備件分類與需求預測研究綜述

李春秀，孫明明

（1.中國直升機設計研究所，天津 300308；2.工業和信息化部電子第五研究所，廣東 廣州 511370）

0 引言

專家學者對備件分類算法研究較為豐富，如曾翔等[1]的備件分類算法研究綜述，對備件分類的ABC 分類法、Kraljic 和層次分析法（AHP：Analytic Hierarchy Process）等進行了原理闡述，系統性地給出了備件一維準則、二維準則和多維準則分類法。此外，基于全過程[2]、備件攜行[3]、多任務階段系統[4]、備件需求[5-6]和備件庫存管理[7]等文獻對備件預測方法進行了系統性的綜述。

工程應用角度，備件的規劃、預測和優化，首先應針對備件種類進行分類，然后針對不同種類的備件采取不同的預測方法，單獨備件分類分析或備件需求預測工程實際應用價值不高，二者應結合分析。本文通過對國內工業設備、汽車、風電、軌道交通、電網、船舶和制造業等行業領域調研，著重分析備件分類與需求預測相結合的研究現狀，以為型號裝備備件分類與需求預測研究提供參考。

1 備件分類與需求預測解析方法研究

吳庭冠[8]針對工業設備維修備件庫存資金高位運行、呆滯庫存多、分類不明確、缺乏合理的預測方法和庫存管控策略等問題，考慮備件重要程度因素，利用ABC-VED 法進行分類，區分快速流動備件、慢速流動備件和不流動備件，運用移動平均、指數平滑和Croston[9-10]等方法對備件進行預測，針對不同種類備件分別采用了經濟訂貨批量（EOQ）模型、（Q，R）庫存控制策略和再次訂貨（ROP）模型等理論進行分析和驗證，減少了安全庫存量和資金占用。

金亞楠[11]針對汽車零部件分類方式過于簡單、庫存占用資金高、積壓數量多和需求計劃不準確等問題，采用AHP 與ABC 分類法相結合的方法對17 種汽車零部件進行分類，利用遺傳算法優化的極限學習機算法對汽車零部件進行需求預測，針對不同類備件使用經濟訂貨批量模型，計算出汽車零部件的最優訂貨批量與訂貨周期，降低了庫存成本。

張鐵[12]針對我國現行動車組檢修工藝、修程修制及檢修物料的庫存管理因備件分類不夠清晰、需求量不明確和庫存策略過于籠統等，以及存在庫存備件不足和備件冗余的問題，考慮可靠性、經濟性、安全性、可用性和可維修性等因素，構建IGAHP-DEA-ABC 分類模型，將動車組備件分為核心備件、重要備件和普通備件3 類，由于歷史數據缺失，采用遺傳算法優化長短記憶神經網絡（GA-LSTM）的備件預測模型并結合部件壽命分布，確定備件需求量，利用（S-1，S）、（s，Q）備件訂貨策略確定了所分類備件訂貨提前期、訂貨批量和盤點周期，為動車組備件庫存管理提供一定參考。

陳鴻鑫[13]開展了發動機制造過程中關鍵備品備件優化研究，以保障發動機數控機床安全高效經濟運行，采用AHP-ABC 模型篩選數控機床關鍵備件，將傳統灰色理論與Markov 鏈結合實現對數控機床關鍵備件消耗量預測，同時利用隱Markov 模型預測部件的可靠性趨勢，建立基于預測可靠性的備件訂購決策優化模型，實現了低成本高效安全的庫存管理目標。

周青[14]開展面向成本降低的備件庫存優化研究，以確保高自動化水平設備連續穩定運行，考慮備件的關鍵程度、經濟程度和易得程度等因素，利用基于AHP 的ABC 分類方法，將備件分為快速流動和慢速流動兩類，運用指數平滑法和Croston 法對備件的需求進行預測，對快速流動ABC 類備件、慢速流動A 類備件、慢速流動B 類備件和慢速流動C 類備件，從成本降低角度，分別使用（R，Q）控制策略、（s，S）控制策略、（t，S）控制策略和不備庫策略，可有效地降低成本且確保設備連續穩定運行。

齊宏宇[15]開展了液化接收站專用設備備件庫存管理優化研究，以確保液化天然氣接收站專用設備穩定運行，考慮備件庫存成本、資金占用成本和周轉率等因素，采用ABC 分類法和CVA 分析法相結合的方式對關鍵設備維修備件進行二階組合分類，同時使用時間序列平滑模型和平均故障間隔時間（MTBF）對關鍵設備維修備件需求數量進行預測，計算了安全庫存數量和經濟訂貨批量，最終達到維修備件庫存在滿足設備運行可靠性的同時總成本最小的優化目標。

針對高鐵減速機共有45 種備件，存在備件申領時間長、備件持有成本和缺貨成本高的問題，高伯凱[19]開展了高鐵減速機備件庫存優化研究，考慮經濟性、采購提前期、關鍵性、年周轉率和供應難易程度等因素，采用ABC 法和模糊AHP 將高鐵減速備件分為了不重要備件C、重要備件D、較重要備件E 和一般備件F 4 類，通過對故障件進行分析確定其服從威布爾分布，建立基于高鐵減速機可用性的重要備件訂貨模型，可為高鐵減速機備件庫存優化提供參考。

針對地鐵備件物資管理成本偏高和周轉率低等問題，孫煜晴[20]開展了地鐵運營物資需求預測及管理優化研究，基于ABC-FSN 分類法，對A 市地鐵的11 608 項運營備件物資進行了分類。此外，選用回歸模型對AF 類物資中的生產配件進行了需求預測，選用SARIMA 模型對AF 類物資中的生產材料及CF、CS 類物資代表進行了需求預測，選用ARIMA 模型對BF 類物資代表進行了需求預測，對各類物資采購流程和倉儲管理方式進行了優化，有效降低了整體成本并提高了采購效率。

MRO（Maintenance，Repair&Operations）是生產型企業用以維護、維修及運營的物資，大到設備軸承，小至螺釘螺母，品類繁多、特點不一，高曉琳[21]開展了鋼鐵加工企業MRO 庫存策略及優化研究，考慮缺貨成本、體積和提前期等因素，改進了ABC 庫存分類方法，利用灰色預測GM（1，1）模型預測連續型需求，以及灰色馬爾可夫模型預測隨機型需求，同時根據備件特點制定出戰略庫存管理、（S，s）和（T，Q）等6 種行之有效庫存控制策略。

針對石化化工設備備件高成本、低周轉、慢速流動備件多和備件樣本數據少等問題，李文[22]開展了石化化工生產備件庫存優化研究，考慮生命周期和核算周期為前提、使用成本等因素，修正ABC 分類法，分為快流速備件和慢流速備件，采用貝葉斯統計方法實現對備件需求量的預測。對A類快速流動備件給出了（R，Q）庫存控制策略的計算方法；對B、C 類快速流動備件給出了（t，S）庫存控制策略的計算方法。對于慢速流動備件，采用（S，S-1）庫存策略，最優存儲量S* 可以運用貝葉斯統計方法進行預測。通過驗證，該類庫存優化策略可以保證較高服務周期水平并有效降低庫存成本。

針對智能制造自動化設備備件積壓等問題，何毅[23]開展備件優化研究，考慮備件單位成本、采購周期和備件年度消耗率等因素，采用基于信息熵的多指標ABC 分類方法對備件進行分類，結合備件特點，對慢速流備件建立了基于單指數平滑法的連續性需求預測模型和基于模糊時間序列的間斷性需求預測模型，經過驗證，提升了公司備件庫存管理效益水平。

2 備件分類與需求預測仿真方法研究

為了減少船舶維修所需費用和時間，提高航運公司運營效益，侯朵莉[16]開展了面向任務的船舶備件配置模型及優化研究，考慮備件流動性和重要性，采用改進AHP 和可進行有效排序的數據包絡分析法（SE-DEA），并結合灰色關聯分析法對傳統ABC 庫存分類進行改進，最終將船舶備件分為FA、FB、FC、SA、SB 和SC 6 種類型。針對備件分類結果中需求預測難度較大的S 類船舶備件建立了基于運行數據的貝葉斯統計需求預測模型。根據分類及備件特點，FA 類船舶備件建立（s，Q）策略下的庫存控制模型，對FB、FC 類船舶備件建立（t，S）策略下的庫存控制模型，對S 類船舶備件建立以規定可用度為約束條件，以單位時間內庫存成本最低為目標函數的訂購模型，利用SPSS～（TM）和Matlab～（TM）軟件，采用仿真分析手段進行分析驗證。

通過對昆明地鐵備件管理、庫存狀況調研，張楠[17]開展了地鐵備件庫存控制優化研究，基于多準則的備件庫存ABC 分類模型進行備件庫存分類研究，利用指數平滑法和BP 神經網絡預測法，進行備件需求預測。以總庫存成本最小作為優化目標，構建庫存控制模型，應用遺傳算法對模型進行求解，為地鐵備件庫存管理優化提供參考建議。

針對制造業通用減速機備件庫存短缺和成本效益低等問題，楊光楠[18]對通用減速機服務備件庫存優化開展了研究，考慮占用金額、提前期、通用程度、缺貨影響、供應商數量和關鍵程度等因素，采用基于AHP 的改進ABC 分類法，將服務備件分為重要服務備件、次重要服務備件和不重要服務備件3 類，以近期歷史需求量、相關服務備件需求量、總體趨勢、周期性、備件更替和故障因素共6個因素作為輸入量，采用BP 神經網絡方法對備件需求預測進行研究，建立了以庫存總成本最小為目標，以服務水平和庫容為約束的庫存訂貨模型，并采用遺傳算法對模型進行求解，經過驗證，滿足使用前提下，有效地降低了備件庫存成本。

針對公司服務備件庫存占用大量資金造成運營成本居高不下情況，陳鵬[24]開展了備件庫存管理優化研究，考慮顧客滿意度和庫存成本等因素，建立基于AHP 算法的ABC 備件分類模型，構建了LSTM 神經網絡模型與時間序列預測模型組合的服務備件需求預測模型，以及橫縱調度相結合的備件供應鏈實時調度算法，經過驗證，有效降低了庫存成本并提升了運營效益。

3 歸納分析

除了以上備件分類與需求預測解析方法和仿真方法調研分析，不少科研學者對原有方法進行創新研究，值得借鑒研究，例如：歐干新[25]在供電公司配網備品備件庫存管理優化研究中，提出考慮用電客戶重要程度的二維ABC 分類方法，將配網備品備件劃分為A、A’、B、C 4 類；ABC 分類法和ERP 管理軟件相結合研究[26]，ABC 分類法和Kraljic 矩陣結合的方法對備件進行分類[27]，EIQABC 的分析方法[28]，ABC 結合VED 分類法對備件進行分類[29]，ABC、FSN 和VED 等幾種分類方法相結合的方式對公司服務備件庫存管理作了合理分類研究[30]，考慮采購提前期、供應商數量、月需求量、客戶指定、功能性、物料的單位價值和庫存成本等因素的基于ABC 管理的灰色聚類評價模型[31]等。其他仿真方面相關研究，如Monte Carlo-PSO 混合算法和枚舉算法進行備件優化[32]、基于備件可靠性的仿真預測方法得到備件需求量[33]、基于Arena 離散事件系統的備件仿真優化[34]等。

通過對備件分類與需求預測調研分析，分別從模型考慮因素、研究領域、分類方法、預測方法和庫存模型等幾個方面進行匯總分析（如表1 所示），應特別關注影響備件分類與需求預測關鍵因素，為后續裝備備件分類與需求預測研究提供參考。

表1 備件分類及需求預測匯總表

4 結束語

本文通過對各個工業領域備件庫存分類方法、預測模型和庫存模型進行了深入的調研和分析，對裝備備件種類分析與需求預測提供可參考思路如下所述。

a）備件分類

建議考慮影響裝備運行或使用的因素、成本因素、庫存管理因素和周轉因素等，修正或完善ABC 分類模型。

b）備件預測

建議分析備件歷史數據，確定其類型和特點，可選擇解析方法針對不同種類備件分別進行預測。隨著數據迭代，可進一步結合仿真手段進行預測完善。

c）庫存策略

建議明確庫存優化目標，結合不同種類備件特點，構建庫存優化模型及訂貨要求，進行持續迭代驗證和修正模型。