基于需求特性的備件分類模型研究*

任 喜 畢 鵬 張曉斐

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

備件分類是備件需求預測研究的基礎。只有在正確的備件分類的基礎上才能更好地對備件需求預測進行研究。主要從不常用備件的特點入手,從需求數據中的平均需求量、需求間隔時間以及需求量的變化程度對備件進行了粗分類。在粗分類的基礎上,提取平均需求間隔和非零需求值的變異系數兩個參數對分類模型進行量化分析,上述需求屬性不僅僅要考慮需求的間斷性和塊狀性,還要考慮突發性需求。將突發性需求考慮在內的拓展的突發性需求屬性空間將大大提高需求分類的準確性。該分類方法的應用是通過將分類屬性變量映射到最佳預測方法,通過映射得到給定需求序列的最佳預測方法。

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、需求穩定等特點,易于管理,備件的需求預測相對簡單,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律性不強、可用性要求高、專用性強、單價高、生產周期長、壽期不確定等特點,管理難度相當大,有效的備件分類是進行備件消耗預測研究和配置優化工作的重要前提。

2 不常用備件分類研究現狀

不常用備件又稱間斷性需求備件(Intermittent Demand Spare Parts)。一些文獻將比較難以預測的備件需求稱為間斷性需求,塊狀需求,不穩定需求,零星需求,慢速移動需求等[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產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,對塊狀性這一屬性沒有體現。Siliver對間斷需求給出下面的定義：不經常使用且平均使用需求間隔大于單位時間,該單位時間是根據預測間隔不斷更新[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]。美國海軍庫存管理者認為那些小于60%～70%非零需求的需求序列為間斷需求[5]。Johoston等對間斷需求序列的定義為：平均非零需求間隔大于或等于庫存檢查周期的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,均沒有考慮間斷需求的塊狀屬性。慢速需求是指在很少時刻發生的需求,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。不規則需求是需求值劇烈變化的需求,即存在塊狀性。但是,不規則需求并不等同于塊狀需求,因為不規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將多種需求數據特征進行了定性的分類,分類結果如圖1所示[9]。

圖1中最左邊一列為判斷標準,中間一列是具有某一種數據特征的需求,最后一列是同時具有兩種數據特征的需求。根據圖1可以得到：根據備件需求間隔時間的長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定需求；當需求發生間隔時間長且平均需求量很低時可以判別為慢速移動需求；當同時具有間斷性特征和不穩定特征時,可以判別為“塊狀”需求；當具有間斷性特征且需求量近似恒定時,可判別為“叢”需求。

上述分類僅是定性對備件類型進行分析。Williams提出了一種以需求量的大小、方差、提前期方差等指標為標準來對各種需求進行分類的方法。在Williams分類方法的基礎上,Syntetos提出了一種更為簡單實用的需求分類規則,其具體內容見圖2中的矩陣[11]。

4 基于需求特性分類模型的備件需求預測

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充,Varghese考慮到相關性[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,一階滯后相關系數,非零需求間隔的一階滯后相關系數。上述需求屬性不僅僅要考慮需求的間斷性和塊狀性,還要考慮突發性需求。突發性需求常見于通信網絡,這種需求的特點是具有連貫性的非零需求特性。突發性需求可以是間斷需求：具有一段時間周期內無需求,當非零需求發生時,將伴隨著連續的非零需求發生。高度突發性需求是那些需求間具有正相關的需求序列。將突發性需求考慮在內的拓展的突發性需求屬性空間將大大提高需求分類的準確性。該分類方法的應用是通過將分類屬性變量映射到最佳預測方法,通過映射,可以得到給定需求序列的最佳預測方法。

4.1 分類流程設計

通過基于多元邏輯回歸方法對備件進行多參數屬性的分類研究。與一般邏輯回歸模型一樣,分類響應變量只有2個,且各變量均以服從二元分布模型屬于某分類。對于多元回歸,分類響應變量多于2個,且各變量均以多元分布模型屬于某分類。在此基礎上,建立一個任一變量屬于某響應變量的概率模型：第pJ=1,,m個響應變量。在本文中分類方案基于以下6個需求屬性p01,p11,μ,σ,φ1,φ1,ibt,響應變量為最佳預測方法。響應變量pJ假定為多元的且各個屬性之間相互獨立。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。通過上式可以得出

對基本分類模型的β估計等于0,通過最大似然估計(MLE)求得β估計：

對于所有的觀測變量i以及對應的響應變量j,用對應的概率pj(i)來替代其對應的觀測值。通過程序運行記錄需求屬性變量空間所映射的最佳預測方法。上式中β估計可以通過SAS軟件中的CATMOD程序求解[3]。因此概率pj可以通過一個未知的需求屬性向量求得：選取具有最大概率的需求預測方法。通過多元回歸法訓練需求屬性向量數據并將其分到合適的預測方法中,最后根據分類規則來對測試集進行預測其最佳預測方法。

5 實例分析

現以Matlab隨機生成的間斷性需求序列數據集為例進行分析。該數據集合由3000個間斷性需求序列組成,將序列集中隨機選取70%的序列作為訓練集,其余30%的序列作為測試集,通過仿真分析得到每一個序列的最佳預測方法(具體方法見文獻[14])。在進行仿真的過程中,通過觀察每種預測方法的MAD值,重復分析每個需求屬性向量的需求生成和對應的預測方法,進而選取每個需求屬性向量的最佳需求預測方法。各個預測方法間的比較基于Hsu給出的最優多重比較法(MCB)[15]。對于每一個向量,選取具有低MAD的預測方法。將訓練集以及其映射3000組數據進行訓練,通過SAS軟件計算測試集得出的最優預測方法與訓練集得到最優預測方法。該分組最佳預測方法被選定為測試集預測方法的比例為70.87%,這是一個不錯的預測精度。但該方法僅適用于大量序列數據集的情況,在少量序列的情況其預測精度不盡人意。

6 結語

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備完好率。目前對備件分類多從備件重要度等因素出發,分類過程中難免會有主觀因素的影響。從備件需求歷史序列的數據結構出發,深入挖掘需求序列的數據結構以及內在規律,為備件分類預測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

國家自然科學基金(編號:60478053)資助。

任喜,男,博士,工程師,研究方向：裝備計量保障。畢鵬,男,工程師,研究方向：裝備計量保障。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