CN113610308B - 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 PDF

Info

Publication number
CN113610308B
CN113610308B CN202110927869.0A CN202110927869A CN113610308B CN 113610308 B CN113610308 B CN 113610308B CN 202110927869 A CN202110927869 A CN 202110927869A CN 113610308 B CN113610308 B CN 113610308B
Authority
CN
China
Prior art keywords
life
stock
predicted
value
formula
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.)
Active
Application number
CN202110927869.0A
Other languages
English (en)
Other versions
CN113610308A (zh
Inventor
黄煜铭
马振国
唐兵
谢楠
张柯琪
张建勇
张斌武
曹丹怡
罗皎虹
李萧
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.)
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Changzhou Power Supply Co of State Grid Jiangsu Electric Power 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 State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Changzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110927869.0A priority Critical patent/CN113610308B/zh
Publication of CN113610308A publication Critical patent/CN113610308A/zh
Application granted granted Critical
Publication of CN113610308B publication Critical patent/CN113610308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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

基于剩余寿命预测的安全库存预测方法
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……,xk，由回归分析，
Yt＝β1x1+β2x2+βpxp+Z
其中Y是预测对象的观测值，Z为误差。作为预测对象Yt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p、q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p和q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”七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”这七个标签对应的值进行归一化处理，其中，Xscale表示归一化之后的数值，X表示原参数值，Xmean表示该标签下所有参数的平均值，S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Wmean和标准差S，对每个W中的元素Wi，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。
对公式(7)引入松弛变量ξi和使得
则上式(7)可化为
为了达到最佳预测效果，需要尽可能降低损失函数值，故需要求损失函数L的最小值。因此，引入拉格朗日乘子得到拉格朗日函数
将公式(9)即对求偏导，得到
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
更进一步，将公式(4)带入得其中κ(x,xi)为核函数。
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)来进行评估。
公式中其中e表示自然常数，其值约为2.718，k可根据实际情况进行取值，一般取为其中N表示备货周期长度。该函数可以根据实际情况进行修改，但应具有以下性质：
(1)当x<0时，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≥N时，f(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≤N时，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 (15)
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ξi。
其中，i＝1,2,3；分别表示DC220kV电源板、CPU、显示屏；si为目前库存量；ξi表示紧急程度，ξi的值越小越紧急；Vi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；ωi表示重要程度，在这三个板件中，DC220kV电源板是最重要的，ωi设置为1，其次是CPU，ωi为0.8，显示屏的ωi为0.5；Ti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”七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”这七个标签对应的值进行归一化处理，其中，Xscale表示归一化之后的数值，X表示原参数值，Xmean表示该标签下所有参数的平均值，S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Wmean和标准差S，对每个W中的元素Wi，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。
对公式(7)引入松弛变量ξi和使得
则上式(7)可化为
为了达到最佳预测效果，需要尽可能降低损失函数值，故需要求损失函数L的最小值。因此，引入拉格朗日乘子μi≥0,αi≥0,得到拉格朗日函数
将公式(9)即对求偏导，得到
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
更进一步，将公式(4)带入得其中κ(x,xi)为核函数。
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(DRUL)，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)来进行评估。
公式中其中e表示自然常数，其值约为2.718，k可根据实际情况进行取值，一般取为其中N表示备货周期长度。该函数可以根据实际情况进行修改，但应具有以下性质：
(1)当x<0时，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≥N时，f(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≤N时，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 (15)
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ξi。
其中，i＝1,2,3；分别表示DC220kV电源板、CPU、显示屏；si为目前库存量；ξi表示紧急程度，ξi的值越小越紧急；Vi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；ωi表示重要程度，在这三个板件中，DC220kV电源板是最重要的，ωi设置为1，其次是CPU，ωi为0.8，显示屏的ωi为0.5；Ti表示供货周期，从订货到入库时间。

Claims (2)

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；
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”七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”这七个标签对应的值进行归一化处理，其中，Xscale表示归一化之后的数值，X表示原参数值，Xmean表示该标签下所有参数的平均值，S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Wmean和标准差S，对每个W中的元素Wi，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；
对公式(7)引入松弛变量ξi和使得
则上式(7)化为
为了达到最佳预测效果，需要尽可能降低损失函数值，故需要求损失函数L的最小值；因此，引入拉格朗日乘子μi≥0,αi≥0,得到拉格朗日函数
将公式(9)即对ω,b,ξi,求偏导，得到
将上式带入原始支持向量机得到支持向量回归模型的解
更进一步，将公式(4)带入得其中κ(x,xi)为核函数；
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”的数据依次代入f(x)，就获得通过支持向量回归方法计算的预测生命历程(LP)。
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：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，累计时间的单位为天；将累计运行时间除以经过的生命历程即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，预测剩余寿命的单位为天；
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，即可得到元件设计剩余寿命，元件设计剩余寿命的单位为天；
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；引入下述函数f(x)来进行评估；
公式中其中e表示自然常数，其值约为2.718，k可根据实际情况进行取值，取为其中N表示备货周期长度；该函数根据实际情况进行修改，但应具有以下性质：
(1)当x<0时，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≥N时，f(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≤N时，f(x)平滑地递减，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 (15)
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、供货周期的客观因素；因此，进一步给出下列公式计算库存预警ξi；
其中，i＝1,2,3；分别表示DC220kV电源板、CPU、显示屏；si为目前库存量；ξi表示紧急程度，ξi的值越小越紧急；Vi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；ωi表示重要程度，在这三个板件中，DC220kV电源板是最重要的，ωi设置为1，其次是CPU，ωi为0.8，显示屏的ωi为0.5；Ti表示供货周期，从订货到入库时间。
CN202110927869.0A 2021-08-12 2021-08-12 基于剩余寿命预测的安全库存预测方法 Active CN113610308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110927869.0A CN113610308B (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 CN113610308B (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 (2)

Publication Number Publication Date
CN113610308A CN113610308A (zh) 2021-11-05
CN113610308B true CN113610308B (zh) 2024-08-20

Family

ID=78340605

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110927869.0A Active CN113610308B (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) CN113610308B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
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
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
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

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9046854B2 (en) * 2013-06-27 2015-06-02 Xerox Corporation Estimating accuracy of a remaining useful life prediction model for a consumable using statistics based segmentation technique
CN104504296B (zh) * 2015-01-16 2017-08-29 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
US10528909B2 (en) * 2016-04-20 2020-01-07 Airbnb, Inc. Regression-tree compressed feature vector machine for time-expiring inventory utilization prediction
CN106056239B (zh) * 2016-05-24 2020-06-05 北京京东金融科技控股有限公司 一种产品库存预测方法及装置
CN109492812A (zh) * 2018-11-12 2019-03-19 北京航天智造科技发展有限公司 基于支持向量机、属性约简和遗传算法的物流货运需求预测方法
CN111274737A (zh) * 2020-02-25 2020-06-12 山东大学 一种机械设备剩余使用寿命预测方法及系统
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
CN111382546B (zh) * 2020-04-07 2023-06-30 东方电气集团东方电机有限公司 一种基于支持向量机建模对发电机绝缘系统进行寿命预测的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
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
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
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)

* Cited by examiner, † Cited by third party
Title
继电保护设备剩余寿命预测的智能算法研究;谢楠等;《兰州理工大学学报》;20230415;第49卷(第2期);83-87 *

Also Published As

Publication number Publication date
CN113610308A (zh) 2021-11-05

Similar Documents

Publication Publication Date Title
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
Van Horenbeek et al. Quantifying the added value of an imperfectly performing condition monitoring system—Application to a wind turbine gearbox
US20230213895A1 (en) Method for Predicting Benchmark Value of Unit Equipment Based on XGBoost Algorithm and System thereof
Basciftci et al. Data-driven maintenance and operations scheduling in power systems under decision-dependent uncertainty
US20030158803A1 (en) System and method for estimation of asset lifetimes
US20240012407A1 (en) Condition-Based Method for Malfunction Prediction
Rodrigues et al. A spare parts inventory control model based on Prognostics and Health monitoring data under a fill rate constraint
US11265688B2 (en) Systems and methods for anomaly detection and survival analysis for physical assets
CN111814964A (zh) 基于空气质量状况预报的空气污染处理方法及存储介质
Ke et al. Software reliability prediction and management: A multiple change‐point model approach
CN116632838B (zh) 应用于发电企业的电能供给分析的方法及装置
CN117649131B (zh) 一种基于ai的能源系统资源适配方法、系统和介质
CN117992859B (zh) 配备scada系统的机电装备早期故障预警与辨识方法及装置
CN117439256A (zh) 一种基于物联网的电站设备管理方法及系统
Hamasha et al. Strategical selection of maintenance type under different conditions
CN116843216A (zh) 一种指标预警方法、装置、计算机设备及存储介质
CN115983759A (zh) 物品需求量预测方法及装置、电子设备和存储介质
CN117670018A (zh) 汽车制造中的风险预测以及交互式风险减轻的系统及方法
CN111626543A (zh) 电力相关数据的处理方法及装置
CN113610308B (zh) 基于剩余寿命预测的安全库存预测方法
CN117974002A (zh) 一种ai驱动的库存管理与需求预测系统
CN115796398A (zh) 基于电力物资的需求智能分析方法、系统、设备及介质
Enck et al. Using statistical process monitoring to identify us business cycle change points and turning points
CN111008749B (zh) 一种需求预测的方法及装置
JP2022163293A (ja) 運用支援装置、運用支援方法及びプログラム

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
GR01 Patent grant
GR01 Patent grant