-
154
- - 155 -
基于
BP-MC
模型的大型机电设备备件需求预测研究
王静涛,许 丹
(天津大学 管理与经济学部,天津 300072)
在现代制造业中,大型机电设备起着关键的作用,它们
有着生命周期长、价格昂贵的特点。为了维持设备的正常运转,
对备件的需求作预测有着重要的意义。合理的需求预测能做
到预储备适量的备件,使设备的故障、保修等需要备件情况
得到快速有效的解决,避免不必要的经济损失。从设备制造
商的角度来讲,随着售出设备的增多,客户备件的需求额已
经成为了企业收入的重要组成部分。因此,研究如何有效的
预测备件在较短时间内的需求,在稳定企业备件收入,提高
售后服务水平等方面有着重要的意义。
目前针对备件需求进行预测的研究比较多,主要集中在
4 个方面:一是回归分析。寻求影响因素与需求量之间的线
性关系,根据历史数据,应用相应的方法找出拟合这些数据
的最佳曲线,根据相关的函数模型来预测需求量。其中主要
有 Cup ta V 等人提出的对机器备件预测方法
[1]
;马秀红等人
提出了基于回归分析的备件故障预测模型
[2]
。二是在指数据
平滑法及在其基础上发展而来的一系列方法。其中主要有:
收稿日期:2013
–
09
–
17 稿件编号:201309132
作者简介: 王静涛 (1987—),男,山西大同人,硕士。研究方向:精益生产、设备管理。
摘要:针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的
BP
神经网络预测
模型,以提高模型的预测精度。通过对训练样本的学习,利用
BP
神经网络实现了对备件需求时间序列的滚动预测,
同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果
的精度。并将该模型应用于实际预测中,结果表明该模型优于
BP
神经网络单项预测模型,具有精度高、科学可靠
的特点,为大型机电设备备件需求预测提供了新的途径。
关键词:
BP
神经网络;马尔科夫链;设备备件;需求预测
中图分类号:
TN
945.24
文献标识码:A
文章编号:1674-6236(2014)11-0155-04
The forecasting research for the electromechanical equipment spare parts demand based
on the BP neural network model and markov chain
WANG Jing-tao, XU Dan
(
Department of Management and Economy, Tianjin University, Tianjin
300072
, China
)
Abstract:
According to the demand of the Electromechanical equipment spare parts which has the characteristics of
nonlinear and stochastic volatility; the proposed model was conducted to improve the prediction accuracy of the model,
based on the BP neural network prediction model and the Markov Chain. By studying the training sample, the BP neural
network realizes the rolling forecasts of time sequence for the demand of spare parts. At the same time the relative error
between measured and predicted is got. Then Markov Chain is used to analysis the relative error correction. The model
effectively improves the precision of predicted results. It is applied in actual forecasting. The results show that the
proposed model is superior to the BP neural network prediction model, which provides a new way to predict spare parts
demand of electromechanical equipment with the characteristics of high precision, reliability and scientific nature.
Key words:
BP neural network; Markov chain; equipment spare parts; demand forecastin
备件的特性在指数平滑的基础上提出的间断需求的 Croston
法
[3]
;需求不服从任何分布情况下采用 Bayesian 方法
[4]
;在
提出了 Coston 方法后,Chobbar 等,研究了 Coston 法与连续
预测方法的预测精度比较,采用 13 种方法来预测飞机的备
件需求
[5]
;2004 年 Willemain 等提出了一种新的用于预测备
件需求的方法——Bootstrap 方法
[6]
,这些方法都是在 Croston
法上的发展。三是基于时间序列的预测方法。时间序列预测
法是根据变量自身过去的变化规律来预测未来的变化。其中
有史耀媛等针对备件的特点提出了一种基于非单点模糊正则
网络的时间序列预测模型
[7]
。通过将非单点模糊系统引入正
则神经网络结构来建立模型,使新的时间序列预测模型的抗
干扰能力明显增强,并且具有收敛速度快,全局搜索能力强
的特点。另外,俄国著名数学家马尔科夫提出马尔科夫过程
MC(Markov Chain),成为随机过程中的现代概率论的一个重
要分支,广泛的应用于通信、控制、社会科学等科学技术领
域,并且在备件需求预测中显示出十分重要的作用。其中徐
廷学等提出了马尔可夫与蒙特卡罗仿真的预测模型
[8]
。四是
电子设计工程
第
11
期第
22
卷
Vol.
22
No.
11
Electronic Design Engineering
Jun.
2014
2014 年6月