)、D-S證據(jù)理論(Dempster-Shafer evidence theory,DSET),用信任函數(shù)和似然函數(shù)描述問題的不確定性。當(dāng)先驗(yàn)識(shí)難獲得時(shí),證據(jù)理論可以表述不確定和不知道的差異,比概率論更有優(yōu)勢。當(dāng)先驗(yàn)概率已知時(shí),證據(jù)理論即概率論[24]。左文博等[25]針對地面防空群戰(zhàn)時(shí)備件消耗和需求預(yù)測的復(fù)雜性與特殊性,用置信度法確定指標(biāo)權(quán)重并建立備件需求預(yù)測模型。張?jiān)凭暗萚26]針對戰(zhàn)時(shí)備件歷史數(shù)據(jù)缺乏的問題,提出基于證據(jù)理論的戰(zhàn)時(shí)備件需求預(yù)測方法。

2.2 模糊性

備件需求的模糊性,是因其預(yù)測過程中所涉及的概念本身模糊。這種邊界不清是事物的客觀屬性,不是由人的主觀認(rèn)識(shí)造成的。模糊數(shù)學(xué)可以用來研究這類概念外延的不確定性。智能計(jì)算對模糊性的研究,主要是通過將原有的精確知識(shí)以各種方式模糊化,如模糊謂詞、模糊規(guī)則、模糊框架、模糊語義網(wǎng)、模糊邏輯和模糊神經(jīng)網(wǎng)絡(luò)等[27]。

模糊集合理論引入隸屬度的概念,將經(jīng)典集合論里的特征函數(shù)取值范圍由{0,1}推廣到[0,1],可以用[0,1]區(qū)間度量模糊性。粗糙集理論、Vague集理論對模糊集進(jìn)行了擴(kuò)充,粗糙集理論通過上下邊界來處理模糊性,而Vague集理論則通過對模糊對象賦予真假隸屬函數(shù)。

Mehdizadeh[28]利用粗糙集理論從已有ABC分析中獲得的不確定信息中歸納規(guī)則,并使用提取的規(guī)則來預(yù)測需求。Abdesselam等[29]提出利用模糊邏輯優(yōu)化Holt-Winters法的預(yù)測方法。王林等[30]提出基于貝賽爾曲線理論的備件需求模糊隸屬度函數(shù)構(gòu)建方法。董驍雄等[31]針對后續(xù)備件需求預(yù)測誤差大的問題,提出基于粗糙集理論修正的后續(xù)備件指數(shù)平滑預(yù)測模型。李曉燕等[32]分析戰(zhàn)斗損傷對備件消耗影響基礎(chǔ)上,用模糊綜合評判來預(yù)測戰(zhàn)損備件消耗量。劉喜春等[33]針對戰(zhàn)時(shí)多階段備件需求的不確定性及階段相關(guān)性特點(diǎn),基于模糊推理預(yù)測戰(zhàn)時(shí)備件需求,通過Mamdani模糊推理規(guī)則及反模糊化得到預(yù)測值。

2.3 不完全性

針對內(nèi)部信息不完全已知的系統(tǒng),與學(xué)者提出灰色理論,用灰數(shù)來描述只知取值范圍,而不知其確切值的數(shù)。灰色預(yù)測模型是灰色系統(tǒng)理論領(lǐng)域最為活躍的分支,研究“小樣本、貧信息”不確定系統(tǒng)的常用方法,在備件需求預(yù)測中也得到了廣泛應(yīng)用。針對現(xiàn)實(shí)世界中存在大量的灰色不確定性預(yù)測問題,利用少量“已知數(shù)據(jù)”(最少4個(gè)數(shù)據(jù)),通過序列的累加生成,提取有價(jià)值的信息,揭示系統(tǒng)未來發(fā)展趨勢,實(shí)現(xiàn)對其未來變化的定量預(yù)測[34-36]。

陳頂?shù)萚37-38]以區(qū)間灰數(shù)表征可修部件的失效率與修復(fù)率,構(gòu)建灰色狀態(tài)轉(zhuǎn)移矩陣,建立排隊(duì)維修系統(tǒng)可修部件備件的灰色生滅預(yù)測模型。潘顯俊等[39]針對某型新概念武器裝備缺乏可比對裝備、無備件需求歷史數(shù)據(jù)、不了解裝備本身保障特性等問題,應(yīng)用分?jǐn)?shù)階灰色模型(grey models, GM)預(yù)測備件需求。趙勁松等[40]構(gòu)建的不常用備件的GM(1, 1)預(yù)測模型,直接將原始數(shù)據(jù)序列轉(zhuǎn)化為微分方程,彌補(bǔ)了傳統(tǒng)數(shù)理統(tǒng)計(jì)方法預(yù)測的不足。朱亞紅等[41]采用粗糙集理論的屬性約簡算法簡化備件消耗影響因素,利用灰色預(yù)測模型對需求進(jìn)行預(yù)測。冉寶峰等[42]基于非等距灰色模型[non-equidistance grey model, NEGM(1, 1)]與前饋神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)構(gòu)建廣義加權(quán)比例平均組合備件需求預(yù)測模型。Hui等[43]提出了基于灰色神經(jīng)網(wǎng)絡(luò)構(gòu)建備件需求預(yù)測模型。

2.4 復(fù)合不確定性

備件消耗的隨機(jī)性、多樣性、時(shí)變性同時(shí)存在,預(yù)測過程中信息利用不充分,預(yù)測對象復(fù)雜多變,很難精確地描述備件消耗與影響因素之間錯(cuò)綜復(fù)雜的關(guān)系。針對備件需求預(yù)測過程中的多種不確定性問題,人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和組合預(yù)測法的都是當(dāng)前研究的熱點(diǎn)。

2.4.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(artificial neural network, ANN)具有高度的非線性運(yùn)算和映射能力、自學(xué)習(xí)和自組織能力、高速運(yùn)算能力、能以任意精度逼近函數(shù)系、高度靈活可變的拓?fù)浣Y(jié)構(gòu)及很強(qiáng)的適應(yīng)能力等優(yōu)點(diǎn)。為了提升預(yù)測精度,遺傳算法、模糊系統(tǒng)、專家系統(tǒng)等方法也被用于改進(jìn)基本的ANN模型[44]。Babai等[45]提出基于NN的備件需求預(yù)測法,并與指數(shù)平滑法、Croston法、Syntetos-Boylan逼近法、Bootstrapping法進(jìn)行對比研究。Kozik等[46-47]提出基于ANN的發(fā)動(dòng)機(jī)大修備件需求預(yù)測模型。Nasiri等[48]提出利用多層感知NN和傳統(tǒng)遞歸方法進(jìn)行需求預(yù)測的混合預(yù)測模型,采用多層感知器預(yù)測非零需求的發(fā)生時(shí)刻,然后采用傳統(tǒng)遞歸方法估計(jì)非零需求的數(shù)量。陶永才等[49]提出了基于NN的備件供應(yīng)需求預(yù)測模型,應(yīng)用改進(jìn)PSO算法對BPNN進(jìn)行優(yōu)化,用于預(yù)測備件需求量。賀擁亮[50]基于改進(jìn)的NN構(gòu)建軍械應(yīng)急維修備件需求預(yù)測模型。秦海峰等[51]運(yùn)用變分模態(tài)分解將非穩(wěn)態(tài)備件需求序列分解為若干模態(tài)分量,引入模糊熵聚合模態(tài)分量,運(yùn)用徑向基NN預(yù)測法對聚合后的模態(tài)分量分別進(jìn)行預(yù)測,將各分量預(yù)測結(jié)果進(jìn)行整合形成最終的備件需求預(yù)測值?？稻璧萚52]提出基于PSO-BPNN的維和裝備保障預(yù)測模型。李浩等[53]將遺傳算法集成到輸出-隱藏反饋(output-hidden feedback, OHF)-Elman NN求解算法中,形成備件預(yù)測模型?？蓸s博等[54]基于GA改進(jìn)的BPNN來設(shè)計(jì)裝甲裝備器材模型。曹渝昆等[55]提出基于FNN和PSO算法構(gòu)建復(fù)雜裝備關(guān)鍵備品需求預(yù)測模型。

2.4.2 支持向量機(jī)

支持向量機(jī)(support vector machines, SVM)方法以結(jié)構(gòu)風(fēng)險(xiǎn)最小化為原則,可將預(yù)測問題轉(zhuǎn)化為凸二次規(guī)劃問題求解,保證得到的極值就是全局最優(yōu)解,一方面可以有效地克服過學(xué)習(xí)問題,另一方面又可以防止維數(shù)災(zāi)難,在解決小樣本學(xué)習(xí)問題上具有人工神經(jīng)網(wǎng)絡(luò)等方法不可比擬的優(yōu)勢。Jiang等[56]提出了基于SVM的重型汽車行業(yè)備件間歇性需求預(yù)測模型。楊帆等[57]提出了基于非穩(wěn)態(tài)區(qū)間劃分與SVR的預(yù)測模型,根據(jù)非穩(wěn)態(tài)度量函數(shù)將需求序列劃分為穩(wěn)態(tài)子區(qū)間,采用SVR對各子區(qū)間進(jìn)行預(yù)測,采用布谷鳥搜索算法(cuckoo search, CS)優(yōu)化支持向量回歸(support vector regression,SVR)參數(shù),加權(quán)求和各區(qū)間的預(yù)測結(jié)果得到最終預(yù)測值。邱立軍等[58]提出GA優(yōu)化參數(shù)的SVM方法來預(yù)測備件需求。魏曦初等[59]通過數(shù)量退化和時(shí)間序列變換,將間歇性的需求序列轉(zhuǎn)換為連續(xù)性時(shí)間序列,通過灰色關(guān)聯(lián)分析進(jìn)行因素篩選,構(gòu)建SVR備件需求預(yù)測模型。羅薇等[60]針對備件需求具有的非平穩(wěn)性、多樣性特征,提出基于SVR和集合經(jīng)驗(yàn)?zāi)B(tài)分解(ensemble empirical mode decomposition,EEMD)的需求預(yù)測方法。

2.4.3 組合預(yù)測方法

因建模機(jī)制和思路的不同,單個(gè)備件需求預(yù)測方法有其側(cè)重點(diǎn),不同預(yù)測模型雖然各有優(yōu)缺點(diǎn),但它們之間并不互相排斥,而是相互聯(lián)系,相互補(bǔ)充的[61]。Rosienkiewicz等[62-63]提出結(jié)合信息準(zhǔn)則、回歸建模和ANN的備件需求混合預(yù)測方法。Guo等[64]提出集成線性指數(shù)平滑、二次指數(shù)平滑、三次指數(shù)平滑、遺傳NN和灰色模型的可修備件雙層組合預(yù)測模型,并采用GA求解各子模型的權(quán)重。楊超等[65]基于分?jǐn)?shù)階灰色預(yù)測模型FGM(1, 1)模型、改進(jìn)指數(shù)平滑法、改進(jìn)自適應(yīng)濾波法,從實(shí)際值和預(yù)測值之間的相關(guān)性指標(biāo)出發(fā),結(jié)合信息集結(jié)算子動(dòng)態(tài)賦權(quán),提出航天試驗(yàn)裝備備件需求組合預(yù)測模型。李文強(qiáng)等[66]提出基于灰色關(guān)聯(lián)分析(grey relation analysis,GRA)與偏最小二乘(partial least squares,PLS)及最小二乘向量機(jī)(least squares support vector machines,LSSVM)相結(jié)合的航材備件預(yù)測模型。于曉琳[67]提出基于裝備壽命周期的隨船備件數(shù)量預(yù)測模型,該模型引入灰狼算法(grey wolf optimizer,GWO)對魚群算法(fish swarm algorithm,FSA)進(jìn)行優(yōu)化,并以SVM為基礎(chǔ)搭建GWO-AFSA-SVM裝備狀態(tài)識(shí)別模型,選用LSTM網(wǎng)絡(luò)對裝備的剩余壽命進(jìn)行預(yù)測。李浩等[68]基于優(yōu)化關(guān)聯(lián)面積法動(dòng)態(tài)配置單元權(quán)重,提出的裝甲裝備備件需求組合預(yù)測模型。王鐵寧等[69]應(yīng)用備件需求量的歷史統(tǒng)計(jì)數(shù)據(jù),建立了備件灰色預(yù)測模型,并根據(jù)數(shù)據(jù)的實(shí)際趨勢提出狀態(tài)動(dòng)態(tài)劃分方法,然后運(yùn)用加權(quán)馬爾可夫方法對灰色預(yù)測模型的預(yù)測結(jié)果進(jìn)行了修正。趙建忠等[70]針對導(dǎo)彈裝備備件需求呈現(xiàn)非線性、非平穩(wěn)的特征,用ARMA模型預(yù)測高頻信息,用GM(1, 1)模型預(yù)測低頻信息,疊加各預(yù)測結(jié)果得到原始序列的預(yù)測值。朱石堅(jiān)[71]提出半結(jié)構(gòu)化的艦船裝備備件需求預(yù)測方法,使用時(shí)間規(guī)模的線性函數(shù)及自回歸模型表征備件需求的結(jié)構(gòu)化部分,用廣義條件異方差自回歸(generalized autoregressive conditional heteroskedastic,GARCH)模型表征備件需求預(yù)測誤差的非結(jié)構(gòu)化部分,增強(qiáng)了艦船裝備備件需求的預(yù)測能力。金家善等[72]采用正態(tài)逆向云模型、邊際效應(yīng)法及拉格朗日乘子法對定性定量混合約束問題進(jìn)行求解,為多個(gè)約束下艦船備件攜帶量問題提供新的參考。Chandriah等[73]提出利用遞歸神經(jīng)網(wǎng)絡(luò)/長短期記憶(recurrent neural networks/long short term memory,RNN/LSTM)和改進(jìn)Adam優(yōu)化器來預(yù)測備件需求。楊柯[74]考慮運(yùn)行環(huán)境及任務(wù)條件的不確定性,遞進(jìn)式地構(gòu)建LSTM預(yù)測模型,在傳統(tǒng)PCA純數(shù)據(jù)驅(qū)動(dòng)的模式下兼顧實(shí)踐人員管理和經(jīng)驗(yàn)知識(shí)分析和選擇變量相關(guān)性,實(shí)現(xiàn)備件需求的精確預(yù)測。付維方等[75]提出基于自組織特征映射網(wǎng)(self-organizing feature map, SOFM)對需求時(shí)間序列聚類,通過對不同聚類模式和預(yù)測方法建立映射關(guān)系來實(shí)現(xiàn)不同航材需求模式識(shí)別、多預(yù)測方法決策及同一航材多階段動(dòng)態(tài)預(yù)測。

3 研究展望

梳理近年來基于智能計(jì)算的備件預(yù)測相關(guān)文獻(xiàn),并將這些文獻(xiàn)按不確定性的性質(zhì)分成四大類,對每一大類文獻(xiàn)按不同的智能計(jì)算方法(工具)進(jìn)行了進(jìn)一步的分類總結(jié)。這些文獻(xiàn)各自從不同的角度展開了備件需求預(yù)計(jì)研究,推動(dòng)了備件管理科學(xué)的發(fā)展。同時(shí),也應(yīng)該清醒地認(rèn)識(shí)到每一種方法或模型都有其局限性。

3.1 融合新的智能算法

智能計(jì)算的方法對使用者的要求高,需求對備件預(yù)測過程與智能算法本身的特點(diǎn)都有充分的認(rèn)識(shí),需要根據(jù)實(shí)際應(yīng)用場景設(shè)定和調(diào)整算法的各種參數(shù),具有很大的主觀性和隨機(jī)性,而且這些算法需要數(shù)量和質(zhì)量兩方面都足夠高的訓(xùn)練樣本和測試樣本。這些因素限制了智能計(jì)算預(yù)測方法的應(yīng)用。智能計(jì)算是非常年輕的研究領(lǐng)域,理論和應(yīng)用都還有很大的研究空間,其主要的分支(包括進(jìn)化計(jì)算、群體智能、免疫系統(tǒng)等)在備件需求預(yù)測領(lǐng)域中的研究與應(yīng)用還不多。未來對于基于智能計(jì)算的備件預(yù)測的研究需求集中于算法性能的改進(jìn)、算法參數(shù)的選擇、算法的數(shù)學(xué)模型和理論支撐、算法的生物機(jī)理及多算法的組合應(yīng)用等方向。

數(shù)字孿生等新技術(shù)在裝備保障中的應(yīng)用對備件需求預(yù)測產(chǎn)生了積極的影響[76]。美國OpenAI公司于2023年3月15日正式推出的GPT-4多模態(tài)大模型,支持圖像輸入,文字輸入限制提升到2.5萬字,在專業(yè)領(lǐng)域的學(xué)習(xí)能力比之前的版本明顯提升。中國百度公司也發(fā)布了類似的產(chǎn)品——文心一言。這些基于深度學(xué)習(xí)的人工智能工具,可能是技術(shù)上一次巨大的躍遷,必將深度影響智能算法的發(fā)展。

3.2 關(guān)注智能算法的環(huán)保因素

改進(jìn)算法性能的同時(shí),還需要關(guān)注其環(huán)保因素。作為目前最前沿的研究領(lǐng)域之一,智能計(jì)算近年來也越來越多的受到環(huán)保方面的質(zhì)疑。像Transformer、GPT-4等流行的深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程,可以排放超過195.5 t的二氧化碳當(dāng)量,幾乎是美國汽車平均壽命期內(nèi)排放量(包括制造過程)的5倍。不計(jì)代價(jià)去提升準(zhǔn)確率,這種趨勢值得研究人員深思。是否應(yīng)該用更有創(chuàng)意、而不是純粹“增加算力”的方式去做研究?因此,在探索基于智能計(jì)算的備件預(yù)測中,也應(yīng)將算法或模型運(yùn)行中的能量損耗量作為一個(gè)重要指標(biāo)來考量。

3.3 加強(qiáng)對需求不確定性的研究

一個(gè)復(fù)雜事物或系統(tǒng)往往同時(shí)擁有多種不確定性,即復(fù)合不確定性。在不確定現(xiàn)象中,混沌、分形和復(fù)雜網(wǎng)絡(luò)是目前人們研究不確定性非常感興趣的幾個(gè)領(lǐng)域[2]。關(guān)于備件需求預(yù)測的理論研究及其在實(shí)踐中的應(yīng)用,經(jīng)歷了從傳統(tǒng)解析到以啟發(fā)式智能算法和仿真為主的快速發(fā)展,并取得了大量的研究成果,但其核心仍是可靠性理論基礎(chǔ)上的備件消耗預(yù)測,并未有效解決不確定性導(dǎo)致的動(dòng)態(tài)影響。例如,當(dāng)樣本數(shù)據(jù)不具有線性關(guān)系、或數(shù)據(jù)較少時(shí),灰色系統(tǒng)理論的預(yù)測效果不理想;人工神經(jīng)網(wǎng)絡(luò)模型的初始值對最終權(quán)重影響較大,學(xué)習(xí)能力與泛化能力互斥性強(qiáng);支持向量機(jī)的空間復(fù)雜性與計(jì)算復(fù)雜性嚴(yán)重影響其收斂速度;基于仿真的預(yù)測方法往往建立在理想狀態(tài)的基礎(chǔ)上;針對長周期、消耗高度離散的備件,雖然在一定程度上解決了備件需求的間斷性和不確定問題,但仍然缺少有效的歷史數(shù)據(jù)處理方法;針對復(fù)雜的任務(wù)運(yùn)行條件,其環(huán)境因素導(dǎo)致需求差異性并隨時(shí)間推移產(chǎn)生耦合,直接影響預(yù)測模型的使用效果[74]。因此,需加強(qiáng)對需求不確定性的研究,提高需求預(yù)測技術(shù)的適用性。

3.4 增強(qiáng)預(yù)測模型的實(shí)用性

備件需求預(yù)測的重要作用已經(jīng)被公認(rèn)并受到廣泛關(guān)注,己有大量的針對備件預(yù)測的研究成果,然而,在實(shí)踐應(yīng)用中仍然存在預(yù)測方法實(shí)用性不強(qiáng)的問題。諸多基于智能計(jì)算的需求預(yù)測方法過于復(fù)雜,沒有進(jìn)行詳細(xì)的應(yīng)用測試與改進(jìn),對于應(yīng)用的條件與場景限制較多,對使用者的理解能力要求過高,嚴(yán)重影響其實(shí)用性,造成“黑箱效應(yīng)”,使用者往往會(huì)趨向于使用簡單可行的經(jīng)典方法,如METRIC模型、Croston方法、Bootstrap法等。另外,預(yù)測模型的準(zhǔn)確性也不足,由于使用統(tǒng)計(jì)數(shù)據(jù)作為預(yù)測的歷史數(shù)據(jù),降低了對歷史需求數(shù)據(jù)的描述性,隱藏了備件消耗的真實(shí)規(guī)律;維修保障過程中超長程的備件消耗占比大,隨之加劇的因素波動(dòng)累積影響備件需求的產(chǎn)生,而一次性預(yù)測又難以把握環(huán)境的變化影響,導(dǎo)致預(yù)測誤差增大。因此,從提高預(yù)測實(shí)用性的角度,還需要在現(xiàn)有方法及模型的基礎(chǔ)上,不斷融合非結(jié)構(gòu)化的方法[71],考慮對上述問題進(jìn)行技術(shù)改進(jìn)和方法優(yōu)化,以推進(jìn)備件預(yù)測技術(shù)的研究成果在備件保障全過程中的有效應(yīng)用。

4 結(jié)論

備件需求的不確定性來源于預(yù)測過程中備件消耗與影響因素之間的復(fù)雜關(guān)系。以智能計(jì)算理論為代表的處理不確定性的各種方法在備件需求預(yù)測中得到了廣泛應(yīng)用。同時(shí),也應(yīng)該清醒地認(rèn)識(shí)到,每一種方法與模型都有其局限性,智能計(jì)算作為一個(gè)新的研究領(lǐng)域還存在諸多空白,不斷提升智能計(jì)算模型的實(shí)用性,另外,需要更多的關(guān)注智能計(jì)算對環(huán)保因素的影響。