城轨车辆维保备件的库存控制研究.doc

分类号 密级 UDC注1 硕 士 学 位 论 文城轨车辆维保备件的库存控制研究（题名和副题名）（作者姓名）指导教师姓名 学 位 类 别 工学硕士 学 科 名 称 控制理论与控制工程 研 究 方 向 论文提交时间 注1：注明国际十进分类法UDC的类号。 声 明本学位论文是我在导师的指导下取得的研究成果，尽我所知，在本学位论文中，除了加以标注和致谢的部分外，不包含其他人已经发表或公布过的研究成果，也不包含我为获得任何教育机构的学位或学历而使用过的材料。与我一同工作的同事对本学位论文做出的贡献均已在论文中作了明确的说明。研究生签名： 年 月 日 学位论文使用授权声明南京理工大学有权保存本学位论文的电子和纸质文档，可以借阅或上网公布本学位论文的部分或全部内容，可以向有关部门或机构送交并授权其保存、借阅或上网公布本学位论文的部分或全部内容。对于保密论文，按保密的有关规定和程序处理。研究生签名： 年 月 日 硕士学位论文 城轨车辆维保备件库存控制研究摘 要城轨车辆维保备件的库存管理影响到列车运行的可靠性及故障维修的及时性，而由于维保备件存在种类多、数量大、价格高等特点，使得其库存占用了大量资源而影响企业进一步发展。鉴于此，本文分别针对城轨车辆维保中的不可维修备件和可维修备件展开研究，建立库存控制模型，在保证库存服务水平的同时降低维保备件的库存成本。首先，介绍了备件库存管理的基本概念，然后结合城轨车辆的维保备件分别介绍了备件的需求预测、备件分类、库存控制策略和可维修备件库存管理的研究内容、方法及国内外研究现状。其次，研究了城轨车辆不可维修备件的需求预测。介绍了组合预测的概念，然后针对城轨车辆不可维修备件的特点，选择支持向量机和神经网络两种预测方法作为两种单项预测方法，分别根据备件的历史消耗数据和主要影响因素预测备件消耗量；最后建立基于神经网络的非线性组合预测模型，并通过实例验证组合预测模型的精确度。再次，研究了城轨车辆不可维修备件的分类方法和库存控制策略。介绍了基于AHP的备件分类的方法，并针对筛选出的典型维保备件进行分类；根据分类结果建立基于支持向量机的备件分类模型，用来对其余备件分类；分别针对不同类别备件的特点选择库存控制策略，并结合备件的需求预测结果建立库存控制模型。最后，研究了城轨车辆可维修备件的特点及维修体系结构，在METRIC模型的基础上建立城轨车辆可维修备件的两级库存分配模型，并用仿真实例验证模型的实用性。关键字：库存控制，备件管理，城市轨道交通，需求预测，METRIC模型IIIAbstract目 录摘 要IAbstractII1 绪论11.1 研究背景11.2 选题目的意义21.3 国内外研究现状31.4 研究内容及结构42 备件库存管理的理论介绍72.1 备件的需求预测72.2 备件的分类82.3 库存控制策略92.4 可维修备件的库存管理112.5 城轨车辆维保备件的库存管理122.6 小结133 城轨车辆不可维修备件的需求预测143.1 组合预测143.2 基于支持向量机的维保备件需求预测153.2.1 支持向量机回归理论153.2.2 基于支持向量机的时间序列需求预测183.2.3实例验证203.3 基于神经网络的维保备件需求预测223.3.1 基于神经网络回归分析法的需求预测223.3.2 实例验证243.4 维保备件的组合预测模型263.4.1组合模型263.4.2备件组合预测模型的评价指标体系293.4.3组合预测模型在城轨车辆备件预测中的应用293.5 小结324 城轨车辆不可维修备件的分类及库存控制策略研究334.1 基于AHP的城轨车辆维保备件分类334.1.1支持AHP的ABC分类法介绍334.1.2支持AHP的ABC分类法的城轨车辆维保备件分类344.2 基于支持向量机的城轨车辆备件ABC分类374.2.1基于支持向量机的分类374.2.2维保备件属性选择及预处理介绍394.2.3基于支持向量机的多分类编码方式404.2.4支持向量机分类的核参数选择424.2.5基于SVM的列车维保备件ABC分类444.3 城轨车辆不可维修备件库存控制策略474.3.1城轨车辆A类备件库存控制策略474.3.2城轨车辆B类备件库存控制策略514.3.3城轨车辆C类备件库存控制策略554.4 小结575 城轨车辆可维修备件的库存管理585.1 城轨车辆可维修备件的特点及检修体系分析585.2 基于METRIC的城轨车辆可维修备件两级库存管理模型595.2.1 模型描述595.2.2 模型假设及参数定义605.2.3 基层维修中心备件更换次数615.2.4 基地维修中心备件的短缺量计算625.2.5 基层级维修中心可维修备件的短缺量计算625.2.6 可维修备件库存模型建立645.2.7维修备件库存方案优化655.3 模型仿真验证675.4 小结716 结论与展望726.1 全文总结726.2 研究展望72致 谢74参考文献75附 录79硕士学位论文 城轨车辆维保备件库存控制研究1 绪论1.1 研究背景进入二十一世纪，针对现代城市面积不断扩大、交通压力不断增加的现状，我国各大城市纷纷加快了公共交通的建设与发展。城市轨道交通作为一种大运量、快速度、高效能、低碳环保的绿色公共交通运输方式，符合我国可持续发展的战略要求，成为各大城市改善交通问题的首选。截止到2013年末，全国共有19座城市开通了城市轨道交通运营服务，而运营总里程达到2540公里，其中地铁总里程达2074公里，占81.7%，如表1.1所示。表1.1 2013年全国城市轨道交通线路运营里程统计表序 号城市运营里程运营线路(条)制式及运营里程（公里）2013年新增里程（公里）2012年末运营里程（公里）地铁轻轨 单轨有轨电车磁浮交通市域快轨1北京46517465234422上海57716538.4929.999.3477.93天津139578.652.37.91.71374重庆170494.675.338.8131.15广州2469246.424.5221.86深圳1785178.3178.37武汉73344.228.516.556.28南京82381.681.69沈阳115655.16065.349.810长春48248.348.311大连87463.223.486.612成都115348.2678.739.513西安46245.925.320.614哈尔滨17117.517.5015苏州51251.326.125.216郑州26126.226.2017昆明40240.122.11818杭州4814804819佛山15114.8014.8合计25398720741927510030673952077随着城市轨道交通的迅速发展，以及市民对其认可程度的提高，越来越多的人选择城市轨道交通作为主要出行方式，截止到2013年四月份，全国日均客运量已超过2700万人次。大客流给城市轨道交通的运营安全带来了严峻的挑战，为此各个城市轨道交通的运营商纷纷加强城轨车辆的维修保养作业，以实现将安全隐患提前排除。城轨车辆的维保是指通过合理分配使用人力、物资、技术等资源，以确保对车辆的设备或者其中某些部分进行维修、保养、更换调整等，使其能够在规定的状况下运行。日常的维修保养是保障城轨车辆安全运行的重要手段，而维保备件的资源配置则是保障维修工作高效、可靠实施的重要保障，采用科学合理的备件资源配置方法可以不断提升城轨车辆维保的服务水平，并为保证城轨车辆的安全运行打下坚实的基础1。1.2 选题目的意义设备在运营期间，由于自身的磨损腐蚀、检修损坏或者设计寿命所限等原因，必然会出现各种问题，而为了恢复设备的正常工作状态，我们需要使用修复好的或全新的零部件来更换故障件，这些修复好的或全新的零部件通常被称作配件。由于部分配件的生产制作或采购的周期较长，因此为了缩短设备修理停歇时间，企业往往会提前在仓库中储备一定数量的配件，这些配件统一称作备品配件，简称为备件，而所存储的备件即是备件库存。备件管理是指对备件的采购、储备、分配使用等环节进行决策、组织、核算的过程，是企业生产运作过程中的重要环节，与运行管理和检修管理并称为设备管理的三大支柱。备件库存优化则是通过采用合理的备件管理手段，在经济合理和不降低库存服务水平等前提条件下，优化备件的配置，降低总的库存量节约库存成本。从实际效果上看，备件是保障当前设备能够正常运行和生产连续性的不可或缺的资源，尤其是对于城轨车辆这类自动化程度很高的设备。城轨车辆构造复杂、零部件种类繁多，不同的零部件发生故障带来的损失也有巨大的差异性，严重时会使得车辆被迫停库维修，如果此时缺乏相应的更换备件而使得停库时间延长，会造成严重的经济损失。因此城市轨道交通的经营商往往会储备大量的维保备件，以防备件缺货现象的发生。然而由于城轨车辆备件的需求量大、种类多、价格高，因此往往占用企业大量的流动资金，而这些备件只是用于保障城轨车辆的正常运行，而无法创造新的经济价值，因此备件储备量越多，对公司造成的企业损失越大。上述原因导致企业对待城轨车辆维保备件的库存的心理一直十分矛盾，一方面备件库存是保障，必须拥有；另一方面又是企业的负担和发展的阻碍，必须尽可能摆脱3。目前大多数地铁公司在维保备件的库存管理方面很不成熟，存在备件库存总量庞大、死库存过多、占用大量企业资金等问题，迫切需要一个合理实用的库存优化模型来进行解决。因此，采用合理高效的库存管理方法，优化当前维保备件的库存量和库存分配对于城市轨道交通的发展具有长远的意义。1.3 国内外研究现状目前国内外针对备件库存管理已经做了很多研究，根据备件的维修性可分为不可维修备件库存控制和可维修备件的库存控制两个方向。其中不可维修备件库存控制主要从以下四个部分开展研究：备件分类、需求预测、库存管理模式和库存控制策略；可维修备件的库存控制主要从维修体系结构和备件库存初始配置两个部分展开深入的研究。关于备件的分类，最早源于美国通用公司提出的ABC分类法，由于该方法简单易操作，在国内外已经得到了广泛应用。然而由于ABC分类法的存在一定的局限性，比如过于重视备件价格等，国内外学者们又对这种方法做了很多改进。Ramanathan提出一个使用DEA模型进行评价判定的多个标准的加权线性优化模型ABC库存分类方法，然而他的模型可能会导致价值高的备件不能被恰当的分配为A类备件。Zhou&Fan通过获得确定评价标准的最高分数和最低分数，解决了Ramanathan提出的模型的问题。此外Ng提出了MC-ABC库存分类法的加权线性模型，这个模型不仅简单，而且容易理解，它通过适当的变换，不需要使用线性优化模型即可以得到评价的分数。Vencheh提出了一个简单的非线性规划模型，可用来确定所有通用评价指标的权重。国内对备件分类也有很多的研究。金锡万和应竞文利用备件通用性和专用性进行划分，采用备件的单价、采购提前期、影响度、使用总数以及寿命作为分类指标，计算各个指标的权重，同时将每类备件划分不同的小类，计算每个小类综合得分，以此划分ABC类别。赵振峰等通过对不同消耗速率备件特性的研究，提出备件两阶段的ABC分类模型，根据备件消耗特性的不同选择适用的分类标准。黄旭东等提出将客户服务水平加入备件分类标准中，解决当前的ABC分类法过多关注成本而忽视服务质量的问题。对于需求预测的研究，由于备件的特殊性，使得其需求预测往往比其他类型的储存物资的需求预测更加困难。目前国内学者对备件需求预测的研究较少，而且还在将其视为普通存储物资来用进行预测，如采用移动平均法、ES、线性回归或非线性回归模型等，或是简单的认为备件需求符合某一特定分布(如正态分布、Poisson分布或Gamma分布等)来进行预测。国外的学者对于备件的需求预测研究起步较早，目前已有一些针对备件特殊性的需求预测方法，常见的有Bootstrap、Croston法等，研究结果表明，这些方法对于使用历史数据短缺及需求不稳定备件的库存预测的效果远好于前面提到的方法。近年来，研究人员将越来越多的方法引入到需求预测中来。张瑞等采用EEMD-SVM的方法针对不稳定需求的备件预测展开研究，通过引入经验模态分解方法，将数据量变化剧烈的不稳定需求时间序列分解成多个相对稳定的需求序列，然后使用SVM进一步处理，实验结果显示预测效果较好。陈童等将Phase-Type分布和马尔可夫到达过程(MAP)引入到备件需求和库存模型中，增强了预测模型的描述能力和解析处理能力。对于库存控制策略的研究起步相对较晚。1990年，Stephen C提出了单目标的库存模型，他分析了备件的库存供应形式，并确定了哪些因素应该被首先考虑应用到库存控制中；同时分析了周期性库存模型与零交货时间的顺序，并且提出了相关的策略。Sreekumar Bhaskaran证明了在缺货条件下的上述模型的优越性，并且证明了关键因素的影响随着库存时间的增加而减小。Li Chen通过对两种不同需求的分析，独立计算得到了相同的结果。Felix Papier通过对动态决策影响因素的分析，提出了(s, S)库存策略。Frank等通过对多目标库存需求的分析，提出了周期库存管理模型。他们在一个连续的库存模型中考虑多个层次需求，分析了(Q, r)库存模型的泊松需求、稳定的交货时间，并提出了一个关键的方法。Deshpande在连续检查的(Q, r)库存策略中，认为两种模式的需求在订货延滞期与缺货成本方面都与泊松分布的备件需求条件不同，提出了(Q, r, k)，通过定义阈值k用来解决库存模型不全面的问题。目前，对库存管理模式研究在国内外都已得到了较多的研究成果，而且随着供应链网络的不断发展，库存管理模式也得到创新和提高。美国著名的管理咨询公司Gartner Group 在1990年提出企业资源计划(ERP)模型，实现对整个供应链资源的有效管理。由于供应链中竞争的存在导致“长鞭效应”，为了解决这一问题，很多企业通过信息交换，重新整个供应链资源，产生了供应商库存管理模式(VMI)。VMI模式通过加强企业间的合作，达到降低成本同时抑制“长鞭效应”的目的。此外随着行业的发展和学者们研究的不断深入，陆续产生了联合库存管理模式JMI、协同式供应链库存管理模式CPFR等。自从1967年Sherbrooke提出METRIC模型之后，可维修备件的库存管理研究得到迅速发展。Yoon K B等1-191-20将METRIC模型应用到军事贵重装备的库存管理之中，建立相应的备件维修供应的两级库存分配模型；李勇等1-41 1-42研究了备件需求随时间变化条件下的备件库存分配问题，建立了装备备件的两级时变可用度评估模型；孙江生等1-43针对武器贵重备件需求率低、价格高的特点，建立了备件分配的三级库存模型。目前维修备件库存控制的研究趋向于真实复杂环境条件下，维修件的库存分配问题研究。Paterson C等1-45 1-46 1-47 1-48研究了当维修点存在横向交叉供应时的多级库存分配问题；Nenes G等1-49研究了在备件需求分布不规律情况下，维修件的库存分配问题；而De Smidt-Destombes K S等1-50针对具有冗余备份系统的备件多级库存分配问题展开研究。1.4 研究内容及结构本文的研究方案如图1.1所示：图1.1 论文研究方案本文首先根据备件能否通过维修恢复正常使用将备件分为：可维修备件和不可维修备件，分别设计库存管理模型实现维保备件库存的最优控制。本文的主要研究内容安排如下：第1章，绪论。介绍了本文的研究背景和意义，阐述备件库存管理的国内外研究现状，最后简述本文的研究内容和结构框架。第2章，备件库存管理的理论介绍。介绍了备件库存管理中的基本理论知识，并以城轨车辆维保备件为例介绍了备件的需求预测、备件分类、控制策略等方面的内容，以及可维修备件的库存管理形式。第3章，城轨车辆不可维修备件的需求预测。针对城轨车辆维保备件，设计备件需求的组合预测模型；首先利用备件消耗的历史数据设计基于支持向量机的备件需求预测模型；然后利用备件消耗的主要影响因素设计基于神经网络的需求预测模型；最后采用非线性组合模型将两种单项需求预测模型进行组合，设计城轨车辆维保备件的组合预测模型。第4章，城轨车辆不可维修备件的分类及库存控制策略。首先研究利用基于AHP的备件ABC分类模型对城轨车辆典型备件进行分类，然后根据分类结果设计基于支持向量机的维保备件分类模型，最后针对不同类型的备件分别设计库存控制策略。第5章，城轨车辆可维修备件的库存管理模型。首先分析城轨车辆的维修体系结构，然后基于METRIC理论设计维保备件的两级库存管理模型，给出各级维修中心中可维修备件初始配置的详细计算过程。第6章，结论。对本文的主要研究工作、创新点和成果进行总结，并分析研究内容中的不足之处，展望后期工作侧重点和研究方向。81硕士学位论文 城轨车辆维保备件库存控制研究2 备件库存管理的理论介绍城轨车辆的维保备件与其他种类的储备物资相比具有一定的特点：维保备件的种类繁多，且不同种类各方面的属性差异很大；备件的历史使用数据较少，对其寿命等认知不够完善；备件发生缺货的影响很严重，使得对备件库存的服务水平要求很高；部分备件的维修有很高的专业性和硬件设备要求等。针对城轨车辆备件的特点，本文从以下几个方面对城轨车辆维保备件的库存管理展开研究：备件的需求预测、备件的分类、备件的库存控制策略及可维修备件的库存管理。 2.1 备件的需求预测备件储备的目的就是为了在设备出现故障时能够及时的得到换件修复，因此若能提前预知某段时间内备件的消耗量，从而在适当时间订购合适数量的备件，无疑会大大降低备件的库存成本，同时而不影响备件的服务水平，因此备件的需求预测往往是备件管理的重点。但实际中，很多企业的备件需求预测往往是备件库存管理中最困难之处，下面以广州地铁维保备件为例加以说明。维保备件的需求预测是城轨车辆备件库存管理中的重点。城轨车辆运行过程中对设备的安全可靠性要求极高，当检测到设备存在问题时必须及时进行更换或维修。而若库存中维保备件存储不足发生部分重要备件缺货情况，严重时会导致列车停运待修，尤其是这些备件通常采购周期很长，造成的损失不言而喻。为防止维保备件缺货现象的发生，当前城轨车辆备件仓库采用的管理方法是先统计历年的备件实际消耗量，然后在平均消耗量的基础上增加三分之一的预留量作为下一年度的备件消耗的估计值。从实际效果来看，采用这一种方法可以有效减免城轨车辆备件的缺货发生率，但同样造成仓库备件堆积现场严重以及大量资金花费在备件存储上。因此当前城轨车辆维保备件的库存管理迫切需要有效的备件需求预测方法，使得在满足备件实际使用需求的同时降低备件存储量，节约库存管理成本。对城轨车辆维保备件进行准确的需求预测存在很大的困难，主要原因包括以下几个方面：(1)城轨车辆发展较晚，绝大多数备件需求历史数据较少；(2)备件使用量受到诸多因素干扰，比如运营期间城轨车辆数量的变动、车辆大修作业等；(3)部分备件需求随机性很强，它们的使用大多是离散的，即在很多时间段里不发生库存消耗，很难判断备件什么时候需要维修更换；(4)维保备件的需求量与城轨车辆的使用和老化之间会有一定的自相关性。由于备件需求预测的重要性，国内外学者们对备件需求预测作了很多研究，总体上可以分为以下几类：时间序列预测方法，回归分析法和组合预测方法等。时间序列预测方法是根据备件历史消耗数据分析规律，然后根据过去一段时间备件的消耗量计算未来某一段时间内的可能需求，形式如下：，其中表示第时期的预测消耗量。时间序列预测方法只需要库存管理人员按时间段统计历史消耗量，然后依照模型即可实现预测，应用较为普遍，目前也有很多比较好的方法如：指数平滑（ES）、指数加权移动平均(EWMA)、Croston法、Bootstrap法、拟合分布等等。该方法对于应用对象的要求比较高，往往要求备件外部环境稳定且需求量具有较平缓的变化趋势，当外界环境发生很大变化等干扰时，预测结果会发生很大偏差。备件需求预测回归分析法是基于数理统计的预测方法，它是通过寻找备件需求量与影响需求量变化的自变量直接线性或非线性直接的关系，建立备件需求的函数模型，主要包括神经网络预测方法、支持向量机预测法等等。该方法可以通过追踪外部环境的变化以调试预测结果，实时性较好，但需要分析大量数据以找出统计规律，此外通过回归分析得到的预测模型往往只能考虑部分主要的影响因素，而舍弃更多的次要因素，影响了需求预测的准确度。组合预测方法是一种较为新兴的预测方法，它是通过把不同的预测模型组合起来，根据各个单项预测方法所计算的结果，选取适当的加权平均或其他函数形式进行组合，得到最终的组合预测模型。最近十几年来国内外学者非常重视组合预测方法的研究，并取得了一系列研究成果，其中包括最小方差方法，无约束最小二乘方法，递归组合预测方法以及基于不同准则和范式的组合预测方法等等。2.2 备件的分类由于现代的设备日渐趋向于自动化，设备的组成越来越复杂，使得当前企业所需要存储的备件种类和数量越来越庞大。尤其是对于城轨车辆这类资产密集型企业，维修保养过程中所需要的备件种类繁多，据不完全统计，某地铁公司维保备件种类总数达到11000种以上，其中维修工具、一般建材等辅助类备件总数约为3500种，其余的专用备件和通用备件数约为7500种。一方面备件的种类庞大，而各类备件的价值、重要性、采购周期等指标各不相同；另一方面，企业对备件管理投入的成本有限，管理人员的精力时间等也有限制，为了实现对所有备件的有效管理，目前所采用的方法为将所有备件按照重要性、价值量、采购周期等指标进行分类，然后对不同类别的备件选择最为适应的库存控制策略。目前在备件库存分类方面最常用的是ABC分类法，它是由意大利科学家帕累托首次提出的。库存ABC分类法的主要原理是只占存货一些部分的库存，通常占有全部库存中总价值的很大一部分，该方法将库存管理的对象分为三类：最重要备件A类备件；较为重要的备件B类备件；一般备件C类备件。常规的备件ABC分类法根据备件的单价和年使用量这两种备件的重要属性进行分类，通过单价与年使用量的乘积得到备件年占用资金量，然后对所有备件按照该参数进行降序排序，取前10%作为A类备件，而中间的10%-40%作为B类备件，最后的60%作为C类备件。这种划分方法简单有效，且不会受到管理人员的主观因素干扰，备件分类稳定。常规的ABC分类法由于分类简单高效而受到广泛应用，但由于其单纯从备件占用资金的角度出发区分备件的重要程度，所区分出的重要备件无法全面反映维保备件的实际情况。基于常规ABC分类法的不足，研究者们将更多的备件属性，如备件缺货成本、采购周期、备件重要程度、稀缺性等加入备件分类的标准之中，提出了多种改进的ABC分类法，如多准则ABC分类法等。相比较常规的ABC分类法，基于多准则ABC分类法更加合理，但也存在一定的不足，比如单靠管理人员进行备件分类，分类结果往往会受到库存管理人员的经验或主观判断力的影响，分类结果往往客观性不强。此外，很多学者将层次分析法(AHP)引入到备件的分类之中。基于AHP的备件ABC分类能够综合分析备件多种相关的定性和定量的属性，对备件的分类更具有实际意义，但是采用基于AHP的备件ABC分类过程中，设定各属性的权重必然会引入过多的主观因素，使得该分类结果同样客观性不强，此外当备件种类或数量发生变化时，所有备件需要进行重新分类，工作量巨大。机器学习作为一种有效的数据分析技术，被很多库存研究人员引入到备件分类中来。常见的机器学习分类算法包括决策树学习算法、关联规则学习算法、人工神经网络以及支持向量机分类算法等等。其中基于支持向量机的机器学习算法采用人工智能技术，能够有效模拟决策者的决策效应函数，此外它能够检测分析非线性关系以及各个预测变量之间的关系，可以取得良好的分类效果，得到广泛应用。2.3 库存控制策略备件库存控制是指在备件库存理论的指导下，在经济合理及某些特定要求的前提下(如备件不允许缺货、达到一定的备件库存服务水平等)，确定备件的需求量、安全库存水平、订货批量等参数值。简单的说，备件库存管理就是管理人员确定什么时候补充订购备件，及备件订购的数量以及如何订购备件等。主要的备件库存控制策略有：(1) (R, S)库存控制策略(R, S)库存策略属于连续性检查库存策略，如图2.1所示，其中的R为订货点，当备件实际库存量低于该值时，需要发出订货；S值表示系统所能承受的最大库存量，当备件需要发出订货时，该值与当前库存量的差值即为订货量；Lt为备件的补货周期，即从发出订货至备件到达仓库所需时间。图2.1 (R, S)库存控制策略(2) (R, Q)库存控制策略(R, Q)备件库存策略同样属于连续性检查库存策略，如图2.2所示，其中的R值为订货点，当备件实际库存量低于该值时，备件需要再次订货，订货量为经济订货批量Q。其中的经济订货批量(Economic Order Quantity，EOQ)，是根据订货成本、备件存储成本、缺货成本等综合最小的原则提出的，每个备件的Q值固定，即每次的备件订货量固定。图2.2 (R, Q)库存控制策略经济订货批量EOQ是指通过在采购进货成本和库存存储成本之间寻求平衡，使得总库存成本达到最低时的最佳订货量。假设某备件的需求率固定，年均需求量为；备件的订货提前期已知；备件的存储成本与备件的价格之间为线性关系，即存储成本；每次的采购成本固定用表示。则备件每年总的消耗成本(2.1)利用微分求极值的方法，令(2.2)即可得到经济订货量为(2.3) (3) (t, S)库存控制策略(t, S)库存控制策略属于周期性检查库存策略，其中t表示备件库存检查周期，S表示系统所能承受的最大库存量。库存管理人员以t为周期对备件库存量进行检查，当检测到库存量低于订货点水平时，即刻发出订货，订货批量为最大库存量S与当前备件库存量的差值。图2.3 (t, S)库存控制策略(4) (t, R, S)库存控制策略本库存策略是(t, S)与(R, S)两种库存控制策略的结合，如图2.4所示，其中t为备件库存检查周期，S为最大库存量，R为订货点水平。库存管理人员以t值为周期对备件库存量进检查备件库存量，当库存量低于订货点水平时，即刻发出订货，订货批量为最大库存量S与当前备件库存量的差值；若在检查时间点库存量高于订货点水平，则不作任何处理等待下一检查周期。图2.4 (t, R, S)库存控制策略2.4 可维修备件的库存管理相对于一般备件，可维修备件具有以下特点：发生故障后经过一定时间的修复有一定概率能够重新利用；可维修备件的损毁的概率低，因此重新采购的间隔周期长；可维修备件往往价值很大，存储成本高，因此对它的库存管理往往与不可维修备件区分开。可维修备件库存管理的重点是根据备件维修供应体系和备件维修时间、总量等参数，确定维修备件的初始配置。目前国内外对可维修备件库存管理的研究多数是基于METRIC(Multi-Echelon Technique for Recoverable Item Control)模型展开的。METRIC模型是由Sherbrooke所建立的一种维修备件库存分配模型，最初被用于武器装备的不可维修备件库存管理中，现在已经广泛应用于其他的可维修备件库存优化之中。METRIC库存优化模型通过计算不同费用下，各个维修基地的最优维修备件配置，生成备件可用度与库存费用的曲线，而库存管理人员根据该曲线与备件仓库的资源现状进行决策。METRIC模型假设：(1) 备件维修组织结构分为两级：基层级和基地级。备件的故障出现在基层级，若基层无法修理则将备件传送给基地进一步处理；(2) 基层维修组织之间不受影响，即不能横向交换备件；(3) 每个维修组织均采用(s-1, s)库存策略，每当缺少一个备件便提出补货申请；(4) 备件的需求相对稳定，不会出现剧烈跳变。模型首先判断备件的期望短缺数与备件供应渠道的关系，然后求解各个维修中心备件期望短缺数的分布；最后利用边际需求算法需求不同的费用下最佳备件库存配置，生产备件可用度-总费用曲线。其中供应渠道是指某个维修中心应该得到补充还没接收到的备件的数量；期望短缺数表示某个维修中心的备件需求超出其库存量的平均值。METRIC模型提出后受到库存研究者们的广泛关注，也提出了很多改进方法和扩展应用，相继提出了MOD-METRIC、DYNA-MERIC、VARI-MERIC等模型，这些模型现已广泛应用与军事领域及众多国际企业的备件供应链库存管理之中。2.5 城轨车辆维保备件的库存管理城轨车辆维保备件的库存管理对城市轨道交通的发展非常重要，本文以广州市地下铁道公司的城轨车辆维保备件为例进行研究，建立备件库存管理模型。下面对广州地铁的维保备件库存管理现状做相应介绍。广州地铁开通于1997年，是我国第四个开通并运营地铁的城市，截止到2013年12月，共有9条营运路线，总长达260公里。为了对车辆进行日常的维保检修，在每条线路上均建有车辆段，每个车辆段中设有备件二级存储仓库和检修中心。由于城轨车辆结构复杂，每个车辆段需要存储种类繁多的维保备件，根据在某个车辆段的调研结果，该车辆段常用的备件种类超过1800种，其中包括车辆备品备件、各种检修设备、仪器仪表、工器具等等。目前二级仓库对维保备件的库存管理较为简单，库存管理人员根据物资部门的要求制定采购计划，包括年度计划、季度计划、临时计划、紧急计划等；备件订购数量有物资部门根据历年消耗备件量简单计算确定，根据备件的预测需求量减去当前库存量和在途数量，最后加上安全库存量即为备件订购的数量，其中备件需求预测按照过去两年里同期备件消耗量的均值计算，安全库存量则是设定为备件年均消耗量的1/3；对采购回来的备件按照模块划分为返修件、劳保用品、供风及制动系统、车门系统、诊断系统等十余类，分类存放管理备件。通过实地调研及与仓库管理人员的讨论，目前广州地铁维保备件的库存管理中存在以下问题：（1）库存管理人员在备件的管理上没有重点，使得花费大量管理精力的同时得不到良好的效果；（2）备件需求计划的制定更多通过经验方法确定，预测精度较差，造成仓库中部分备件大量积压，同时又存在某些备件需要紧急订货的现象；（3）对于可维修备件缺乏系统科学的管理方法，依靠经验发出订货等处理，使得维修中心里堆积了大量修理好的备件。为了改善城轨车辆维保备件的管理现状，本文分别从不可维修备件和可维修备件展开研究，制定库存管理模型。针对不可维修备件，首先研究备件的需求预测方法和分类方法，然后对不同类别的备件，结合需求预测结果选择并制定备件的库存控制策略，实现对不可维修备件的科学高效管理；针对不可维修备件，建立两级库存管理模型，根据各个维修中心的负担和检修能力，合理配置可维修备件的初始库存量。2.6 小结本章主要对备件管理中的关键技术做了详细阐述，主要包括备件需求预测、备件分类、库存控制策略及可维修备件的库存管理等，为后面建立城轨车辆维保备件的库存控制系统研究奠定了理论基础，最后对广州地铁维保备件的管理现状进行分析，确定研究方案。硕士学位论文 城轨车辆维保备件库存控制研究3 城轨车辆不可维修备件的需求预测城轨车辆零部件繁多，在维修保养或者运行过程中会经常出现零部件损坏或即将损坏的现象，此时需要及时对这些零部件进行更换维修操作等，因此目前城市轨道交通行业往往通过设置备件仓库以满足设备配件的更换使用需求。对维保备件未来一段时间内需求分布的准确描述是构建维保备件库存控制模型的重要前提条件，而需求预测往往是得到备件需求数据的最重要的方法之一。当前备件需求预测的基本思路主要是根据同类型备件的历史需求数据，分析其变化趋势并提取出某些客观规律，最后利用这些规律来预测未来一段时间内的备件需求分布情况。然而这种预测方法在城轨车辆维保备件的需求预测方面往往并不完全适应。通过对广州地铁维修中心的实地调研发现，城轨车辆在维保过程中受某些外界条件因素影响很大，如维修中心列车数目的增减导致维保所需备件量的阶梯型变化，列车年检、架修等导致的某些时间点备件需求量骤增等等，同时这些影响因素往往是人为设定的且能够提前预知，因此在预测城轨车辆维保备件需求量时有必要将这些因素考虑进去。此外在维保备件在实际使用过程中还有诸多不可控因素的影响，这些因素同样会影响到备件的使用量，仅采用备件影响因素对需求量进行预测很难达到精确度要求。鉴于单纯的根据影响因素来预测未来某段时间内的备件需求情况的准确率较低，为此我们选择组合预测模型对城轨车辆维保备件的使用需求量进行预测，通过综合考虑备件影响因素及需求量的历史变化规律提高预测的精确度。3.1 组合预测不同的预测方法各有优缺点，它们之间并不是完全独立或相互排斥，而是存在部分联系，能够相互补充。由于每种预测方法利用的数据不尽相同，因此可以从多个不同的角度提取出对预测有用的价值。鉴于此，Bates. J. M.和Granger. C. W. J在1969年首次提出组合预测的概念，并进行了系统的研究。所谓组合预测就是将两种或两种以上的预测模型有机的进行组合，通过综合不同预测方法的信息数据等提高预测精度，下面介绍一下基本原理。设某一个预测问题在某段时间的实际值为，同时对该问题有种可行的预测方法，预测结果分别为；又设种预测方法的加权向量为，且满足归一化约束条件(3.1)其中。根据组合预测理论，组合预测模型可表示为(3.2)组合预测的概念提出后在国内外受到广泛关注。Bopp采用经济计量模型、时间序列方法和单方程回归模型以及三种方法的组合对汽油消费量进行预测，在此基础上比较了组合预测模型与单一预测模型、不同组合预测模型之间的效果，Bopp的研究结果表明，组合预测的效果要好于单项预测方法。目前有关组合的国内外文献基本上指的是源自不同模型预测结果间的组合，即把各个单项预测模型得到的结果赋予不同的权重系数，组合为一个单一的预测结果。近十几年来，组合预测已经成为国内预测领域研究的热点课题。文新辉等提出了一种广义的组合预测原理非线性组合预测方法，通过单项预测模型进行非线性组合，尽可能提高预测的精度，这种非线性组合预测方法特别适用于因受到多种不确定性因素的影响而很难建立确定预测模型的情况；陈友华等研究了多种确定组合预测模型确定权系数的方法；唐小我等研究了对变权组合预测方法进行了研究，并给出多种求解方法；韩冬梅等研究了组合预测模型中如何通过对单项预测模型的筛选，提高整体预测精度。组合预测模型的重点在于单项预测模型的筛选及组合函数及参数的选择。考虑到城轨车辆维保备件历史需求数据少的现状，本文采用基于支持向量机的时间序列预测方法作为一个单项预测算法，在统计备件历史使用数据的基础上建立回归预测模型；此外采用基于神经网络的预测模型作为另一个单项预测算法，根据影响备件使用量的主要因素建立预测模型；最后在这两种预测结果的基础上，采用神经网络模型进行非线性组合确定最终结果。3.2 基于支持向量机的维保备件需求预测3.2.1 支持向量机回归理论由于传统机器学习方法中普遍采用的经验风险最小化原则在样本数目有限时是不合理的，Vapnik和Cherconenkis提出一个新的原则：结构风险最小化原则。所谓的结构风险最小化原则就是在确保经验风险的同时，通过降低学习机器的VC维，折衷考虑经验风险和置信范围，使得学习机器在整个样本集上的期望风险得到控制。支持向量机中心思想就是把结构风险最小化应用到分类的领域之中，而支持向量机回归算法的中心思想是通过核函数将输入样本空间映射到高维特征空间中，然后在这个特征空间里求取最优分类面，从而得到输入与输出之间的非线性关系。SVM是一个凸二次优化问题，适合解决小样本、非线性等方面的问题。支持向量机的回归(SVR)可分为线性回归和非线性回归。对于线性回归问题，假设训练样本集为，属于，属于，则回归线性函数可变数为(3.3)而回归函数的求取可以转化为求解下列函数的最小值：(3.4)式中表示惩罚因子；,分别表示松弛变量的上下限。约束条件为：(3.5)为求解函数的最优化问题，我们引入Lagrange函数： (3.6) 式中。将Lagrange函数分别对求偏导，并令结果为0，即(3.7)由上式可得(3.8)进而可以得到优化问题的凸二次对偶形式：(3.9) 其约束条件为：(3.10)通过最优化计算可得到及的值，其中当和不同时为0时，对应的即为支持向量(SV)，其余的属于非支持向量(NSV)。对所有非支持向量分别计算值后求均值，即(3.11)式中N表示非支持向量NSV的个数。最终可得回归估计函数(3.12)对于非线性回归问题，首先通过非线性映射函数把样本空间映射到高维空间中，然后在高维空间里采用线性回归的方法进行分析。令非线性映射函数即核函数为，则非线性回归函数为(3.13)核函数的理念是：对于任意的核函数，只要它满足Mercer条件，那么就可以在特征空间中形成其内积。采用核方法的好处：特征空间的内积和输入空间的核函数是等价的，所以，在计算的过程中，我们不需要关注非线性映射的具体形式，只要选定恰当的核函数就可以了。核函数相对映射函数简单，而且映射函数的维数很高，因此引入核函数才能解决维数太大的问题。常见的核函数有：线性核函数：(3.14)多项式核函数：(3.15)径向基（RBF）核函数：(3.16)Sigmoid核函数：(3.17)3.2.2 基于支持向量机的时间序列需求预测根据Kolmogorov定理可知，时间序列可以看成是由某一种非线性机制来确定的输入输出系统，因此对城轨车辆维保备件的时间序列需求预测可以理解为根据备件消耗的历史数据寻找一种映射关系，用这种映射关系来逼近历史数据中隐含的非线性机制，这里的就可作为理想中的预测器。本文中预测器采用支持向量机回归预测模型，拓扑结构如图3.1所示，其中为嵌入维数，为标准支持向量个数。图3.1 支持向量机预测模型结构针对城轨车辆维保备件的支持向量机需求预测模型构造流程如下：(1) 选择合适的周期，统计维保备件的历史消耗数据，表示第期的历史使用量；(2) 根据库存管理人员的管理经验设定嵌入维数，然后对维保备件的历史数据进行相空间重组，构造支持向量机的输入和输出样本：(3.14)(3) 从样本中抽取2/3作为训练样本，剩下的1/3作为测试样本；(4) 选取适当的核函数及初始参数，使用训练样本训练支持向量机，通过调整参数是的预测精度达到要求；(5) 采用测试样本验证预测模型是否满足要求，若不满足则返回第三步；(6) 保存支持向量机预测模型。图3.2 支持向量机预测流程图模型中存在两个难点：嵌入维数的选取和核函数确定。解决方法如下：(1) 嵌入维数的选取。本文采用以最终预测误差准则()来计算预测误差，并根据最小误差值来确定最优的嵌入维数。其中如式