基于数据分析的航材分类研究

2020-08-12张扬方坤胡勇

科学技术创新 2020年24期

张扬方坤胡勇

（1、空军勤务学院研究生大队，江苏徐州221000 2、空军勤务学院航材四站系，江苏徐州221000）

1 概述

文献[1]将助航灯作为一种典型航材，对其消耗问题提出了一种改进的ABC分类管理法，将AHP 方法与SED-EA 结合，最后实例验证了合理的分类方法。文献[2] 根据备件层次归类分析法在群体备件层次分类分析过程中存在可能还会出现的重大偏差，提出了一种无需改进的可将群体备件层次归类分析与现代超级高效率备件dea 分类理论相有机结合的全新备件层次分类分析方法。本分析方法对国家决策者的主要决策行为权重分类进行了初步加强，通过对决策权重分类进行高度灰色化和关联性的分析，得出权重分类分析结果并用以验证权重分类的正确合理性。文献[3]介绍了在目前缺少所有航材灰色相关分类信息的实际情况下，运用航材灰色聚类分析的统计方法对所有航材种类进行灰色分类，该分析方法在目前航材灰色种类类别划分之间界限比较模糊的实际情况下进一步进行细分，建立起了航材灰色分类分析模型，最后通过实例中的分析结果验证了该分类方法的准确有效性。文献[4]根据航空公司面临的后勤保障问题，提出一种基于IGAHP 的航材分类方法，该方法对航材分类的关键性因素进行量化，用层次分析法对权重进行量化，降低个人的主观性影响，提高航材分类的准确率。文献[5]提出一种基于存储策略的三维备件分类方法，该方法通过ABC和XYZ分类方法评估备件的价值和可预测性，利用改进的层次分析法降低了传统AHP 方法的主观性影响，而后结合VED 分析对备件的关键程度进行多准则关键性分析，根据所得三方面的结果综合应用决策树理论制定合适存储策略，并通过实例加以分析阐释。文献[6]针对备件种类多、时效性强、影响分类因素复杂的现实问题，提出了基于改进的局部保持投影的备件分类方法。首先，根据战时备件分类储备的影响因素，作为备件分类的特征指标，然后对数据进行降维处理，再利用支持向量机（SVM）的分类器对低维数据进行分类，得到满足备件分类准确率最优时的降维维数和分类器参数。最后通过对演习装备备件分类的实例分析，验证了模型的可行性和合理性。文献[7]针对难以依据航材消耗数据进行分类的问题，建立基于消耗波动性聚类分析的分类模型。基于模型消耗材料序列图的波动性将二维航材模型转化而成为模型二维图，因该分类机型航材服役持续时间相对较短，航材分类样本采集数量较小，选用智能无人机监督航材分类分析算法聚类分析对机型航材进行分类。仿真测试结果显示了该层次分类划分相比聚类模型算法更加稳定高效，同时这也表明该算法模型已经能有效率地进行多种航材层次分类。文献[8]针对我国航材消耗种类繁多、规格复杂、消耗影响规律多样性而导致我国航材质量消耗影响研究较困难的几个问题，提出可以采用聚类分析计算方法根据最近历年我国航材质量消耗统计数据对大量历年航材消耗进行综合分类，用一种马歇尔氏测量距离方法进行综合度量，避免了一个单位的消耗影响。

文献[9]针对远海任务舰船备件器材的分类管理，通过运用支持向量机理论，充分发挥多尺度核在非线性分类中的优势，借助最小二乘原理，构建了多尺度最小二乘支持向量机学习模型。在实际运用中，通过选用高斯径向函数作为多尺度核函数，以训练样本数据分布的离散系数作为核函数宽度参数取值依据，采取ECOC 方法建立了多类分类模型，实例计算表明，该方法对远海任务舰船备件器材的分类是有效、可行的。文献[10]介绍了随着信息技术的发展，计算机存储的数据类型越来越多样化，导致传统的数据存储模式和信息处理技术，将会迎来革新和发展，计算机大数据技术是未来的发展趋势，在此格局下，就需要一种更简单、存储信息的容量更大的计算机技术，辅助大数据分析技术的发展，本文分析了云计算技术在计算机大数据分析中的运用，并且解决大数据应用环节中的主要问题，提升数据处理的敏锐性。

2 基于数据分析的分类方法

ABC分类方法因素比较单一，有一定技术局限性，文章采用多因素数据分析的分类方法，在航材分类的过程中用聚类分析的方法进行分析，包括数据选取处理，备件分类等。

2.1 因素分析和数据处理。本文主要选取了目前能够较完整地准确刻画这三种产品属性的5 个产品分类基本准则分别是重要性、价格、需求量、订货周期和修理周期，具体如下：（1）重要性：航材出现故障是否会影响整个系统，航材一旦出现缺货是否会影响飞行计划和飞行任务，将重要性划分为abc 三个等级，a=1，b=0.5，c=0.1 数值越高表示航材越重要。（2）航材价格：价格越高，航材越重要。（3）航材需求量：需求量越高，占用经费越高，航材就越重要。（4）航材订货周期：航材备件的订货周期影响飞机的修理进度，进而影响任务进度，订货周期越长，航材越重要。（5）修理周期：修理周期越短，也就是出现故障次数越多，航材越重要。

先对数据进行归一化处理。收益性数据与航材重要性成正相关关系，成本型数据与重要性成负相关关系。第一种为

2.2 K均值聚类分析。先随机给定初始聚类中心向量，根据所有备件与各个聚类中心的欧式距离将每个备件赋给最近的簇，使得每一分类等级的备件到其对应聚类中心的欧式距离和最短，如下式

然后将各等级到对应中心的距离之和最小，如下式

2.3 改进分类方法。在多因素航材分类过程和结果都或多或少存在不足，在进一步确定航材多因素分类结果是否准确用到了Kmeans 聚类方法来确定航材种类，最终得到航材分类方案，如下

步骤：在每一个因素下应用K－means 对航材进行分类，对应的距离公式分别为式（7），式（8）。

步骤2：初始方案调整

通过设定基于否决制的合理调整规则对初始[1]分类方案进行调整，得到最终分类方案。具体调整规则如下：①备件最终分类结果要在每个准则分类结果之间，如分类准则下的结果分别为C1，C2，则最终分类结果只能是C1 或C2，不能为C3。②如果存在一半及以上的关键准则下的分类结果为C3 类，则备件最终分类结果不能为C1类，可调整为C2 类；同理，存在一半及以上准则下的分类结果为C1类，则备件最终分类结果只能是C1 类或C2 类。