基于广义回归神经网络的设备备件需求预测

罗亦斌 徐克林

(同济大学 机械与能源工程学院 上海 200092)

在现代制造业中，自动化、半自动化设备的普及是生产企业的基础，设备能否正常运行是对企业产量影响的重要因素。为了保障设备的正常运行，设备备件种类及数量的可靠性对企业有着很大的意义。但从另一个角度来讲，长期积压的备件无法保证其产品性能不会随着时间的推移而得到保证。因此，合理的设备备件需求量的预测可以避免设备在出现故障时面临长时间的停机，也可以避免企业在设备备件上积压大量资金，对企业的生产运作、资金运作有着指导作用。

在对于备件类物资的研究上，人们往往侧重于对物资分类模型的研究和对物资订货策略及模型的研究。如基于模糊层次分析的备件重要性评价，研究了如何分析备件的重要性及建立相对应的评价模型。而在研究上则更侧重于对备件的需求量及其所需资金的预测性分析，这样才能反应出研究模型对企业的实际价值。

常用的预测方法包括时间序列方法、移动平滑法、相关回归分析法、灰色预测方法和多种方法综合的组合预测方法等。这些方法大都集中在对其因果关系回归模型的分析上，不能全面、科学和本质地反映所预测的动态数据的内在结构和复杂特性，而所研究的对象恰恰又是因果关系却不明显，其内在数据结构较模糊，因此并不适用。

人工神经网络是由大量简单的处理单元组成的非线性、自适应、自组织系统，只需要给出对象的输入和输出数据，通过网络自身的学习功能就可以达到输入和输出的映射关系。相对于传统的根据数据分析预测方法，适合于处理模糊、非线性的和模式特征不明确的问题。

1 运用广义回归神经网络(GRNN)作为该类设备备件需求预测的技术要点

广义回归神经网络是径向基神经网络的一种，具有很强的非线性映射能力和柔性网络结构以及高度的容错性和鲁棒性，适用于解决非线性问题。GRNN在逼近能力、分类能力和学习速度方面具有较强的优势，网络最后收敛于样本量积累最多的优化回归面，并且在样本数据较少时，预测效果较好。网络也可以处理不稳定的数据，因此可以运用建立设备备件需求量预测模型，并利用该企业历史的统计数据对将来的需求量进行测算。

在利用神经网络进行需求预测时，先要通过训练确立网络结构及建立模型，才能预测将来的需求量。而其中的关键是要有大量的历史数据从各个维度来训练网络，从而提高最终预测的可靠性。由于设备故障是不可预测的，因此对于预测修复故障而产生的备件需求量会比较复杂，需要通过分析设备的实际使用情况来确定最终的影响因素。与设备备件相关的因素是:

(1)企业的产量。企业的产量直接反映了设备的开动时间。开动的时间越长，损坏的几率就越大，需要相应的备件保障量也会增加。

(2)设备运行的时间。设备运行时间的长短将会直接影响设备产生故障的概率，特别是在长时间、满负荷的运转时更容易对设备的各个部件造成疲劳性的损坏，引起设备的故障，增加对备件的需求。

(3)备件的采购周期。由于部分备件是从国外进口，采购周期会有较大的波动。根据实际的生产需求也需要不同的采购策略，但无论如何备件的采购周期对于保障设备的正常运行和备件储备总量有着直接的联系。

(4)备件的价值。作为企业，价格越昂贵的东西越不愿意储备，一方面影响了流动资金，另一方面也会积压库存资金。所以对于价格高的备件，一般都需要作慎重考虑。

(5)备件的消耗。备件的消耗量或是消耗金额与多个因素有关，与设备的使用情况有关，与该备件的自身特性有关(如:接触式开关就要比感应开关容易损坏)，也与操作人员的操作熟练程度有关等等。备件消耗量的波动也直接影响了对备件需求量的变化。

(6)备件在设备上的使用情况。这也是与多个因素有关，最主要的是备件其本身的设计特性。如轴承类产品有其设计寿命，但在实际使用中如果增加了润滑或是冷却油路并进行定期保养，这样轴承的寿命可以大大延长。

(7)备件的周转率。周转率越高表明物资的使用越频繁，但设备备件有其特殊性，不可能高效周转，该数据只能提高备件的存储能力，使备件的周转越来越合理。

综上所述，设备备件的需求不是一个单一的概念，其与诸多因素有关，但却并不都是直接相关，是与多个因素共同作用的结果。也就是说在研究的这个问题的原因和结果之间存在了一个较为复杂、非线性的关系。这类关系无法用线性的函数来解析，而神经网络在此方面却有优势，解决了在处理输入和输出值关系中特征不明确的问题。

基于以上的考虑，选取S企业X型号的设备作为研究对象，把在这个类型设备上消耗的主要备件及其历史数据为样本展开研究。基于以上分析的内容考虑，分别选取设备运行的时间、企业生产总量、设备故障次数、设备故障时间、备件消耗量、备件消耗金额和备件采购周期等因素作为输入，将采购总量、采购总金额作为输出，由此来构建广义回归神经网络。

2 网络结构

GRNN的网络结构如图1所示，主要由输入层、模式层、求和层和输出层组成。本案例将运用S企业的各个历史数据作为学习样本，是整个GRNN网络的输入向量，将该变量传递给模式层。

图1 GRNN的网络结构

模式层神经元数目等于学习样本的数目，其神经元的传递函数为:

式(1)中的X是学习样本，为网络输入变量。

求和层是对所有模式层神经元的输出进行算数求和，其模式层和神经元的连接权值为 1，传递函数为:

或是对所有模式层神经元的输出进行加权求和，传递函数为:

输出层中的神经元数目等于学习样本中输出向量的维数 k，各神经元将求和层的输出相除，即公式为:

3 仿真计算

应用MATLAB2010编程创建一个 GRNN网络，采用MATLAB语言编写算法计算程序来构建预测模型。根据之前的分析，以企业产量、设备数量、设备平均运行时间、设备故障时间、备件平均采购周期、备件平均周转率、备件消耗总量和备件价格等作为输入值，预测最终所需备件的数量以及价值。利用2002－2012年的对应数据作为样本数据，见表1。输入向量组数为12，每组向量的元素个数为8，对网络进行训练和测试。的训练样本，采取交叉验证方法进行训练，找出最佳的Spread参数。将2012年的数据作为网络的外推测试样本进行预测，预测结果见表2。

表1 样本数据

表2 预测结果

4 结语

在试验中发现，GRNN模型的结构简单，收敛性较好，同时预测精度高，预测速度快，避免了繁琐的数学计算，应用性较好。从GRNN网络预测的结果和实际值来看，在对企业中一些历史统计的数据进行训练后，建立的神经网络在预测值和误差率上都取得了较好的效果，可以为企业备件资金的预测提供支持。通过试验说明了该模型的可靠性和实用性，对于企业全面推广备件需求预测有着重要的意义。另一方面，该模型的分析方法也可用于其他不同需求类型的管理，可以对企业中的其他类型需求预测提供借鉴。