CN113610308A - 基于剩余寿命预测的安全库存预测方法 - Google Patents
基于剩余寿命预测的安全库存预测方法 Download PDFInfo
- Publication number
- CN113610308A CN113610308A CN202110927869.0A CN202110927869A CN113610308A CN 113610308 A CN113610308 A CN 113610308A CN 202110927869 A CN202110927869 A CN 202110927869A CN 113610308 A CN113610308 A CN 113610308A
- Authority
- CN
- China
- Prior art keywords
- life
- stock
- value
- formula
- predicted
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 238000013461 design Methods 0.000 claims description 29
- 238000009434 installation Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000007547 defect Effects 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims 1
- 239000000463 material Substances 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Finance (AREA)
- Evolutionary Biology (AREA)
- Accounting & Taxation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明基于剩余寿命预测的安全库存预测方法涉及的是一种预测电网物资安全库存的方法。基于剩余寿命预测的安全库存预测方法包括步骤(1)元器件寿命预估和步骤(2)安全库存检测;步骤(1)元器件寿命预估依次包括对数据进行预处理和建立支持向量回归模型;步骤(2)安全库存检测依次包括:将预测生命历程换算为预测剩余寿命、计算元件的设计剩余寿命辅助预测安全库存、建立备货周期内元件损坏的概率函数、计算下个周期内的安全库存值和计算库存预警值。
Description
技术领域
本发明基于剩余寿命预测的安全库存预测方法涉及的是一种对保障电网库存物资进行库存安全进行预测的方法。
背景技术
从管理学角度讲,安全库存是为防止未来物资供应或需求的不确定性因素而准备的缓冲库存,其大小受供求、成本等多种因素决定。对于电网企业来讲,进行科学的安全库存预测,能有效为实现电网故障后快速复电提供物资支撑,同时,可以有效降低总库存成本,获得较好的经济效益。目前,安全库存的预测技术主要为自回归滑动平均模型(ARMA)。
ARMA将预测指标随时间推移而形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面,影响因素的影响,另一方面,又有自身变动规律,假定影响因素为x1,x2......,xkx1,x2……,xk,由回归分析,
Yt=β1x1+β2x2+βpxp+Z
其中YY是预测对象的观测值,ZZ为误差。作为预测对象YtYt受到自身变化的影响,其规律可由下式体现,
Yt=β1Yt-1+β2Yt-2+...+βpYt-p+Zt
误差项在不同时期具有依存关系,由下式表示,
Zt=∈t+α1∈t-1+α2∈t-2+...+αq∈t-q
由此,获得ARMA模型表达式:
Yt=β0+β1Yt-1+β2Yt-2+...+βpYt-p+∈t+α1∈t-1+α2∈t-2+...αq∈t-q
其中,{∈t}是白噪声序列,其中pp、qq分别表示自回归和移动平均部分的滞后阶数。
该方法对于具有一定规律的时间序列和较为稳定的时间序列有比较好的预测效果,但该方法需要大量以往数据作为输入,且对于波动较大,规律不明显的数据预测结果偏差较大。此外,若数据的规律周期较长,使用该方法往往需要花费大量时间进行参数pp和qq的选择。所以有必要提供一种新的预测方法来满足实际的需求。
发明内容
本发明针对现有技术对于波动大、规律不明显的库存数据难以准确预测的缺陷,提供一种基于剩余寿命预测的安全库存预测方法;具有良好的预测和推广效果。
基于剩余寿命预测的安全库存预测方法,包括步骤(1)元器件寿命预估和步骤(2)安全库存检测;
步骤(1)元器件寿命预估依次包括对数据进行预处理和建立支持向量回归模型;
步骤(2)安全库存检测依次包括:将预测生命历程换算为预测剩余寿命、计算元件的设计剩余寿命辅助预测安全库存、建立备货周期内元件损坏的概率函数、计算下个周期内的安全库存值和计算库存预警值。
其中步骤(1)采用支持向量回归预测每个元件的生命历程,元器件寿命预估的具体步骤如下:
首先对数据进行预处理,将“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”六个离散型文本标签的参数值依次数字化为整数0至n,其中,(n+1)代表相应标签的参数个数。
接着,利用元器件的安装时间、损坏时间、设计寿命生成元器件的生命历程。
再次,根据公式
分别对“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”这八个标签对应的值进行归一化处理,其中,XscaleXscale表示归一化之后的数值,XX表示原参数值,XmeanXmean表示该标签下所有参数的平均值,SS表示该标签下所有参数的标准差。
接着,将“运行状态”数字化,运行状态正常对应参数为1,故障则对应-1。
最后,运用留出法,将子数据集按照8∶2的比例划分为两个互斥的集合,其中,训练集S占比80%,测试集T占比20%,此后将通过训练集S训练出模型,再用测试集T评估其测试误差,作为泛化误差的估计值。
第二步,建立支持向量回归模型。
首先,随机生成一个含8个元素的权重向量W和偏差b,W的每个元素分别代表厂家、设计寿命、安装地点、间隔、温度、湿度、运维班组和运行状态这8个影响因子的权重大小。计算W的均值WmeanWmean和标准差SS,对每个W中的元素WiWi,按
进行标准化,得到服从标准正态分布的权重向量ω=[ω1,ω2,...,ω8],以加快训练速度。
考虑到采集到的数据存在线性不可分的特点,因此,采用核函数的方法,将其映射到更高一维的特征空间,使其实现线性可分;在此情况下,划分的超平面可以表示为
f(x)=ωTφ(x)+b (3)
公式中φ(x)表示将x映射后的特征向量,ω为通过公式(2)计算得到的服从正态分布的权重向量,ωT表示ω的转置矩阵,b为初始化模型时生成的偏差。
由于直接计算φ(xi)Tφ(xj)十分困难,给出设想函数κ(xi,xj),它表示在原始样本空间中通过设想函数来计算,以此代替两者在特征空间中的内积运算,具体表示为
κ(xi,xj)=(φ(xi),φ(xj))=φ(xi)Tφ(xj) (4)
其中,(φ(xi),φ(xj))表示φ(xi)与φ(xj)的内积。
所以超平面可以借助核函数求得,
下一步建立回归模型来计算超平面,建立与软间隔带对应的不敏感函数
以及损失函数
在公式中,f(xi)表示使用当前模型训练参数预测出的第i组数据的寿命值,yi表示数据集中第i组数据的真实寿命值,m为该种设备的所有记录条数。
则上式(7)可化为
将上式带入原始支持向量机可以得到支持向量回归模型的解
最后,将从消缺记录里提取的“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”“运行状态”等数据依次代入f(x),就可以获得通过支持向量回归方法计算的预测生命历程(LP)。
步骤二:安全库存预测
步骤二包含以下几个子步骤:
子步骤一将预测生命历程换算为预测剩余寿命(PRUL),转换公式如下。
在公式中,LP表示通过步骤一利用支持向量回归方法计算所得的预测生命历程,Ttoday代表今天的日期,Tinstall代表元件的安装日期,两者相减的结果表示该元件运行的累计时间(单位:天)。将累计运行时间除以经过的生命历程即可得到根据现有条件预测该元件的总寿命,再减去已经运行的时间,就得到了该元件的预测剩余寿命(单位:天)。
子步骤二:计算元件的设计剩余寿命辅助预测安全库存(DRUL)。计算公式如下。
DRUL=Tinstall+tdesign-Ttoday (13)
在公式中,tdesign表示元件的设计寿命。通过元件安装时间加上元件设计寿命,减去今天的时间,即可得到元件设计设计剩余寿命(单位:天)
子步骤三:建立备货周期内元件损坏的概率函数。
为了准确预测下个备货周期内所需的安全库存数量,需要综合分析预测剩余寿命和设计剩余寿命,评估每个元件在下个备货周期内需要更换的概率。在本专利中,我们引入下述函数f(x)f(x)来进行评估。
(1)当x<0x<0时,f(x)f(x)恒为1。表示当预测剩余寿命小于备货周期长度时,认为该元件在下个备货周期内必定会被更换。
(2)当x≥Nx≥N时,f(x)→0f(x)→0。表示当预测寿命大于两倍备货周期长度时,认为该元件在下个备货周期内需要被更换的概率趋向于0。
(3)当0<x≤N0<x≤N时,f(x)f(x)平滑地递减,可以近似表示这些元件在下个备货周期内损坏的概率。
子步骤四:计算下个周期内的安全库存值。
经计算公式如下:
s=∑PRUL>N且DRUL<Nf(α(PRUL-N)+β(DRUL-N))+∑PRUL≤N1
子步骤五:计算库存预警值。
考虑到实际生产中,不同元件具有不同的重要程度、供货周期等客观因素。因此,本专利进一步给出下列公式计算库存预警ξiξi。
其中,i=1,2,3i=1,2,3;分别表示DC220kV电源板、CPU、显示屏;sisi为目前库存量;ξiξi表示紧急程度,ξiξi的值越小越紧急;ViVi表示在一个时间周期内的使用量,时间周期为月、季度或者年,优选为按月,按照季度或年会增加持有成本和占用大量存储空间;ωiωi表示重要程度,在这三个板件中,DC220kV电源板是最重要的,ωiωi设置为1,其次是CPU,ωiωi为0.8,显示屏的ωiωi为0.5;TiTi表示供货周期,从订货到入库时间。
本发明具有如下优点:
(1)本发明基于元件剩余寿命预测安全库存,无需以往库存信息作为支撑。
(2)本发明不要求库存的时间序列具有稳定性和一定的规律性,可以准确预测下个采购周期内的安全库存数量,具有较强的通用性。
附图说明
图1是本发明的工作流程示意图。
具体实施方式
以下将结合附图1对本发明作进一步说明,参照附图1,基于剩余寿命预测(RUL)的安全库存预测方法包括步骤(1)元器件寿命预估和步骤(2)安全库存检测;
步骤(1)元器件寿命预估依次包括对数据进行预处理和建立支持向量回归模型;
步骤(2)安全库存检测依次包括:将预测生命历程换算为预测剩余寿命、计算元件的设计剩余寿命辅助预测安全库存、建立备货周期内元件损坏的概率函数、计算下个周期内的安全库存值和计算库存预警值。
其中步骤(1)采用支持向量回归预测每个元件的生命历程,元器件寿命预估的具体步骤如下:
首先对数据进行预处理,将“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”六个离散型文本标签的参数值依次数字化为整数0至n,其中,(n+1)代表相应标签的参数个数。
接着,利用元器件的安装时间、损坏时间、设计寿命生成元器件的生命历程。
再次,根据公式
分别对“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”这八个标签对应的值进行归一化处理,其中,XscaleXscale表示归一化之后的数值,XX表示原参数值,XmeanXmean表示该标签下所有参数的平均值,SS表示该标签下所有参数的标准差。
接着,将“运行状态”数字化,运行状态正常对应参数为1,故障则对应-1。
最后,运用留出法,将子数据集按照8:2的比例划分为两个互斥的集合,其中,训练集S占比80%,测试集T占比20%,此后将通过训练集S训练出模型,再用测试集T评估其测试误差,作为泛化误差的估计值。
第二步,建立支持向量回归模型。
首先,随机生成一个含8个元素的权重向量W和偏差b,W的每个元素分别代表厂家、设计寿命、安装地点、间隔、温度、湿度、运维班组和运行状态这8个影响因子的权重大小。计算W的均值WmeanWmean和标准差SS,对每个W中的元素WiWi,按
进行标准化,得到服从标准正态分布的权重向量ω=[ω1,ω2,...,ω8],以加快训练速度。
考虑到采集到的数据存在线性不可分的特点,因此,采用核函数的方法,将其映射到更高一维的特征空间,使其实现线性可分;在此情况下,划分的超平面可以表示为
f(x)=ωTφ(x)+b (3)
公式中φ(x)表示将x映射后的特征向量,ω为通过公式(2)计算得到的服从正态分布的权重向量,ωT表示ω的转置矩阵,b为初始化模型时生成的偏差。
由于直接计算φ(xi)Tφ(xj)十分困难,给出设想函数κ(xi,xj),它表示在原始样本空间中通过设想函数来计算,以此代替两者在特征空间中的内积运算,具体表示为
κ(xi,xj)=(φ(xi),φ(xj))=φ(xi)Tφ(xj) (4)
其中,(φ(xi),φ(xj))表示φ(xi)与φ(xj)的内积。
所以超平面可以借助核函数求得,
下一步建立回归模型来计算超平面,建立与软间隔带对应的不敏感函数
以及损失函数
在公式中,f(xi)表示使用当前模型训练参数预测出的第i组数据的寿命值,yi表示数据集中第i组数据的真实寿命值,m为该种设备的所有记录条数。
则上式(7)可化为
将上式带入原始支持向量机可以得到支持向量回归模型的解
最后,将从消缺记录里提取的“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”“运行状态”等数据依次代入f(x),就可以获得通过支持向量回归方法计算的预测生命历程(LP)。
步骤二:安全库存预测
步骤二包含以下几个子步骤:
子步骤一将预测生命历程换算为预测剩余寿命(PRUL),转换公式如下。
在公式中,LP表示通过步骤一利用支持向量回归方法计算所得的预测生命历程,Ttoday代表今天的日期,Tinstall代表元件的安装日期,两者相减的结果表示该元件运行的累计时间(单位:天)。将累计运行时间除以经过的生命历程即可得到根据现有条件预测该元件的总寿命,再减去已经运行的时间,就得到了该元件的预测剩余寿命(单位:天)。
子步骤二:计算元件的设计剩余寿命辅助预测安全库存(DRUL)。计算公式如下。
DRUL=Tinstall+tdesign-Ttoday (13)
在公式中,tdesign表示元件的设计寿命。通过元件安装时间加上元件设计寿命,减去今天的时间,即可得到元件设计设计剩余寿命(单位:天)
子步骤三:建立备货周期内元件损坏的概率函数。
为了准确预测下个备货周期内所需的安全库存数量,需要综合分析预测剩余寿命和设计剩余寿命,评估每个元件在下个备货周期内需要更换的概率。在本专利中,我们引入下述函数f(x)f(x)来进行评估。
(1)当x<0x<0时,f(x)f(x)恒为1。表示当预测剩余寿命小于备货周期长度时,认为该元件在下个备货周期内必定会被更换。
(2)当x≥Nx≥N时,f(x)→0f(x)→0。表示当预测寿命大于两倍备货周期长度时,认为该元件在下个备货周期内需要被更换的概率趋向于0。
(3)当0<x≤N0<x≤N时,f(x)f(x)平滑地递减,可以近似表示这些元件在下个备货周期内损坏的概率。
子步骤四:计算下个周期内的安全库存值。
经计算公式如下:
s=∑PRUL>N且DRUL<Nf(α(PRUL-N)+β(DRUL-N))+∑PRUL≤N1
子步骤五:计算库存预警值。
考虑到实际生产中,不同元件具有不同的重要程度、供货周期等客观因素。因此,本专利进一步给出下列公式计算库存预警ξiξi。
其中,i=1,2,3i=1,2,3;分别表示DC220kV电源板、CPU、显示屏;sisi为目前库存量;ξiξi表示紧急程度,ξiξi的值越小越紧急;ViVi表示在一个时间周期内的使用量,时间周期为月、季度或者年,优选为按月,按照季度或年会增加持有成本和占用大量存储空间;ωiωi表示重要程度,在这三个板件中,DC220kV电源板是最重要的,ωiωi设置为1,其次是CPU,ωiωi为0.8,显示屏的ωiωi为0.5;TiTi表示供货周期,从订货到入库时间。
Claims (3)
1.一种基于剩余寿命预测的安全库存预测方法,其特征在于:包括步骤(1)元器件寿命预估和步骤(2)安全库存检测;
步骤(1)元器件寿命预估依次包括对数据进行预处理和建立支持向量回归模型;
步骤(2)安全库存检测依次包括:将预测生命历程换算为预测剩余寿命、计算元件的设计剩余寿命辅助预测安全库存、建立备货周期内元件损坏的概率函数、计算下个周期内的安全库存值和计算库存预警值。
2.根据权利要求1所述的基于剩余寿命预测的安全库存预测方法,其特征在于:其中步骤(1)采用支持向量回归预测每个元件的生命历程,元器件寿命预估的具体步骤如下:
首先对数据进行预处理,将“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”六个离散型文本标签的参数值依次数字化为整数0至n,其中,(n+1)代表相应标签的参数个数;
接着,利用元器件的安装时间、损坏时间、设计寿命生成元器件的生命历程;
再次,根据公式
分别对“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”这八个标签对应的值进行归一化处理,其中,XscaleXscale表示归一化之后的数值,XX表示原参数值,XmeanXmean表示该标签下所有参数的平均值,SS表示该标签下所有参数的标准差;
接着,将“运行状态”数字化,运行状态正常对应参数为1,故障则对应-1;
最后,运用留出法,将子数据集按照8:2的比例划分为两个互斥的集合,其中,训练集S占比80%,测试集T占比20%,此后将通过训练集S训练出模型,再用测试集T评估其测试误差,作为泛化误差的估计值;
第二步,建立支持向量回归模型;
首先,随机生成一个含8个元素的权重向量W和偏差b,W的每个元素分别代表厂家、设计寿命、安装地点、间隔、温度、湿度、运维班组和运行状态这8个影响因子的权重大小;计算W的均值WmeanWmean和标准差SS,对每个W中的元素WiWi,按
进行标准化,得到服从标准正态分布的权重向量ω=[ω1,ω2,...,ω8],以加快训练速度;
考虑到采集到的数据存在线性不可分的特点,因此,采用核函数的方法,将其映射到更高一维的特征空间,使其实现线性可分;在此情况下,划分的超平面可以表示为
f(x)=ωTφ(x)+b (3)
公式中φ(x)表示将x映射后的特征向量,ω为通过公式(2)计算得到的服从正态分布的权重向量,ωT表示ω的转置矩阵,b为初始化模型时生成的偏差;
由于直接计算φ(xi)Tφ(xj)十分困难,给出设想函数κ(xi,xj),它表示在原始样本空间中通过设想函数来计算,以此代替两者在特征空间中的内积运算,具体表示为
κ(xi,xj)=(φ(xi),φ(xj))=φ(xi)Tφ(xj) (4)
其中,(φ(xi),φ(xj))表示φ(xi)与φ(xj)的内积;
所以超平面可以借助核函数求得,
下一步建立回归模型来计算超平面,建立与软间隔带对应的不敏感函数
以及损失函数
在公式中,f(xi)表示使用当前模型训练参数预测出的第i组数据的寿命值,yi表示数据集中第i组数据的真实寿命值,m为该种设备的所有记录条数;
则上式(7)可化为
将上式带入原始支持向量机可以得到支持向量回归模型的解
最后,将从消缺记录里提取的“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”“运行状态”等数据依次代入f(x),就可以获得通过支持向量回归方法计算的预测生命历程(LP)。
3.根据权利要求1所述的基于剩余寿命预测的安全库存预测方法,其特征在于:步骤二:安全库存预测包含以下几个子步骤:
子步骤一将预测生命历程换算为预测剩余寿命(PRUL),转换公式如下;
在公式中,LP表示通过步骤一利用支持向量回归方法计算所得的预测生命历程,Ttoday代表今天的日期,Tinstall代表元件的安装日期,两者相减的结果表示该元件运行的累计时间(单位:天)。将累计运行时间除以经过的生命历程即可得到根据现有条件预测该元件的总寿命,再减去已经运行的时间,就得到了该元件的预测剩余寿命(单位:天);
子步骤二:计算元件的设计剩余寿命辅助预测安全库存(DRUL),计算公式如下;
DRUL=Tinstall+tdesign-Ttoday (13)
在公式中,tdesign表示元件的设计寿命;通过元件安装时间加上元件设计寿命,减去今天的时间,即可得到元件设计设计剩余寿命(单位:天)
子步骤三:建立备货周期内元件损坏的概率函数;
为了准确预测下个备货周期内所需的安全库存数量,需要综合分析预测剩余寿命和设计剩余寿命,评估每个元件在下个备货周期内需要更换的概率。在本专利中,我们引入下述函数f(x)f(x)来进行评估;
(1)当x<0x<0时,f(x)f(x)恒为1。表示当预测剩余寿命小于备货周期长度时,认为该元件在下个备货周期内必定会被更换;
(2)当x≥Nx≥N时,f(x)→0f(x)→0。表示当预测寿命大于两倍备货周期长度时,认为该元件在下个备货周期内需要被更换的概率趋向于0;
(3)当0<x≤N0<x≤N时,f(x)f(x)平滑地递减,可以近似表示这些元件在下个备货周期内损坏的概率;
子步骤四:计算下个周期内的安全库存值;
经计算公式如下:
s=∑PRUL>N且DRUL<Nf(α(PRUL-N)+β(DRUL-N))+∑PRUL≤N1
子步骤五:计算库存预警值;
考虑到实际生产中,不同元件具有不同的重要程度、供货周期等客观因素。因此,本专利进一步给出下列公式计算库存预警ξiξi;
其中,i=1,2,3i=1,2,3;分别表示DC220kV电源板、CPU、显示屏;sisi为目前库存量;ξiξi表示紧急程度,ξiξi的值越小越紧急;ViVi表示在一个时间周期内的使用量,时间周期为月、季度或者年;ωiωi表示重要程度,在这三个板件中,DC220kV电源板是最重要的,ωiωi设置为1,其次是CPU,ωiωi为0.8,显示屏的ωiωi为0.5;TiTi表示供货周期,从订货到入库时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927869.0A CN113610308A (zh) | 2021-08-12 | 2021-08-12 | 基于剩余寿命预测的安全库存预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110927869.0A CN113610308A (zh) | 2021-08-12 | 2021-08-12 | 基于剩余寿命预测的安全库存预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113610308A true CN113610308A (zh) | 2021-11-05 |
Family
ID=78340605
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110927869.0A Pending CN113610308A (zh) | 2021-08-12 | 2021-08-12 | 基于剩余寿命预测的安全库存预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113610308A (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103426073A (zh) * | 2013-08-21 | 2013-12-04 | 易程科技股份有限公司 | 一种基于设备寿命预测的客服系统备件库存管理方法 |
US20150003847A1 (en) * | 2013-06-27 | 2015-01-01 | Xerox Corporation | Estimating accuracy of a remaining useful life prediction model for a consumable using statistics based segmentation technique |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
CN106056239A (zh) * | 2016-05-24 | 2016-10-26 | 北京京东尚博广益投资管理有限公司 | 一种产品库存预测方法及装置 |
US20170308846A1 (en) * | 2016-04-20 | 2017-10-26 | Airbnb, Inc. | Regression-tree compressed feature vector machine for time-expiring inventory utilization prediction |
CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
CN111401808A (zh) * | 2020-03-12 | 2020-07-10 | 重庆文理学院 | 一种基于混合模型的物资协议库存需求预测方法 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
-
2021
- 2021-08-12 CN CN202110927869.0A patent/CN113610308A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150003847A1 (en) * | 2013-06-27 | 2015-01-01 | Xerox Corporation | Estimating accuracy of a remaining useful life prediction model for a consumable using statistics based segmentation technique |
CN103426073A (zh) * | 2013-08-21 | 2013-12-04 | 易程科技股份有限公司 | 一种基于设备寿命预测的客服系统备件库存管理方法 |
CN104504296A (zh) * | 2015-01-16 | 2015-04-08 | 湖南科技大学 | 高斯混合隐马尔可夫模型和回归分析的剩余寿命预测方法 |
CN105139090A (zh) * | 2015-08-25 | 2015-12-09 | 国网天津市电力公司 | 一种基于消耗预测的电力行业安全库存决策分析方法 |
US20170308846A1 (en) * | 2016-04-20 | 2017-10-26 | Airbnb, Inc. | Regression-tree compressed feature vector machine for time-expiring inventory utilization prediction |
CN106056239A (zh) * | 2016-05-24 | 2016-10-26 | 北京京东尚博广益投资管理有限公司 | 一种产品库存预测方法及装置 |
CN109472241A (zh) * | 2018-11-14 | 2019-03-15 | 上海交通大学 | 基于支持向量回归的燃机轴承剩余使用寿命预测方法 |
CN111401808A (zh) * | 2020-03-12 | 2020-07-10 | 重庆文理学院 | 一种基于混合模型的物资协议库存需求预测方法 |
CN113589172A (zh) * | 2021-08-12 | 2021-11-02 | 国网江苏省电力有限公司常州供电分公司 | 一种电网元器件的寿命预估方法 |
Non-Patent Citations (1)
Title |
---|
谢楠等: "继电保护设备剩余寿命预测的智能算法研究", 《兰州理工大学学报》, vol. 49, no. 2, 15 April 2023 (2023-04-15), pages 83 - 87 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pinçe et al. | Intermittent demand forecasting for spare parts: A critical review | |
CN104966141B (zh) | 更新用于生成工业资产健康状况简档的模型的方法和系统 | |
US8423397B2 (en) | Asset management systems and methods | |
Kim et al. | Spare part demand forecasting for consumer goods using installed base information | |
CN108256898B (zh) | 一种产品销量预测方法、系统及存储介质 | |
Van Horenbeek et al. | Quantifying the added value of an imperfectly performing condition monitoring system—Application to a wind turbine gearbox | |
US20030158803A1 (en) | System and method for estimation of asset lifetimes | |
Altay et al. | Adapting Wright's modification of Holt's method to forecasting intermittent demand | |
Regattieri et al. | Estimating reliability characteristics in the presence of censored data: A case study in a light commercial vehicle manufacturing system | |
KR20070101128A (ko) | 이상 관리 장치, 이상 관리 방법, 이상 관리 프로그램 및이것을 기록한 기록 매체 | |
Rodrigues et al. | A spare parts inventory control model based on Prognostics and Health monitoring data under a fill rate constraint | |
JP2006216019A (ja) | バリュー・チェーンと企業価値分析装置及び方法 | |
Bilişik et al. | A comparative performance analyze model and supplier positioning in performance maps for supplier selection and evaluation | |
CN111461786A (zh) | 基于Prophet-CEEMDAN-ARIMA的商品销量预测方法及装置 | |
Ke et al. | Software reliability prediction and management: A multiple change‐point model approach | |
US11265688B2 (en) | Systems and methods for anomaly detection and survival analysis for physical assets | |
JPWO2020157927A1 (ja) | 診断システムおよび診断方法 | |
CN113610308A (zh) | 基于剩余寿命预测的安全库存预测方法 | |
CN110033113B (zh) | 信息处理系统及信息处理系统的学习方法 | |
Zio et al. | A snapshot on maintenance modeling and applications | |
CN110956318A (zh) | 一种基于预先构建的预测模型进行预测的方法及装置 | |
CN115689713A (zh) | 异常风险数据处理方法、装置、计算机设备和存储介质 | |
JP2021082207A (ja) | 廃棄物搬入量予測装置、廃棄物搬入量予測方法および廃棄物搬入量予測プログラム | |
CN111008749A (zh) | 一种需求预测的方法及装置 | |
Diaz et al. | Modelling age replacement policy under multiple time scales and stochastic usage profiles |
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 |