備件消耗預測方法研究現狀及發展*

黃照協 李前會 孫思浩 湯子鑫

(總裝駐福州地區軍事代表室 福州 350003)

?

備件消耗預測方法研究現狀及發展*

黃照協 李前會 孫思浩 湯子鑫

(總裝駐福州地區軍事代表室 福州 350003)

備件消耗預測是制定備件消耗標準的基礎工作之一,通過對國內外有關備件消耗預測的文獻進行研究,在分析當前備件分類的基礎上,總結消耗連續型備件和消耗間斷型備件的消耗預測方法研究現狀,指出不同類型消耗預測模型的優點及存在的不足,揭示了備件消耗預測的研究重點及發展趨勢。

備件; 分類; 連續型; 間斷型; 消耗預測

Class Number F253.4

1 引言

備件是設備維護和修理的重要物質基礎,是保障設備處于良好技術狀態,提高設備再生能力的有效保證。由于備件品種多,數量大,且設備故障隨機性強,消耗不定,很難精確確定未來一段時間備件的消耗量,在平時設備維護和修理過程中,一般采用按消耗標準計領的方式進行保障。因此,制定科學的備件消耗標準既是設備正常運行的有效保障,也是提高備件保障效益的重要手段。據有關資料表明,目前國際上已有二百多種預測方法,其中有二十多種方法在不同領域中得到了廣泛應用,如何選擇合適的消耗預測方法成為科學制定備件消耗標準的重要課題。

2 備件的分類方法

備件分類是進行備件消耗預測的基礎和前提,國外開展備件分類研究起步較早,20世紀60年代Allen[1]等就提出必須考慮備件的可維修特性,將備件分成可維修和不可維修兩類。之后,為制定科學合理的備件庫存策略,有關學者從不同角度對備件進行了詳細分類。Moore[2]認為備件分類必須考慮設備故障、備件過去的使用情況、訂貨提前期、供應商可靠性、缺貨水平和庫存周轉期等因素;Dekker R[3]根據備件所在設備的關鍵性將備件分為關鍵備件與非關鍵備件;Marcello B等[4]考慮了備件的庫存約束、停機成本、安全和環境目標、所采取的維修策略等因素對備件進行分類。

國內對于備件分類研究多集中在ABC分類法上。如根據備件的特性和管理要求進行ABC分類;依據備件單價、采購周期、影響度、數量和壽命進行ABC分類;依據備件關鍵性、可替換性、訂貨提前期和消耗金額等運用層次分析法和灰色分析法的ABC分類;根據關鍵性、年需求量、采購提前期和單價等基于BP神經網絡的ABC分類[5]等。上述方法對于備件分類多是通過定性分析得到各類備件,精度不高、可操作性不強。

熊君星等[6]基于備件的需求特性對備件進行分類,將備件分為需求連續和需求間斷兩種類型,研究同一類型備件的需求規律。基于需求特性的備件分類方法有助于解決備件種類過多、部分備件需求的歷史數據少而難以估計其訂購提前期內需求的困難,并能夠為每類備件選擇預測精度較高的預測方法。

本文采用上述分類方法,將備件分為消耗連續和消耗間斷兩種類型,對于消耗連續型備件便于利用其歷史消耗數據,選擇合適的預測方法,而對于消耗間斷型備件,由于其歷史消耗數據較少,采用的預測方法也不盡相同,下面分別綜述兩種類型備件的消耗預測方法的研究現狀。

3 消耗連續型備件消耗預測方法

消耗連續型備件的消耗量隨時間的變化,呈現出一定的規律,便于通過使用統計數據分析等方法,從備件的歷史消耗數據中找出統計規律,結合經驗,做出科學的備件消耗預測。進行消耗連續型備件預測的前提是做好備件歷史消耗數據的統計分析,在整個設備的壽命周期內,備件歷史消耗數據包含設計數據、試驗數據、定期消耗數據以及故障后消耗數據等。

3.1 基于統計數據預測法

依據統計數據分析法是指依據備件的歷史消耗數據,通過分析研究,總結規律,制定消耗定額的方法。該方法使用范圍廣,目前主要有時間序列分析法、回歸分析法、多層遞階預測法、指數平滑法、小樣本法、灰色預計法以及神經網絡法等。

3.1.1 時間序列分析法

時間序列是被研究對象在不同時間的觀察或記錄值按時間先后順序排列而成,是一種動態序列。其基本思路是根據預測對象的不同特征,選擇適當的模型參數建立預測模型,利用模型進行趨勢外推預測,而后對模型預測值進行評價和修正,得到預測結果。

湯巖[7]指出時間序列分析法包含約束外推預測法和概率預測法兩種類型。其中,約束外推預測法以移動平均法和趨勢外推法為代表;概率預測法以馬爾柯夫法和博克斯-詹金斯法為代表。在時間序列模型方面,主要有平穩時間序列模型和非平穩時間序列模型兩種類型。平穩時間序列模型要求時間序列具有穩定的變化趨勢,而對于像不確定消耗或者間斷消耗等受外界的干擾因素較多時,預測的可信度較差。

為解決非平穩時間序列預測可信度差的問題,史耀媛等[8]提出了一種基于非單點模糊正則網絡的預測模型,通過將非單點模糊系統引入正則神經網絡結構來建立模型,使新的時間序列預測模型的抗干擾能力明顯增強,并且具有收斂速度快,全局搜索能力強的特點。時間序列分析法理論系統、方法成熟、簡單實用,多用于中、短期預測。

3.1.2 回歸分析法

回歸分析法的基本思路是通過分析預測對象與有關因素的相互聯系,用適當的預測模型表達出來,而后根據數學模型預測其未來狀態。常用的回歸模型有一元回歸模型、多元回歸模型等。

回歸分析法具有三個優點:一是能研究預測對象與相關因素的相互關系,抓住預測對象變化的實質原因,因而預測結果比較可信;二是能給出預測結果的置信區間和置信度,從而使預測結果更加完整和客觀;三是考慮了相關性,能運用數理統計的有關方法對回歸方程進行統計檢驗,因而對預測對象變化的轉折點具有一定的鑒別能力。

回歸分析法主要應用于連續消耗預測,而備件需求往往都是間斷需求,所以,回歸分析法在備件消耗預測領域的應用具有一定的局限性,主要表現為:一是回歸分析法需要大量的統計數據,數據少則難以找出統計規律;二是對實際數據一視同仁,認為各數據對預測對象的影響程度相同,這是不符合實際的;三是計算工作量較大,出現新數據時,一般要重新估計回歸方程和進行相關分析;四是回歸分析法所得到的回歸預測方程往往只能考慮少數幾種主要影響因素,略去許多影響因素,制約了預測的準確性;五是回歸變量選取時的主、次要因素在實際建模時較難把握,同時變量因素的量化也是一個難點。

為解決上述問題,Gupta[9]提出一種回歸方法得出在任意時刻、由于備件影響停機次數的穩態概率分布,提供了各種維修時間分布的等候系統績效的測量;李壽安[10]等提出了基于回歸分析的備件故障率預測模型,通過用多元回歸模型預測對一元線形回歸模型進行改進使故障率更趨準確化,為備件的儲備提供了更為科學的依據。

3.1.3 多層遞階預測法

多層遞階預測法的基本思想是把時變系統的狀態預測分離成對時變參數的預測和對系統的狀態預測兩部分。多層遞階預測方法把動態系統看成是一個一維或多維的時間序列,從系統的外部特征著手,建立其輸入、輸出模型。多層遞階預測方法依據大量的歷史統計數據進行序列的多層分析,使預測模型的建模過程所依據的信息大大增加,所得模型能較好地反映系統的歷史演變規律,從而有利于提高模型對長期預測的適應性。

由于回歸分析法的預測模型能較好地體現高相關因子的重要作用,而多層遞階方法則充分考慮了動態系統的時變特性,為了綜合二者的優點,張曉東[11]等給出了一種改進的多層遞階預測方法——多層遞階回歸分析方法。該方法將原模型中的各項看作回歸變量作線性回歸,再以回歸系數與預報因子的乘積作為對原預測因子的修正變量,然后進行多層遞階預測。該方法集多層遞階和回歸分析兩者的優點,既能較好地體現高相關因子在預報模型中的重要作用,同時對時變系統又具有較強的適應性。為解決多層遞階方法的預測效果不穩定,特別是預報因子之間存在較大量級差異時預報不穩定的問題,吳為英[12]等對多層遞階回歸方法進行了改進。

3.1.4 指數平滑法

指數平滑法是一種魯棒性的預測方法,通過對每一期的消耗量進行平滑,來預測下一期的消耗量。其優點是不要求很多的樣本量,適應性較強,簡單易操作,可以用于簡單的時間序列分析和預測。常用的指數平滑模型有一次指數平滑模型、二次指數平滑模型和三次指數平滑模型[13]。

目前,國內外關于指數平滑法并不是進行單獨的研究,而是在指數平滑法的基礎上發展了一些可以預測間斷需求的方法,如Croston法等。

3.1.5 小樣本法

樣本量不同,采用的消耗預測方法便不同。對大樣本數據,可用方法較多,往往能更容易地從備件歷史消耗數據所呈現的特點中總結備件的消耗規律,從而選擇合適的方法進行備件的消耗量預測。而對于只有近三到五年消耗數據的小樣本數據,因為數據樣本量較小,對很多統計方法都失去了應用前提,因而只能較粗略地考查其消耗情況,小樣本方法便是為了滿足這類數據需求而產生的一種消耗預測方法。貝葉斯統計法被認為是處理小樣本數據預測的有效方法[14]。

3.1.6 灰色預計法

灰色預計法能夠根據現有的少量信息進行計算和推測,因而在人口、經濟、能源、氣象等許多領域得到了廣泛的應用,取得了較好的效果。目前,最常用的灰色預測模型是GM(1,1)模型。在系統需求預測中,將系統看作灰色系統,采用累加生成法將歷史消耗數據進行灰數生成,建立GM(1,1)模型進行求解,再采用累減還原法得到預測值。對灰色系統模型分析可發現,其實質為一種曲線擬合過程,最終可得到擬合方程,灰色系統建模要求樣本數量相對較少、原理簡單、運算方便,而且具有可檢驗性。

但是,灰色系統建模有其特定的使用條件:一是灰色系統建模的前提是數據序列為光滑離散函數,其關系可用一個初等函數來表達;二是灰色系統模型僅描述一個隨時間按指數規律單調增長或衰減的過程。可見,灰色系統模型的適用范圍為描述數據序列中所蘊涵的、確定性的指數規律。因此,灰色系統模型的應用范圍非常狹小。

3.1.7 神經網絡法

備件消耗的隨機性、多樣性、時變性同時存在,而傳統預測方法往往無法精確地描述備件消耗與影響因素之間錯綜復雜的關系。在解決這方面的問題上,金維佳[15]等提出采用人工神經網絡模型進行預測。該模型由輸入層、隱蔽層、輸出層組成,可以看成是輸入與輸出集合之間的一種非線性映射,而實現這種非線性映射關系并不需要知道研究對象的內部結構,而只要通過對有限多個樣本的學習來達到對研究對象內部結構的模擬。

與傳統預測方法相比,神經網絡法具有高度的非線性運算和映射能力、自學習和自組織能力、高速運算能力、能以任意精度逼近函數關系、高度靈活可變的拓撲結構及很強的適應能力等優點。神經網絡法一般適用于中、短期預測,預測精度較高。

3.2 基于保障度預測法

備件保障度是指在指定的工作任務時間內,當備件失效或者損壞后能夠在指定的時間內獲得指定數量備件的概率[16]。用基于保障度預測法預測備件的消耗時,前提是根據備件的不同壽命類型對備件進行相應的分類,將備件分為指數壽命件、隨機失效件、正態壽命件、威布爾壽命件等典型形式。在明確備件壽命分布類型的基礎上,根據需要通常將備件分為消耗品、不可修備件和可修備件,根據備件的類型,確定備件的消耗預測模型。

3.2.1 不可修備件消耗預測方法

從目前可查文獻分析,對不可修備件消耗預測的相關方法較為成熟,廣泛應用于備件保障的各個領域。

Dinesh K[17]認為備件需求量等于拆卸數量是合理的,由此建立了不可修備件的需求函數;韓興才[18]根據不可修備件的消耗與影響因素呈現因果關系的特征,應用回歸分析法建立了航材因果預測模型;Larry S. Mickel[19]提出壽命服從指數分布的不可修備件需求量預計模型。

3.2.2 可修備件消耗預測方法

對于可修備件,一般將備件區分為修復如舊、修復如新以及介于二者之間三種狀態。目前最常用的是馬爾柯夫消耗預測模型[20],將可修備件所處的狀態分為有故障和無故障兩種狀態,在給定的備件滿足率下,可確定最佳的更換間隔時間,從而確定可修備件的消耗;中國科學院的楊軍、于丹[21～23]等致力于可修備件預測模型的研究,分別提出了修如舊、修如新模型中存儲系統備件量的計算方法,并建立了威布爾分布可修備件的需求預計模型;陳硯橋[24]提出批量獨立可修備件需求預測仿真算法;何亞群[25]等提出基于可用度的飛機可修備件需求模型。

3.3 基于任務量預測法

任務量法根據備件所在設備生產產品的產量來預測備件的消耗量,李武勝[26]提出了用產量序列法預測生產線備件的消耗趨勢,充分考慮了產量、設備狀態下降對備件消耗量的影響,以備件的消耗量、產量、設備技術狀態之間的內在聯系為依據,在總結實踐經驗的基礎上,給出備件消耗量在訂貨周期內與產量以及設備技術參數之間的關系式。

由于設備、裝備的工作形式都可以物化為具體的任務,如設備可將任務物化為生產產品的數量,裝備可將任務物化為摩托小時、射擊發數、行駛里程等。通過相應的物化,得出設備或裝備的任務量,在此基礎上進行備件消耗預測。

4 消耗間斷型備件消耗預測方法

所謂消耗間斷型備件,也稱慢速流動器材,是指該種類型備件一般不發生故障,在歷史消耗數據中往往表現出大量的零值。因此,按年或月統計得到的連續消耗對實際預測意義不大。

間斷消耗件雖然消耗量很低,但還須儲備,因為這類備件的價值往往都很高,一旦缺貨就可能立即影響設備的完好性,甚至造成設備停機,采用消耗連續型備件消耗預測方法對其進行消耗預測量往往有著很大的誤差。目前,消耗間斷型備件消耗量的預測方法有Bayesian法、Croston法、Bootstrap法等。

4.1 Bayesian法

Kamath[27]提出了需求不服從任何分布情況下,采用Bayesian方法預測備件需求。其基本思想是,結合以前的試驗數據,確定先驗分布概率,通過Bayesian定理確定現有數據的概率分布。與經典統計法的根本差別在于,前者既使用現在的又使用以前的數據,而后者只使用現在的數據。Bayesian法的主要缺點是需要根據以前的經驗或判斷極其謹慎地選擇先驗概率分布。如果先驗概率分布選擇不當,那么其分析結果就可能是不精確和錯誤的。另外,Bayesian法涉及到復雜積分,計算存在一定難度。

4.2 Croston法

Croston提出將需求間隔與需求量分開,采用指數平滑法分別計算需求間隔和需求量:若發生需求,則更新需求間隔和需求量的估計,然后將需求量除以需求間隔得到平均需求,用平均需求來預測;若不發生需求則保持原來的預測,只更新從上次發生需求到現在的需求間隔。

在Croston提出預測間斷需求的Croston法之后,有多篇文獻研究Croston法與連續型預測方法的預測精度比較,Ghobbar A A[28]采用13種方法來預測飛機備件的間斷需求:Winter加性季節模型、乘性季節模型、季節回歸模型、服務時間模型、加權需求率模型、加權回歸預測模型、Croston法、指數平滑法、指數加權移動平均法、趨勢調整的指數平滑法、加權移動平均法、二次指數平滑法和自適應調整的指數平滑法等。結果顯示Croston法、指數加權移動平均法是預測精度較高的方法。

4.3 Bootstrap法

Willemain[29]等采用Bootstrap法預測固定提前期的累計分布,該方法采用從消耗歷史數據中抽樣來產生虛擬數據的方法,可以預測到已經在消耗歷史數據中出現的消耗量,并且可以預測提前期每一期消耗是否發生,給出預測的每一期消耗發生的概率,并且能得到預測的每一期的消耗量,該方法重復多次能產生很多預測的消耗樣本,可以得到預測的提前期消耗分布。計算結果顯示,該方法比指數平滑法、Croston法預測的精度高。

5 消耗預測研究重點及發展趨勢

作為備件消耗標準制定的基礎工作之一,備件的消耗預測一直是備件管理的重點和難點問題。在今后的研究中,將針對備件消耗的隨機性和不確定性,從預測方法的改進、改善修理活動響應以及改善備件管理流程等角度入手,通過采用新的預測方法、多級響應的備件管理流程需求、頻繁更新的預測分析、適當的安全庫存設置來完善備件消耗預測,提高備件的預測準確度。為此,備件消耗預測的發展突出表現為三個方面:一是新型預測方法的引入,如支持向量機技術、粗糙集理論等;二是重視可修復備件消耗預測的研究;三是組合預測方法的興起。

5.1 基于支持向量機的消耗預測研究

支持向量機(Support Vector Machines,SVM)能很好地解決小樣本、非線性、高維數和局部極小點等實際問題,現已廣泛運用到模式識別、函數逼近、回歸估計等領域。SVM的最大特點是以結構風險最小化原則代替傳統的經驗風險最小化原則,因此具有較好的泛化能力。另外,SVM在處理非線性問題時,首先將非線性問題轉化為高維空間中的內積運算,從而巧妙地解決了復雜計算問題,并且有效地克服了維數災難及局部極小問題。Muller K R[30]成功地把SVM方法引入到時間序列的預測領域,任博[31]將SVM方法運用到飛機備件的消耗預測當中,為SVM用于備件的消耗預測作了一個有益的嘗試。

5.2 可修備件的消耗預測研究

大部分備件是可修的,因此,加強對可修復備件消耗預測的研究具有十分重要的意義。對可修復備件的消耗預測的相關方法的研究經過幾十年的發展已相當成熟,但受到可修復備件壽命擬合不易、備件理化屬性多樣以及預測前提假設條件苛刻等影響,目前各種方法的預測效果并不理想,為提高備件消耗預測效果,避免高缺貨率的發生,今后對于可修件的消耗預測應以短期、動態的消耗預測為主。

5.3 組合消耗預測研究

任何一種預測方法都有其優缺點,對同一個問題所提供有用信息都不會足夠全面,為提高預測方法的精度,組合預測方法應運而生。將多種不同的預測方法有機地結合起來,利用單項預測方法之間的方差-協方差的關系和單項預測方法反映出來的信息,通過組合,獲得對預測對象更精確的估計,這就是組合預測方法[32～33]。組合預測模型就是將各種預測效果進行綜合慮,比單個預測模型更系統、更全面。常用的組合預測模型有以下三種:一是不考慮樣本信息的簡單平均組合和考慮一階滯后的簡單平均組合模型;二是僅考慮單項預測樣本相對性能的簡單平均組合模型和考慮一階滯后的簡單平均組合模型;三是不考慮滯后和考慮一階滯后回歸組合模型。為提高備件消耗預測效果,避免單一預測方法造成的消耗確定過剩或不足,多種預測方法相結合的預測將成為備件消耗預測的發展方向之一。

6 結語

現階段備件消耗預測對備件消耗統計數據依賴性強,但備件的消耗統計數據獲取難度大,且消耗數據不準,設備使用不定,消耗規律不易把握,造成備件消耗的預測精度不高[34]。此外,當前對備件的消耗預測大都在設備使用一段時間之后有了歷史消耗數據才著手進行,而針對新設備的備件消耗預測較少,且方法多以維修工程分析法、統計分析法和相似產品法等定性分析方法為主,主觀性強,量化不足。如何科學利用備件歷史消耗數據研究備件消耗預測方法以及如何加強初始備件的消耗預測將是今后一段時間研究的重點。

[1] Allen S G. An ordering policy for repairable stock items[J]. Operations Research,1968,16(3):482-489.

[2] Moore R. Establishing an Inventory Management Program[J]. Plan Engineering,1996,50(3):113-116.

[3] Dekker R. A spare parts stocking policy based on equipment criticality[J]. International Journal of Production Economics,1998,3:56-57.

[4] Marcello B, Andrea G, Roberto M. Multi-attribute Classification Method for Spare Parts Inventory Management[J]. Journal of Quality in Maintenance Engineering,2004,10(1):55-65.

[5] 徐曉燕.一種基于需求特性分類的備件庫存管理方法及其實證研究[J].系統工程理論與實踐,2006,2.

[6] 熊君星,夏芳臣,涂海寧.基于BP神經網絡的備件ABC分類模型[J].機械設計與制造,2008,2:215-217.

[7] 湯巖.時間序列分析的研究與應用[D].哈爾濱:東北農業大學,2007.

[8] 史耀媛,史忠科.基于非單點模糊正則網絡的時間序列預測模型[J].西北大學學報,2006,36(6):887-889.

[9] Gupta V. On the M/G/1 machine interference model with Spares[J]. European Journal of Operational Research,1996,89:164-171.

[10] 李壽安,張恒喜,李東霞.基于偏最小二乘回歸的軍用飛機采購價格預測[J].海軍工程大學學報,2005,17(4):64-68.

[11] 張曉東,韓志剛.一種改進的多層遞階預報方法研究[J].哈爾濱工業大學學報,2002,34(3):436-439.

[12] 吳為英,向陽,崔家保.改進的多層遞階回歸算法在進出口貿易中的應用[J].山東科技大學學報,2003,22(1):54-57.

[13] 鄧超風.指數平滑模型探討[J].中國水運,2006(9):210-211.

[14] 王宏焰.通用軍械裝備維修器材消耗規律研究[D].石家莊:軍械工程學院,2009.

[15] 金維佳,葉文華.基于BP神經網絡的新零件材料消耗定額預測方法研究[J].鑄造技術,2007,6.

[16] 高崎.通用武器裝備維修器材供應與管理[M].石家莊:軍械工程學院,2006.

[17] Dinesh K. Reliability Maintenance and Logistic Support: A Life Cycle Approach[M]. USA: Kluwer Academic Publisher,2000.

[18] 韓興才.航材管理工程[M].北京:藍天出版社,2003.

[19] Larry S. Mickel, Robert L. Heim. The Spares Calculators: A Visual Aid to Provisioning[C]//Proceedings, 2001 Annual Reliability and Maintainability Symposium IEEE,2001:410-414.

[20] 趙建民,趙建華,丁鶴群.有限可修備件條件下系統計劃更換策略[J].模糊系統與數學,2000,6:95-99.

[21] 楊軍,于丹.修如舊模型中儲存系統備件量的計算及其置信區間[J].中國科學院研究生學院學報,2004,21(4):441-446.

[22] 楊軍,于丹,趙宇.修如新模型中備件量的計算及其置信上限的Fiducial推斷[J].應用概率統計,2007,23(3):225-230.

[23] 閆霞,于丹,李國英.一類可修威布爾型設備可用度的Fiducial推斷[J].系統科學與學,2004,24(1):17-27.

[24] 陳硯橋,金甲善,黃政.批量獨立可修件的備件需求預測仿真算法[J].海軍工程大學學報,2007,19(6):79-82.

[25] 何亞群,譚學峰,金福祿.基于可用度的飛機可修件需求分析[J].系統工程與電子技術,2004,26(8):848-849.

[26] 李武勝.電廠熱工控制系統備件消耗預測研究[D].北京:北京物資學院,2009.

[27] Kamath K R. A Bayesian approach to a dynamic inventory model under an unknown demand distribution[J]. Computers & Operations Research,2002,29:403-422.

[28] Ghobbar A A. Evaluation of forecasting methods for intermittent parts demand in the field of aviation: a predictive model[J]. Computer & Operations Research,2003,30:2097-2114.

[29] Willemain T R. A new approach to forecasting intermittent demand for service parts inventory[J]. International Journal of Forecasting,2004,20:375-387.

[30] Muller K R. Predicting time series with support vector machines[C]//Artificial Neural Net works-ICANN’97,1997:999-1004.

[31] 任博,張恒喜,蘇暢.基于支持向量機的飛機備件需求預測[J].火力與指揮控制,2005,6:78-83.

[32] 朱培濤,趙武奎.組合預測方法在彈藥消耗預測中的應用[J].科學技術與工程,2007,7(14):3561-3563.

[33] 隆玉玲,王文杰,方向華.CPFR組合預測方法研究[J].東華大學學報,2009,35(2):216-221.

[34] 黃照協.軍械備件目錄與標準體系構建方法研究[D].石家莊:軍械工程學院,2013.

Research and Development of the Spare Parts Consumption Prediction Methods

HUANG Zhaoxie LI Qianhui SUN Sihao TANG Zixin

(Military Representative Office of General Equipment Department at Fuzhou, Fuzhou 350003)

Spare parts consumption prediction is the base work of consumption standards establishment, this paper reviews the related domestic and overseas literatures on spare parts consumption prediction. Under the discussing of the methods of spare parts classification, the paper sums up the consumption prediction methods of continuity and discontinuity spare parts. And then, it indicates the virtues and disadvantages from different consumption prediction models. Finally, it reveals the research key points and development trends of spare parts consumption prediction.

spare parts, classification, continuity, discontinuity, consumption prediction

2014年7月3日,

2014年8月25日

黃照協,男,博士,工程師,研究方向:彈藥質量監督與控制。李前會,男,碩士,工程師,研究方向:彈藥質量監督與控制。孫思浩,男,工程師,研究方向:彈藥質量監督與控制。湯子鑫,男,工程師,研究方向:彈藥質量監督與控制。

F253.4

10.3969/j.issn1672-9730.2015.01.004