基于需求特性的备件分类模型研究*

任 喜 毕 鹏 张晓斐

(1.92493部队89分队 葫芦岛 125000)(2.92635部队 青岛 266041)(3.海军航空工程学院 烟台 264000)

基于需求特性的备件分类模型研究*

任 喜1,3毕 鹏1张晓斐2

(1.92493部队89分队 葫芦岛 125000)(2.92635部队 青岛 266041)(3.海军航空工程学院 烟台 264000)

备件分类是备件需求预测研究的基础。只有在正确的备件分类的基础上才能更好地对备件需求预测进行研究。主要从不常用备件的特点入手,从需求数据中的平均需求量、需求间隔时间以及需求量的变化程度对备件进行了粗分类。在粗分类的基础上,提取平均需求间隔和非零需求值的变异系数两个参数对分类模型进行量化分析,上述需求属性不仅仅要考虑需求的间断性和块状性,还要考虑突发性需求。将突发性需求考虑在内的拓展的突发性需求属性空间将大大提高需求分类的准确性。该分类方法的应用是通过将分类属性变量映射到最佳预测方法,通过映射得到给定需求序列的最佳预测方法。

不常用备件; 需求特性; 分类; 块状需求

Class Number TJ760.7

1 引言

在舰船装备备件管理中,根据备件使用的频度,可以将备件分为两类：常用备件(Frequently Used Spare Parts)和不常用备件(Rarely Used Spare Parts)。常用备件具有使用量大、使用频率较高、需求稳定等特点,易于管理,备件的需求预测相对简单,分类方法比较完善；不常用备件则与常用备件有很大不同,具有使用频率较低且规律性不强、可用性要求高、专用性强、单价高、生产周期长、寿期不确定等特点,管理难度相当大,有效的备件分类是进行备件消耗预测研究和配置优化工作的重要前提。

2 不常用备件分类研究现状

不常用备件又称间断性需求备件(Intermittent Demand Spare Parts)。一些文献将比较难以预测的备件需求称为间断性需求,块状需求,不稳定需求,零星需求,慢速移动需求等[1～2]。上述需求类型很多情况下可以相互替换。间断性和块状性是不常用备件的主要特征。

间断性需求通常定义为需求随机产生并伴随着大量的零值,然而这种定义仅局限于间断性的属性上,对块状性这一属性没有体现。Siliver对间断需求给出下面的定义：不经常使用且平均使用需求间隔大于单位时间,该单位时间是根据预测间隔不断更新[3]。Smart将间断需求定义为至少有30%的需求量为0的需求序列[4]。美国海军库存管理者认为那些小于60%～70%非零需求的需求序列为间断需求[5]。Johoston等对间断需求序列的定义为：平均非零需求间隔大于或等于库存检查周期的1.25倍的需求序列[6]。上述定义均以间断性需求的间断性为重点,均没有考虑间断需求的块状属性。慢速需求是指在很少时刻发生的需求,慢性需求属于间断性需求。Syntetos将块状需求定义为同时具有零需求和剧烈变化非零需求的一种需求形式,他将所有的块状需求归为间断需求,但是并不是所有的间断需求都是块状需求[7]。Ward将间断需求的等同于块状需求[8]。上述需求类型的定义均与间断需求有相互重叠。不规则需求是需求值剧烈变化的需求,即存在块状性。但是,不规则需求并不等同于块状需求,因为不规则需求并不一定是间断断性需求,而块状需求的前提就是必须是间断性需求。

3 基于备件需求特性的备件分类

Syntetos将多种需求数据特征进行了定性的分类,分类结果如图1所示[9]。

图1中最左边一列为判断标准,中间一列是具有某一种数据特征的需求,最后一列是同时具有两种数据特征的需求。根据图1可以得到：根据备件需求间隔时间的长短可以判定是否属于间断性需求；参照备件需求量的变化程度可以判定是否属于不稳定需求；当需求发生间隔时间长且平均需求量很低时可以判别为慢速移动需求；当同时具有间断性特征和不稳定特征时,可以判别为“块状”需求；当具有间断性特征且需求量近似恒定时,可判别为“丛”需求。

上述分类仅是定性对备件类型进行分析。Williams提出了一种以需求量的大小、方差、提前期方差等指标为标准来对各种需求进行分类的方法。在Williams分类方法的基础上,Syntetos提出了一种更为简单实用的需求分类规则,其具体内容见图2中的矩阵[11]。

4 基于需求特性分类模型的备件需求预测

上述讨论中仅考虑间断需求的间断性和块状性。作为间断性和块状性的补充,Varghese考虑到相关性[12～13]。在本文的研究中,将需求属性空间拓展为：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,一阶滞后相关系数,非零需求间隔的一阶滞后相关系数。上述需求属性不仅仅要考虑需求的间断性和块状性,还要考虑突发性需求。突发性需求常见于通信网络,这种需求的特点是具有连贯性的非零需求特性。突发性需求可以是间断需求：具有一段时间周期内无需求,当非零需求发生时,将伴随着连续的非零需求发生。高度突发性需求是那些需求间具有正相关的需求序列。将突发性需求考虑在内的拓展的突发性需求属性空间将大大提高需求分类的准确性。该分类方法的应用是通过将分类属性变量映射到最佳预测方法,通过映射,可以得到给定需求序列的最佳预测方法。

4.1 分类流程设计

通过基于多元逻辑回归方法对备件进行多参数属性的分类研究。与一般逻辑回归模型一样,分类响应变量只有2个,且各变量均以服从二元分布模型属于某分类。对于多元回归,分类响应变量多于2个,且各变量均以多元分布模型属于某分类。在此基础上,建立一个任一变量属于某响应变量的概率模型：第pJ=1,,m个响应变量。在本文中分类方案基于以下6个需求属性p01,p11,μ,σ,φ1,φ1,ibt,响应变量为最佳预测方法。响应变量pJ假定为多元的且各个属性之间相互独立。令

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

则各变量属于基本分类模型的概率表示为

+β5jx5+β6jx6

j=1,2,,7,j≠base

将SES(0,1)作为基本分类模型。通过上式可以得出

对基本分类模型的β估计等于0,通过最大似然估计(MLE)求得β估计：

对于所有的观测变量i以及对应的响应变量j,用对应的概率pj(i)来替代其对应的观测值。通过程序运行记录需求属性变量空间所映射的最佳预测方法。上式中β估计可以通过SAS软件中的CATMOD程序求解[3]。因此概率pj可以通过一个未知的需求属性向量求得：选取具有最大概率的需求预测方法。通过多元回归法训练需求属性向量数据并将其分到合适的预测方法中,最后根据分类规则来对测试集进行预测其最佳预测方法。

5 实例分析

现以Matlab随机生成的间断性需求序列数据集为例进行分析。该数据集合由3000个间断性需求序列组成,将序列集中随机选取70%的序列作为训练集,其余30%的序列作为测试集,通过仿真分析得到每一个序列的最佳预测方法(具体方法见文献[14])。在进行仿真的过程中,通过观察每种预测方法的MAD值,重复分析每个需求属性向量的需求生成和对应的预测方法,进而选取每个需求属性向量的最佳需求预测方法。各个预测方法间的比较基于Hsu给出的最优多重比较法(MCB)[15]。对于每一个向量,选取具有低MAD的预测方法。将训练集以及其映射3000组数据进行训练,通过SAS软件计算测试集得出的最优预测方法与训练集得到最优预测方法。该分组最佳预测方法被选定为测试集预测方法的比例为70.87%,这是一个不错的预测精度。但该方法仅适用于大量序列数据集的情况,在少量序列的情况其预测精度不尽人意。

6 结语

不常用备件管理在舰船装备管理工作中有着重要的地位,其管理水平的高低决定着舰船装备的战备完好率。目前对备件分类多从备件重要度等因素出发,分类过程中难免会有主观因素的影响。从备件需求历史序列的数据结构出发,深入挖掘需求序列的数据结构以及内在规律,为备件分类预测研究提供了一种思路。

[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

国家自然科学基金(编号:60478053)资助。

任喜,男,博士,工程师,研究方向：装备计量保障。毕鹏,男,工程师,研究方向：装备计量保障。张晓斐,男,工程师,研究方向：航空装备保障。

TJ760.7

10.3969/j.issn.1672-9730.2017.04.020