CN108205714A - 基于平均故障间隔时间的服务备件需求预测方法和装置 - Google Patents

基于平均故障间隔时间的服务备件需求预测方法和装置 Download PDF

Info

Publication number
CN108205714A
CN108205714A CN201611176518.6A CN201611176518A CN108205714A CN 108205714 A CN108205714 A CN 108205714A CN 201611176518 A CN201611176518 A CN 201611176518A CN 108205714 A CN108205714 A CN 108205714A
Authority
CN
China
Prior art keywords
service parts
time
service
month
age level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201611176518.6A
Other languages
English (en)
Inventor
刘晶晶
黄超群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Tianyuan Science and Creation Wind Power Technology Co Ltd
Original Assignee
Beijing Tianyuan Science and Creation Wind Power Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Tianyuan Science and Creation Wind Power Technology Co Ltd filed Critical Beijing Tianyuan Science and Creation Wind Power Technology Co Ltd
Priority to CN201611176518.6A priority Critical patent/CN108205714A/zh
Publication of CN108205714A publication Critical patent/CN108205714A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Game Theory and Decision Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种基于平均故障间隔时间MTBF的服务备件需求预测方法及装置。所述方法，包括以下步骤：整理服务备件的历史数据；根据整理的历史数据计算服务备件的MTBF；基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。本发明通过基于平均故障间隔时间MTBF的服务备件需求预测方法对服务备件需求进行预测，无需经过多次拟合、直接预测，提高了服务备件需求预测的准确率以及服务备件的服务水平，加快了服务备件周转。

Description

基于平均故障间隔时间的服务备件需求预测方法和装置
技术领域
本发明涉及供应链管理领域，具体地讲，涉及一种基于平均故障间隔时间(MTBF)的服务备件需求预测方法和装置。
背景技术
在供应链管理中，库存控制管理作为其中的核心模块，对企业的生产运营至关重要，不仅直接影响着企业的生产经营和营销活动，还会影响企业的财务管理与资金管理。而合理的库存控制策略，主要依赖于需要预测的准确性。精确的需求预测对于库存管理非常重要。目前现有的需求预测方法主要是运用时间序列进行预测，如指数平滑法、移动平均法、ARMA模型以及线性(非线性)回归模型等；或者机器学习算法，如神经网络、支持向量回归等。总体而言，上述方法主要是针对销售的需求预测。然而，实际上，风机的备件是服务备件，备件有其特定寿命分布，当备件失效时，才会产生需求，且其需求不会随着市场的波动而变化。因此，上述针对销售需求预测的时间序列预测不再适用。
目前，针对服务备件的预测方法主要是机器学习算法，即神经网络或者支持向量回归等算法。基于故障率的预测方法主要依赖于备件在不同生命周期的故障率，而故障率函数又要通过曲线拟合来确定参数，这种参数预测属于间接预测，多次拟合预测会降低预测的准确率。
发明内容
本发明提供了一种无需经过多次曲线拟合获得参数，数据直接准确地对服务备件需求进行预测的一种基于平均故障间隔时间(MTBF)的服务备件需求预测方法和装置，所述服务备件为不可修复备件。
本发明的一方面提供一种基于MTBF的服务备件需求预测方法，包括以下步骤：整理服务备件的历史数据；根据整理的历史数据计算服务备件的MTBF；基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。
根据本发明的另一方面，其中，所述服务备件的历史数据包括服务备件的历史消耗数据、历史工作时间数据以及单台配置数据。
另一方面，所述整理服务备件的历史数据的步骤包括：对服务备件的运行年龄进行分类以得到不同的运行年龄阶段的历史数据，其中，运行年龄＝服务备件失效时间-服务备件安装时间；确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi，其中，i指示运行年龄阶段的序号；计算各个运行年龄阶段的服务备件的运行台天Ni＝运行时间Ti*单台配置。
另一方面，所述确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi的步骤包括：确定服务备件自运行起每月所处的运行年龄阶段；将每月相同运行年龄阶段的服务备件的运行时间进行汇总以确定各个运行年龄阶段的服务备件的每月的运行时间；将相同运行年龄阶段的服务备件的每月运行时间汇总得到各个运行年龄阶段的服务备件的运行时间Ti。
另一方面，确定各个运行年龄阶段的服务备件的每月的运行时间的步骤包括：对服务备件运行至今使用该服务备件的项目以及每月的项目运行时间进行整理以确定各个运行年龄阶段的服务备件的每月运行时间，其中，项目运行时间＝(观察结束时间-观察开始时间)*项目的部件台数，观察开始时间为动调时间或每月月初，当动调时间小于测算月月初时，观察开始时间为该月初，否则为动调时间，观察结束时间为出质保时间或每月月底，当出质保时间小于测算月月底时间时，观察结束时间为出质保时间，否则为该月月底时间。
另一方面，所述根据整理的历史数据计算服务备件的MTBF的步骤包括：根据各个运行年龄阶段的服务备件的运行台天Ni和失效数量yi计算各个运行年龄阶段的MTBFi，其中，MTBFi＝Ni/yi。
另一方面，所述基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求的步骤包括：根据确定的各个运行年龄阶段的服务备件的MTBFi和各个运行年龄阶段的服务备件的每个月的预测运行台天N′ij来计算各个运行年龄阶段的服务备件的每个月的预测失效数量其中，N′ij＝各个运行年龄阶段的服务备件的每个月的预计运行时间Tij*单台配置。
本发明的另一方面提供一种基于MTBF的服务备件需求预测装置，包括：数据整理单元，整理服务备件的历史数据；计算单元，根据整理的历史数据计算服务备件的MTBF；需求预测单元，基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。
另一方面，所述服务备件的历史数据包括服务备件的历史消耗数据、历史工作时间数据以及单台配置数据。
另一方面，数据整理单元对服务备件的运行年龄进行分类以得到不同的运行年龄阶段的历史数据，其中，运行年龄＝服务备件失效时间-服务备件安装时间；数据整理单元确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi，其中，i指示运行年龄阶段的序号；计算各个运行年龄阶段的服务备件的运行台天Ni＝运行时间Ti*单台配置。
另一方面，数据整理单元还确定服务备件自运行起每月所处的运行年龄阶段；将每月相同运行年龄阶段的服务备件的运行时间进行汇总以确定各个运行年龄阶段的服务备件的每月的运行时间；将相同运行年龄阶段的服务备件的每月运行时间汇总得到各个运行年龄阶段的服务备件的运行时间。
另一方面，数据整理单元还对服务备件运行至今使用该服务备件的项目以及每月的项目运行时间进行整理以确定各个运行年龄阶段的服务备件的每月运行时间，其中，项目运行时间＝(观察结束时间-观察开始时间)*项目的部件台数，观察开始时间为动调时间或每月月初，当动调时间小于测算月月初时，观察开始时间为该月初，否则为动调时间，观察结束时间为出质保时间或每月月底，当出质保时间小于测算月月底时间时，观察结束时间为出质保时间，否则为该月月底时间。
另一方面，计算单元根据各个运行年龄阶段的服务备件的运行台天Ni和失效数量yi计算各个运行年龄阶段的MTBFi，其中，MTBFi＝Ni/yi。
另一方面，需求预测单元根据确定的各个运行年龄阶段的服务备件的MTBFi和各个运行年龄阶段的服务备件的每个月的预测运行台天N′ij来计算各个运行年龄阶段的服务备件的每个月的预测失效数量其中，N′ij＝各个运行年龄阶段的服务备件的每个月的预计运行时间Tij*单台配置。
在本发明中，通过基于平均故障间隔时间MTBF的服务备件需求预测方法对服务备件需求进行预测，无需经过多次拟合、直接预测，提高了服务备件需求预测的准确率以及服务备件的服务水平，加快了服务备件周转。
附图说明
通过以下结合附图进行的描述，本发明的示例性实施例的以上和其他方面、特点和优点将会更加清楚，在附图中：
图1是示出根据本发明的实施例的基于平均故障间隔时间(MTBF)的服务备件需求预测方法的流程图；
图2是示出根据本发明的实施例的整理服务备件的历史数据的流程图；
图3(a)和图3(b)是示出根据本发明的实施例的不同月份预测和不同年龄阶段预测的实际对比分布图；
图4是示出根据本发明的实施例的基于MTBF的服务备件需求预测装置的框图。
具体实施方式
提供以下参照附图的描述以帮助全面理解由权利要求及其等同物限定的本发明的示例性实施例。以下参照附图的描述包括各种特定细节以帮助理解，但是所述特定细节将仅被视为示例性的。因此，本领域普通技术人员将意识到，在不脱离本发明的范围和精神的情况下，可对这里描述的实施例进行各种改变和修改。此外，为了清晰和简要，可省略公知功能和结构的描述。
图1是示出根据本发明的实施例的基于平均故障间隔时间(MTBF，Mean TimeBetween Failures)的服务备件需求预测方法的流程图。
如图1所示，首先，在步骤S 100，整理服务备件的历史数据。具体地，根据本发明的实施例，可以收集与服务备件相关的历史消耗数据、历史工作时间数据和单台配置数据。其中，历史消耗数据是指服务备件的维修换件记录中历史失效数量、备件失效寿命等数据，历史工作时间数据包括服务备件开始运行的时间以及服务备件失效的时间，单台配置数据是指单个备件相应的配置，例如，服务备件为风机的叶片，则风机的单台配置数可以是3，表示该风机配置有3个风机叶片。现以某风机备件为例，获取该风机备件的单台配置量C，本示例中选取C为1，并该备件自运行起至2016年1月30日每月的失效数量，整理相关数据如下表1所示：
表1备件消耗数据收集表
项目名称 备件名称 配置 开始运行时间 失效时间 失效数量
A 0001 A版 2015-1-29 2015-8-31 1
B 0001 A版 2014-8-15 2015-5-7 1
C 0001 A版 2014-9-15 2015-2-7 1
图2示出了根据本发明示例性实施例的整理服务备件的历史数据的流程图。
参照图2，在步骤S201中，对服务备件的运行年龄进行分类以得到不同的运行年龄阶段的历史数据。具体地，根据“运行年龄＝服务备件失效时间-服务备件安装时间”来计算出服务备件的运行年龄并对其进行分类。如上述举例，可将年龄分为“0-3月”、“3-12月”、“12-24月”、“24-36月”、“36-48月”、“48-60月”、“60-72月”、“72月以上”八个阶段。
在步骤S202中，确定各个年龄阶段的服务备件的失效数量和运行时
间。具体地，首先，对服务备件运行至今使用该服务备件的项目以及每月的项目运行时间进行整理以确定各个运行年龄阶段的服务备件的每月运行时间，其中，项目运行时间＝(观察结束时间-观察开始时间)*项目的部件台数，观察开始时间为动调时间或每月月初，当动调时间小于测算月月初时，观察开始时间为该月初，否则为动调时间，观察结束时间为出质保时间或每月月底，当出质保时间小于测算月月底时间时，观察结束时间为出质保时间，否则为该月月底时间。如上述举例，提取2014年1月1日该备件运行之日起至2016年1月30日使用该备件的项目，以及每个项目每月的运行台数，如表2整理所示：
表2项目运行数据表
项目名称 机组台数 配置 动调时间 出质保时间
A 33 A版 2014-2-25 2016-6-30
B 33 A版 2015-3-15 2017-12-31
C 33 A版 2014-2-20 2017-12-31
其次，计算各个年龄阶段的服务备件的失效数量和运行时间。其中，每个运行年龄阶段的服务备件的失效数量的测算步骤为：计算服务备件的服役年龄并对服役年龄进行归类，并统计不同服役年龄阶段的服务备件失效数量，其中，服役年龄＝服务备件失效时间-服务备件安装时间。其中，每个运行年龄阶段的服务备件的运行时间的测算步骤为：先统计部件自运行起每月所处的运行年龄阶段，将每月相同年龄阶段的机组运行时间进行汇总，得到不同年龄阶段每月的运行时间，然后将相同年龄阶段不同月份的运行时间汇总得到不同年龄阶段的总运行时间。如上述举例，将年龄分为八个阶段，此时，可将每个年龄阶段的服务备件的失效数量表示为yi，将每个年龄阶段的服务备件的运行时间为Ti，i＝1,…,m，m＝8。
在步骤S203中，确定各个年龄阶段的服务备件的运行台天。具体地，通过等式“运行台天＝运行时间*单台配置”计算每个年龄阶段的服务备件的运行台天。如上述举例，每个年龄阶段的服务备件的运行台天为Ni，i＝1,…,8。
接下来，返回到图1，在步骤S200中，根据整理的历史数据计算服务备件的MTBF。具体地，通过等式MTBFi＝Ni/yi测算服务备件在各运行年龄阶段的MTBFi。本示例中选取2015年1月1日-2016年1月30日数据进行MTBF方法的测算。
最后，在步骤S300中，基于服务备件的预测运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。具体地，通过公式对服务备件的失效数量进行预测，其中，表示某服务备件的每个月的预测失效数量，N′ij表示各个运行年龄阶段的服务备件的每个月的预测运行台天，N′ij＝各个运行年龄阶段的服务备件的每个月的预计运行时间Tij*单台配置,j＝1,…,n，n为要进行需求测试的服务备件的预测时间月份指数。本示例中对2016年2月1日-2016年6月30日时间段内服务备件的需求进行失效预测，预测结果如下表3所示：
表3预测结果表
最后，根据求出的预测失效数量进行服务备件的需求供应或库存。将上述示例的失效预测结果与表4中2016年2月1日-2016年6月30日这期间服务备件实际的失效值进行对比，从服务备件的实际失效数量和预测失效数量对比可知基于MTBF的服务备件需求预测方法准确率较高。表4如下所示：
图3是示出根据本发明的实施例的不同月份预测和不同年龄阶段预测的实际对比分布图。如图所示，图3(a)示出了不同月份预测的实际对比分布图，图3(b)示出了不同年龄阶段预测的实际对比分布图，从图中可以看出不论分月份还是分年龄阶段，预测值相对实际值的偏差程度均较小，根据预测准确率测算公式对预测结果进行评价。
其中，P表示预测准确率，y′ij表示的实际消耗值，表示某服务备件的预测失效数量值，h表示参与预测次数，h＝i*j。测算得到预测准确率P＝90％，说明此备件失效预测方法的准确率较高。
图4示出根据本发明的实施例的基于MTBF的服务备件需求预测装置的框图。
参照图4，基于平均故障间隔时间MTBF的服务备件需求预测装置500可包括数据整理单元501、计算单元502、需求预测单元503。根据本发明的实施例，基于平均故障间隔时间MTBF的服务备件需求预测装置500可通过各种计算装置(例如，计算机、服务器、工作站等)来实现。具体的讲，数据整理单元501用于整理服务备件的历史数据。计算单元502用于根据整理的历史数据计算服务备件的MTBF。需求预测单元503用于基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。
如上所述，数据整理单元501整理所述服务备件的历史数据包括服务备件的历史消耗数据、历史工作时间数据以及单台配置数据。
数据整理单元501对服务备件的运行年龄进行分类以得到不同的运行年龄阶段的历史数据，其中，运行年龄＝服务备件失效时间-服务备件安装时间；数据整理单元501确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi，其中，i指示运行年龄阶段的序号，再确定各个运行年龄阶段的服务备件的运行台天Ni＝运行时间*单台配置。
其中，数据整理单元501还确定服务备件自运行起每月所处的运行年龄阶段；将每月相同运行年龄阶段的服务备件的运行时间进行汇总以确定各个运行年龄阶段的服务备件的每月的运行时间；将相同运行年龄阶段的服务备件的每月运行时间汇总得到各个运行年龄阶段的服务备件的运行时间。
其中，数据整理单元501还对服务备件运行至今使用该服务备件的项目以及每月的项目运行时间进行整理以确定各个运行年龄阶段的服务备件的每月运行时间，其中，项目运行时间＝(观察结束时间-观察开始时间)*项目的部件台数，观察开始时间为动调时间或每月月初，当动调时间小于测算月月初时，观察开始时间为该月初，否则为动调时间，观察结束时间为出质保时间或每月月底，当出质保时间小于测算月月底时间时，观察结束时间为出质保时间，否则为该月月底时间。
计算单元502根据数据整理单元501整理好的各个运行年龄阶段的服务备件的运行台天Ni和失效数量yi来计算各个运行年龄阶段的MTBFi，其中，MTBFi＝Ni/yi。
失效预测单元503根据计算单元502计算的各个运行年龄阶段的服务备件的MTBFi以及各个运行年龄阶段的服务备件的每个月的预测运行台天N′ij来计算各个运行年龄阶段的服务备件的每个月的预测失效数量其中，N′ij＝预计运行时间Tij*单台配置。
最后，根据求出的预测失效数量进行需服务备件的需求供应或库存。
根据本发明的实施例的基于平均故障间隔时间MTBF的服务备件需求预测方法能够对服务备件需求进行准确的预测，提高服务备件的需求预测准确率，提高了预测精度，为备件计划与库存管理提供了有力的数据支撑，在降低库存金额的同时，还提高了备件响应速度，提高了客户满意度。
根据本发明的实施例的基于平均故障间隔时间MTBF的服务备件需求预测方法可实现为计算机可读记录介质上的计算机可读代码，或者可通过传输介质被发送。计算机可读记录介质是可存储此后可由计算机系统读取的数据的任意数据存储装置。计算机可读记录介质的示例包括只读存储器(ROM)、随机存取存储器(RAM)、光盘(CD)-ROM、数字多功能盘(DVD)、磁带、软盘、光学数据存储装置，但不限于此。传输介质可包括通过网络或各种类型的通信通道发送的载波。计算机可读记录介质也可分布于连接网络的计算机系统，从而计算机可读代码以分布方式被存储和执行。
尽管已经参照本发明的特定示例性实施例显示和描述了本发明，但是本领域技术人员将理解，在不脱离由权利要求及其等同物限定的本发明的精神和范围的情况下，可进行各种形式和细节上的各种改变。

Claims (14)

1.一种基于平均故障间隔时间MTBF的服务备件需求预测方法，其特征在于，包括以下步骤：
整理服务备件的历史数据；
根据整理的历史数据计算服务备件的MTBF；
基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。
2.如权利要求1所述的服务备件需求预测方法，其特征在于，所述服务备件的历史数据包括服务备件的历史消耗数据、历史工作时间数据以及单台配置数据。
3.如权利要求1所述的服务备件需求预测方法，其特征在于，所述整理服务备件的历史数据的步骤包括：
对服务备件的运行年龄进行分类以得到不同的运行年龄阶段的历史数据，其中，运行年龄＝服务备件失效时间-服务备件安装时间；
确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi，其中，i指示运行年龄阶段的序号；
计算各个运行年龄阶段的服务备件的运行台天Ni＝运行时间Ti*单台配置。
4.如权利要求3所述的服务备件需求预测方法，其特征在于，所述确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi的步骤包括：
确定服务备件自运行起每月所处的运行年龄阶段；
将每月相同运行年龄阶段的服务备件的运行时间进行汇总以确定各个运行年龄阶段的服务备件的每月的运行时间；
将相同运行年龄阶段的服务备件的每月运行时间汇总得到各个运行年龄阶段的服务备件的运行时间Ti。
5.如权利要求4所述的服务备件需求预测方法，其特征在于，确定各个运行年龄阶段的服务备件的每月的运行时间的步骤包括：
对服务备件运行至今使用该服务备件的项目以及每月的项目运行时间进行整理以确定各个运行年龄阶段的服务备件的每月运行时间，
其中，项目运行时间＝(观察结束时间-观察开始时间)*项目的部件台数，观察开始时间为动调时间或每月月初，当动调时间小于测算月月初时，观察开始时间为该月初，否则为动调时间，观察结束时间为出质保时间或每月月底，当出质保时间小于测算月月底时间时，观察结束时间为出质保时间，否则为该月月底时间。
6.如权利要求3所述的服务备件需求预测方法，其特征在于，所述根据整理的历史数据计算服务备件的MTBF的步骤包括：根据各个运行年龄阶段的服务备件的运行台天Ni和失效数量yi计算各个运行年龄阶段的MTBFi，其中，MTBFi＝Ni/yi。
7.如权利要求6所述的服务备件需求预测方法，其特征在于，所述基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求的步骤包括：
根据确定的各个运行年龄阶段的服务备件的MTBFi和各个运行年龄阶段的服务备件的每个月的预测运行台天N′ij来计算各个运行年龄阶段的服务备件的每个月的预测失效数量其中，N′ij＝各个运行年龄阶段的服务备件的每个月的预计运行时间Tij*单台配置。
8.一种基于平均故障间隔时间MTBF的服务备件需求预测装置，其特征在于，包括：
数据整理单元，整理服务备件的历史数据；
计算单元，根据整理的历史数据计算服务备件的MTBF；
需求预测单元，基于服务备件的预计运行时间和服务备件的MTBF来计算服务备件的预测失效数量以预测服务备件的需求。
9.如权利要求8所述的需求预测装置，其特征在于，所述服务备件的历史数据包括服务备件的历史消耗数据、历史工作时间数据以及单台配置数据。
10.如权利要求8所述的需求预测装置，其特征在于，所述数据整理单元对服务备件的运行年龄进行分类以得到不同的运行年龄阶段的历史数据，其中，运行年龄＝服务备件失效时间-服务备件安装时间；所述数据整理单元确定各个运行年龄阶段的服务备件的运行时间Ti和失效数量yi，其中，i指示运行年龄阶段的序号；计算各个运行年龄阶段的服务备件的运行台天Ni＝运行时间Ti*单台配置。
11.如权利要求10所述的需求预测装置，其特征在于，所述数据整理单元还确定服务备件自运行起每月所处的运行年龄阶段；将每月相同运行年龄阶段的服务备件的运行时间进行汇总以确定各个运行年龄阶段的服务备件的每月的运行时间；将相同运行年龄阶段的服务备件的每月运行时间汇总得到各个运行年龄阶段的服务备件的运行时间Ti。
12.如权利要求11所述的需求预测装置，其特征在于，所述数据整理单元还对服务备件运行至今使用该服务备件的项目以及每月的项目运行时间进行整理以确定各个运行年龄阶段的服务备件的每月运行时间，其中，项目运行时间＝(观察结束时间-观察开始时间)*项目的部件台数，观察开始时间为动调时间或每月月初，当动调时间小于测算月月初时，观察开始时间为该月初，否则为动调时间，观察结束时间为出质保时间或每月月底，当出质保时间小于测算月月底时间时，观察结束时间为出质保时间，否则为该月月底时间。
13.如权利要求10所述的需求预测装置，其特征在于，所述计算单元根据各个运行年龄阶段的服务备件的运行台天Ni和失效数量yi计算各个运行年龄阶段的MTBFi，其中，MTBFi＝Ni/yi。
14.如权利要求13所述的需求预测装置，其特征在于，所述需求预测单元根据确定的各个运行年龄阶段的服务备件的MTBFi和各个运行年龄阶段的服务备件的每个月的预测运行台天N′ij来计算各个运行年龄阶段的服务备件的每个月的预测失效数量其中，N′ij＝各个运行年龄阶段的服务备件的每个月的预计运行时间Tij*单台配置。
CN201611176518.6A 2016-12-19 2016-12-19 基于平均故障间隔时间的服务备件需求预测方法和装置 Pending CN108205714A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611176518.6A CN108205714A (zh) 2016-12-19 2016-12-19 基于平均故障间隔时间的服务备件需求预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611176518.6A CN108205714A (zh) 2016-12-19 2016-12-19 基于平均故障间隔时间的服务备件需求预测方法和装置

Publications (1)

Publication Number Publication Date
CN108205714A true CN108205714A (zh) 2018-06-26

Family

ID=62602849

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611176518.6A Pending CN108205714A (zh) 2016-12-19 2016-12-19 基于平均故障间隔时间的服务备件需求预测方法和装置

Country Status (1)

Country Link
CN (1) CN108205714A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117990A (zh) * 2018-07-26 2019-01-01 中广核核电运营有限公司 一种核电站备件库存预测及指标分解装置
CN112668950A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN112668746A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN113065733A (zh) * 2020-12-15 2021-07-02 江苏苏星资产管理有限公司 一种基于人工智能的电气资产管理方法
CN115994734A (zh) * 2023-03-14 2023-04-21 百福工业缝纫机（张家港）有限公司 一种生产设备维保备件库存管理方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320455A (zh) * 2008-06-30 2008-12-10 西安交通大学 基于在役寿命评估的备件需求预测方法
CN105160513A (zh) * 2015-09-07 2015-12-16 拓维信息系统股份有限公司 一种设备备件的安全库存计算方法及系统
US20160155080A1 (en) * 2014-11-28 2016-06-02 Xerox Corporation Apparatus And Method For Call Center Service Level Prediction And Action

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101320455A (zh) * 2008-06-30 2008-12-10 西安交通大学 基于在役寿命评估的备件需求预测方法
US20160155080A1 (en) * 2014-11-28 2016-06-02 Xerox Corporation Apparatus And Method For Call Center Service Level Prediction And Action
CN105160513A (zh) * 2015-09-07 2015-12-16 拓维信息系统股份有限公司 一种设备备件的安全库存计算方法及系统

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109117990A (zh) * 2018-07-26 2019-01-01 中广核核电运营有限公司 一种核电站备件库存预测及指标分解装置
CN109117990B (zh) * 2018-07-26 2021-12-28 中广核核电运营有限公司 一种核电站备件库存预测及指标分解装置
CN112668950A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN112668746A (zh) * 2019-10-15 2021-04-16 深圳怡化电脑股份有限公司 一种备用模块需求预测方法、装置、存储介质及设备
CN113065733A (zh) * 2020-12-15 2021-07-02 江苏苏星资产管理有限公司 一种基于人工智能的电气资产管理方法
CN113065733B (zh) * 2020-12-15 2024-04-30 江苏苏星资产管理有限公司 一种基于人工智能的电气资产管理方法
CN115994734A (zh) * 2023-03-14 2023-04-21 百福工业缝纫机（张家港）有限公司 一种生产设备维保备件库存管理方法及系统
CN115994734B (zh) * 2023-03-14 2024-01-30 百福工业缝纫机（张家港）有限公司 一种生产设备维保备件库存管理方法及系统

Similar Documents

Publication Publication Date Title
CN108205714A (zh) 基于平均故障间隔时间的服务备件需求预测方法和装置
US8374912B2 (en) System and method for managing and optimizing advertising campaigns managed on the internet
Meissner et al. Developing prescriptive maintenance strategies in the aviation industry based on a discrete-event simulation framework for post-prognostics decision making
Fritzsche et al. Optimal prognostic distance to minimize total maintenance cost: The case of the airline industry
US10142187B2 (en) Predicting an effect of performing an action on a node of a geographical network
CN107018004A (zh) 用户满意度管理系统及方法
CN107958297B (zh) 一种产品需求预测方法及产品需求预测装置
CN111899059A (zh) 一种基于区块链的航司收益管理动态定价方法
CN108022123B (zh) 一种业务模型的自动调整方法及装置
EP2343683A1 (en) Data relationship preservation in a multidimension data hierarchy
Arani et al. A simulation-optimization technique for service level analysis in conjunction with reorder point estimation and lead-time consideration: a case study in sea port
Lukinskiy et al. A probabilistic approach to information management of order fulfilment reliability with the help of perfect-order analytics
Silva et al. A hybrid bi-objective optimization approach for joint determination of safety stock and safety time buffers in multi-item single-stage industrial supply chains
Bruzzone et al. An application methodology for logistics and transportation scenarios analysis and comparison within the retail supply chain
CN111353794B (zh) 数据处理的方法、供应链调度的方法和装置
JP5831363B2 (ja) 製造工期予測装置、製造工期予測方法、及びコンピュータプログラム
CA3050952A1 (en) Inspection risk estimation using historical inspection data
Bucher et al. Configuring single-echelon systems using demand categorization
CN106779245B (zh) 基于事件的民航需求预测方法和装置
Sha et al. Modeling airline decisions on route planning using discrete choice models
US20210027109A1 (en) Evaluation system, evaluation method, and program for evaluation
Hong et al. Goal programming and data envelopment analysis approach to disaster relief supply chain design
Tusar et al. Developing the optimal vessel fleet size and mix model to minimize the transportation cost of offshore wind farms
Stadhouders et al. A framework for implementing condition based maintenance based on operational data
Ashkezari et al. Presenting a model for calculating ISACO customers lifetime value by markov chain using data mining techniques

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20180626