基于器材分类的维修器材消耗组合预测方法研究

2023-06-12刘铁林赵建新张连武王晓磊

指挥控制与仿真 2023年3期

梁辉,刘铁林,赵建新,张连武,王晓磊

(1. 陆军工程大学石家庄校区,河北石家庄 050003;2. 陆军研究院特种装备研究所,河北石家庄 050003)

随着装备建设不断发展,装备保障活动主体客体、内容环境、方法手段等均发生了深刻变化,装备保障力生成必须以消耗为牵引[1]。维修器材消耗预测是维修器材筹措工作的重要组成部分,文献[2]分析了美军装备备件的消耗预测应用现状和改进计划,提出了我军应重点加强装备备件分类管理方法和消耗预测方法研究。装备使用、维修单位的反馈信息表明,装备使用单位最为难的问题是所配属的装备损坏后得不到及时维修;装备维修单位最棘手的问题是装备维修活动中需要的器材“所需非所筹,所供非所需”,能否科学准确地预测维修器材消耗量,已经成为装备维修器材筹措工作的关键一环。消耗预测研究通常采用单一预测模型,适用范围较窄,对整装修器材消耗预测的精准性不高,可操作性和实用性不强,目前为止难以甚至无法找到某一种能比较准确地描述所有维修器材消耗规律的预测方法。本文综合考虑装备维修器材稳定性消耗特征、消耗的间隔时间和频率,开展定量分析,提出基于器材分类的组合预测方法,开展装备维修器材消耗预测。组合预测方法融合了指数平滑方法、Croston方法、TSB方法等的优势,分别对消耗稳定和消耗不稳定的器材进行预测,避免了单一预测模型的局限性,具有广泛的适用性,较好地提高了维修器材消耗预测的精度。

1 基于消耗稳定性的维修器材分类

在装备维修器材保障领域,国内外研究大多根据维修器材的发生数量和频率,把维修器材区分为常用器材和不常用器材,常用维修器材消耗的数量比较大,消耗的频率比较高,消耗具有稳定性;不常用维修器材消耗的数量比较小,消耗的频率比较低,消耗具有不稳定性[3]。

本文选定某典型装备为研究对象,通过把维修器材的消耗数据与消耗数据相结合,消耗数据与短缺数据相结合,中修与小修维修器材数据相结合,不同地区的同种装备维修器材进行统一研究。梳理采集的数据信息,遴选有研究价值的代表性维修器材,确定必换件、易损易耗件和一般消耗件作为研究重点[4]。

必换件是装备在中修过程中必须全部予以更换的维修器材,以中修过程中分解的密封件和紧塞件等、使用寿命与中修周期相近或大于中修周期但达不到大修周期的金属件为主,在一种装备上确定为必换件的共用器材在其他装备上原则上也应确定为必换件。易损易耗件是装备修理、维护经常消耗的维修器材,是平时保障工作的重点。为提高保障的时效性,一般对此部分器材和中修必换件采取成套供应,以满足维修保障的主要消耗。一般消耗件有一定消耗,但消耗量不大,具有消耗间断性强和消耗不稳定等特点,此部分维修器材重点在于预测消耗的准确性。

2 基于器材分类的消耗组合预测方法

国内外学者提出、使用了诸多用于维修器材消耗的预测方法,如指数平滑法、森林回归、支持向量机法等[7-14],对维修器材消耗确定进行了研究,有的方法比较简单,考虑因素单一;有的建立的模型比较复杂,计算量很大,对装备使用单位和人员的实用性不强。组合预测方法根据不同器材的消耗特性采用不同的预测方法,对成套装备的维修器材采用多种不同的预测方法开展消耗预测。首先对经过预处理的维修器材消耗数据进行分类,可分为稳定性消耗器材和间断性消耗器材;然后在不同参数下,分别应用不同预测方法对各类维修器材的消耗量进行预测。

2.1 典型装备稳定性消耗维修器材的消耗预测

对于消耗间隔时间较短,消耗量保持相对稳定的装备维修器材,如反后坐装置的密封件等,历史数据表明,其平均消耗间隔ADI>1.25,对于此类维修器材,基于加权思想的指数平滑法能够较好预测其未来消耗量。当ADI<1.25时,可认为消耗量比较稳定,采用指数平滑法开展消耗预测。指数平滑法适合对数据稳定性强且历史数据多的器材,一次指数平滑法适合水平稳定,没有趋势和季节性的预测。通过跟踪数据变化,对最近消耗赋予较大权重,更好地反映消耗波动。该方法计算简单,只需少量历史数据和最小的数据存储要求;运行成本低,具自适应性,易于系统化和自动化。

2.2 典型装备不稳定消耗维修器材的消耗预测

(1)

(2)

(3)

(4)

(5)

SBA方法主要用于对不常用器材的消耗预测。尽管Croston方法能获得比滑动平均法和指数平滑法更好的预测效果,但它是一种正偏预测,即倾向于放大消耗。为解决这一问题,Syntetos和Boylan在Croston方法的基础上提出了一种改进预测方法,即SBA方法。SBA方法中,对非零消耗量和非零消耗平均间隔的预测都与Croston方法相同,只是将预测结果的计算公式修改为

(6)

2.3 结果验证

为验证分析预测的精度,引用预测精度判别方法,本文根据典型装备维修器材的消耗预测值不大,避免正负值相互抵消而影响预测精度的实际需要,采用平均绝对值偏差MAD来予以判断:

(7)

其中,n为历史数据的周期数,dt为t周期的实际消耗量,xt为周期t的预测消耗量。

2.3.1 组合预测方法预测精度验证

提取某型装备100种代表性维修器材一个基数装备的平均年消耗数据,以四年的消耗数据作为基础,运用组合预测方法,按照器材分类采用不同的预测方法,如图1所示。

图1 组合预测方法预测流程Fig.1 Combination forecasting method forecasting process

用组合预测方法预测第五年的消耗,与第五年实际消耗数据的比较可直观表示如图2。

结果显示,100种维修器材预测值与实际消耗值极其相近,平均预测偏差为4.88%,且94%的器材预测偏差小于10%,对于所有的易损易耗件和一般消耗件,上述两个数据则为4.91%和93.52%,所采用的组合预测方法能够反映维修器材的客观实际消耗,具有较高的消耗预测精度。

图2 100种维修器材预测值Fig.2 Predicted value of 100 kinds of maintenance materials

2.3.2 组合预测方法与单一预测方法预测比较

通过48组维修器材,验证组合预测方法与单一方法消耗预测的精度比较。

1)灰色预测方法

灰色预测就是要建立时轴上现在与未来的定量关系,通过此定量关系预测事物的发展,根据过去和现在已知的或非确定的信息,建立一个从过去引申到未来的GM模型,从而确定系统未来发展的变化趋势,为规划决策提供依据。它通过原始数据的处理和灰色模型的建立,发现、掌握系统发展规律,对系统的未来作出科学的定量预测,其中GM(1,1)是较为常用的数列预测模型,GM(1,1)模型的建立如下:

①建立维修器材消耗原始数据序列:

X0(t)={x0(1),x0(2),…,x0(n)}

(8)

②对原始数据序列X0(t)作1-AGO变换,得一阶累加维修器材消耗数据序列:

X1(t)={x1(1),x1(2),x1(3),…,x1(n)}

(9)

(10)

若原始数据序列X0(t)满足:

③求参数列:

(11)

④建立GM(1,1)模型:

(12)

⑤构建预测模型。将参数向量代入GM(1,1)模型,求解时间响应:

(13)

⑥建立还原模型:

(14)

⑦模型精度检验。求出预测值后,还要对预测模型的精度进行检验,预测模型精度由方差比C和小误差概率P控制,其计算公式为:

(15)

(16)

其中:

式中,S1为原始数据序列的均方差,S2为残差的均方差。C和P的精度等级按表1来判断,取P和C所确定等级的大者为模型精度等级。

表1 模型精度等级

2)移动平均法

移动平均法是对时间序列的各期数据进行逐项移动,依次重叠,求出包含一定项数的时序平均数,并形成一个时序平均数的时间序列,以此进行预测的一种方法,是常用的预测方法之一。

(17)

式中:n为移动平均期数,n取值越大,平滑作用就越强。移动平均法可以消除由于偶然因素引起的不规则变动,同时保留了原时间序列的波动规律。显然,简单的移动平均法只适合于水平样式的数据,如果历史数据中存在明显的上升或下降趋势,那么这种方法是不适用的。

3)指数平滑法

指数平滑法是当前产生平滑时间序列的一种比较流行的方法,也是画拟合曲线的一种方法,同时还可以对将来进行预测。实际上它是一种特殊的加权移动平均法,其特点:对离预测期最近的观察值,给予最大的权数,而对离预测期渐远的观察值给予递减的权数;对较早期的观察值不是一概不予考虑,而是给予递减的权数,这样按照“近大远小”的原则,赋予观测值不同的权重,既充分利用了以前各期观测值的信息,又突出了近期数据的影响,能够及时跟踪反映维修器材消耗量的最新变化。在移动平均法中,对每个数据赋予相同的权重,而指数平滑可以根据参数对数据赋予不同的权重,这样可获得更好的拟合曲线和预测结果。