备件消耗预测方法研究现状及发展*

黄照协 李前会 孙思浩 汤子鑫

(总装驻福州地区军事代表室 福州 350003)



备件消耗预测方法研究现状及发展*

黄照协 李前会 孙思浩 汤子鑫

(总装驻福州地区军事代表室 福州 350003)

备件消耗预测是制定备件消耗标准的基础工作之一,通过对国内外有关备件消耗预测的文献进行研究,在分析当前备件分类的基础上,总结消耗连续型备件和消耗间断型备件的消耗预测方法研究现状,指出不同类型消耗预测模型的优点及存在的不足,揭示了备件消耗预测的研究重点及发展趋势。

备件; 分类; 连续型; 间断型; 消耗预测

Class Number F253.4

1 引言

备件是设备维护和修理的重要物质基础,是保障设备处于良好技术状态,提高设备再生能力的有效保证。由于备件品种多,数量大,且设备故障随机性强,消耗不定,很难精确确定未来一段时间备件的消耗量,在平时设备维护和修理过程中,一般采用按消耗标准计领的方式进行保障。因此,制定科学的备件消耗标准既是设备正常运行的有效保障,也是提高备件保障效益的重要手段。据有关资料表明,目前国际上已有二百多种预测方法,其中有二十多种方法在不同领域中得到了广泛应用,如何选择合适的消耗预测方法成为科学制定备件消耗标准的重要课题。

2 备件的分类方法

备件分类是进行备件消耗预测的基础和前提,国外开展备件分类研究起步较早,20世纪60年代Allen[1]等就提出必须考虑备件的可维修特性,将备件分成可维修和不可维修两类。之后,为制定科学合理的备件库存策略,有关学者从不同角度对备件进行了详细分类。Moore[2]认为备件分类必须考虑设备故障、备件过去的使用情况、订货提前期、供应商可靠性、缺货水平和库存周转期等因素;Dekker R[3]根据备件所在设备的关键性将备件分为关键备件与非关键备件;Marcello B等[4]考虑了备件的库存约束、停机成本、安全和环境目标、所采取的维修策略等因素对备件进行分类。

国内对于备件分类研究多集中在ABC分类法上。如根据备件的特性和管理要求进行ABC分类;依据备件单价、采购周期、影响度、数量和寿命进行ABC分类;依据备件关键性、可替换性、订货提前期和消耗金额等运用层次分析法和灰色分析法的ABC分类;根据关键性、年需求量、采购提前期和单价等基于BP神经网络的ABC分类[5]等。上述方法对于备件分类多是通过定性分析得到各类备件,精度不高、可操作性不强。

熊君星等[6]基于备件的需求特性对备件进行分类,将备件分为需求连续和需求间断两种类型,研究同一类型备件的需求规律。基于需求特性的备件分类方法有助于解决备件种类过多、部分备件需求的历史数据少而难以估计其订购提前期内需求的困难,并能够为每类备件选择预测精度较高的预测方法。

本文采用上述分类方法,将备件分为消耗连续和消耗间断两种类型,对于消耗连续型备件便于利用其历史消耗数据,选择合适的预测方法,而对于消耗间断型备件,由于其历史消耗数据较少,采用的预测方法也不尽相同,下面分别综述两种类型备件的消耗预测方法的研究现状。

3 消耗连续型备件消耗预测方法

消耗连续型备件的消耗量随时间的变化,呈现出一定的规律,便于通过使用统计数据分析等方法,从备件的历史消耗数据中找出统计规律,结合经验,做出科学的备件消耗预测。进行消耗连续型备件预测的前提是做好备件历史消耗数据的统计分析,在整个设备的寿命周期内,备件历史消耗数据包含设计数据、试验数据、定期消耗数据以及故障后消耗数据等。

3.1 基于统计数据预测法

依据统计数据分析法是指依据备件的历史消耗数据,通过分析研究,总结规律,制定消耗定额的方法。该方法使用范围广,目前主要有时间序列分析法、回归分析法、多层递阶预测法、指数平滑法、小样本法、灰色预计法以及神经网络法等。

3.1.1 时间序列分析法

时间序列是被研究对象在不同时间的观察或记录值按时间先后顺序排列而成,是一种动态序列。其基本思路是根据预测对象的不同特征,选择适当的模型参数建立预测模型,利用模型进行趋势外推预测,而后对模型预测值进行评价和修正,得到预测结果。

汤岩[7]指出时间序列分析法包含约束外推预测法和概率预测法两种类型。其中,约束外推预测法以移动平均法和趋势外推法为代表;概率预测法以马尔柯夫法和博克斯-詹金斯法为代表。在时间序列模型方面,主要有平稳时间序列模型和非平稳时间序列模型两种类型。平稳时间序列模型要求时间序列具有稳定的变化趋势,而对于像不确定消耗或者间断消耗等受外界的干扰因素较多时,预测的可信度较差。

为解决非平稳时间序列预测可信度差的问题,史耀媛等[8]提出了一种基于非单点模糊正则网络的预测模型,通过将非单点模糊系统引入正则神经网络结构来建立模型,使新的时间序列预测模型的抗干扰能力明显增强,并且具有收敛速度快,全局搜索能力强的特点。时间序列分析法理论系统、方法成熟、简单实用,多用于中、短期预测。

3.1.2 回归分析法

回归分析法的基本思路是通过分析预测对象与有关因素的相互联系,用适当的预测模型表达出来,而后根据数学模型预测其未来状态。常用的回归模型有一元回归模型、多元回归模型等。

回归分析法具有三个优点:一是能研究预测对象与相关因素的相互关系,抓住预测对象变化的实质原因,因而预测结果比较可信;二是能给出预测结果的置信区间和置信度,从而使预测结果更加完整和客观;三是考虑了相关性,能运用数理统计的有关方法对回归方程进行统计检验,因而对预测对象变化的转折点具有一定的鉴别能力。

回归分析法主要应用于连续消耗预测,而备件需求往往都是间断需求,所以,回归分析法在备件消耗预测领域的应用具有一定的局限性,主要表现为:一是回归分析法需要大量的统计数据,数据少则难以找出统计规律;二是对实际数据一视同仁,认为各数据对预测对象的影响程度相同,这是不符合实际的;三是计算工作量较大,出现新数据时,一般要重新估计回归方程和进行相关分析;四是回归分析法所得到的回归预测方程往往只能考虑少数几种主要影响因素,略去许多影响因素,制约了预测的准确性;五是回归变量选取时的主、次要因素在实际建模时较难把握,同时变量因素的量化也是一个难点。

为解决上述问题,Gupta[9]提出一种回归方法得出在任意时刻、由于备件影响停机次数的稳态概率分布,提供了各种维修时间分布的等候系统绩效的测量;李寿安[10]等提出了基于回归分析的备件故障率预测模型,通过用多元回归模型预测对一元线形回归模型进行改进使故障率更趋准确化,为备件的储备提供了更为科学的依据。

3.1.3 多层递阶预测法

多层递阶预测法的基本思想是把时变系统的状态预测分离成对时变参数的预测和对系统的状态预测两部分。多层递阶预测方法把动态系统看成是一个一维或多维的时间序列,从系统的外部特征着手,建立其输入、输出模型。多层递阶预测方法依据大量的历史统计数据进行序列的多层分析,使预测模型的建模过程所依据的信息大大增加,所得模型能较好地反映系统的历史演变规律,从而有利于提高模型对长期预测的适应性。

由于回归分析法的预测模型能较好地体现高相关因子的重要作用,而多层递阶方法则充分考虑了动态系统的时变特性,为了综合二者的优点,张晓东[11]等给出了一种改进的多层递阶预测方法——多层递阶回归分析方法。该方法将原模型中的各项看作回归变量作线性回归,再以回归系数与预报因子的乘积作为对原预测因子的修正变量,然后进行多层递阶预测。该方法集多层递阶和回归分析两者的优点,既能较好地体现高相关因子在预报模型中的重要作用,同时对时变系统又具有较强的适应性。为解决多层递阶方法的预测效果不稳定,特别是预报因子之间存在较大量级差异时预报不稳定的问题,吴为英[12]等对多层递阶回归方法进行了改进。

3.1.4 指数平滑法

指数平滑法是一种鲁棒性的预测方法,通过对每一期的消耗量进行平滑,来预测下一期的消耗量。其优点是不要求很多的样本量,适应性较强,简单易操作,可以用于简单的时间序列分析和预测。常用的指数平滑模型有一次指数平滑模型、二次指数平滑模型和三次指数平滑模型[13]。

目前,国内外关于指数平滑法并不是进行单独的研究,而是在指数平滑法的基础上发展了一些可以预测间断需求的方法,如Croston法等。

3.1.5 小样本法

样本量不同,采用的消耗预测方法便不同。对大样本数据,可用方法较多,往往能更容易地从备件历史消耗数据所呈现的特点中总结备件的消耗规律,从而选择合适的方法进行备件的消耗量预测。而对于只有近三到五年消耗数据的小样本数据,因为数据样本量较小,对很多统计方法都失去了应用前提,因而只能较粗略地考查其消耗情况,小样本方法便是为了满足这类数据需求而产生的一种消耗预测方法。贝叶斯统计法被认为是处理小样本数据预测的有效方法[14]。

3.1.6 灰色预计法

灰色预计法能够根据现有的少量信息进行计算和推测,因而在人口、经济、能源、气象等许多领域得到了广泛的应用,取得了较好的效果。目前,最常用的灰色预测模型是GM(1,1)模型。在系统需求预测中,将系统看作灰色系统,采用累加生成法将历史消耗数据进行灰数生成,建立GM(1,1)模型进行求解,再采用累减还原法得到预测值。对灰色系统模型分析可发现,其实质为一种曲线拟合过程,最终可得到拟合方程,灰色系统建模要求样本数量相对较少、原理简单、运算方便,而且具有可检验性。

但是,灰色系统建模有其特定的使用条件:一是灰色系统建模的前提是数据序列为光滑离散函数,其关系可用一个初等函数来表达;二是灰色系统模型仅描述一个随时间按指数规律单调增长或衰减的过程。可见,灰色系统模型的适用范围为描述数据序列中所蕴涵的、确定性的指数规律。因此,灰色系统模型的应用范围非常狭小。

3.1.7 神经网络法

备件消耗的随机性、多样性、时变性同时存在,而传统预测方法往往无法精确地描述备件消耗与影响因素之间错综复杂的关系。在解决这方面的问题上,金维佳[15]等提出采用人工神经网络模型进行预测。该模型由输入层、隐蔽层、输出层组成,可以看成是输入与输出集合之间的一种非线性映射,而实现这种非线性映射关系并不需要知道研究对象的内部结构,而只要通过对有限多个样本的学习来达到对研究对象内部结构的模拟。

与传统预测方法相比,神经网络法具有高度的非线性运算和映射能力、自学习和自组织能力、高速运算能力、能以任意精度逼近函数关系、高度灵活可变的拓扑结构及很强的适应能力等优点。神经网络法一般适用于中、短期预测,预测精度较高。

3.2 基于保障度预测法

备件保障度是指在指定的工作任务时间内,当备件失效或者损坏后能够在指定的时间内获得指定数量备件的概率[16]。用基于保障度预测法预测备件的消耗时,前提是根据备件的不同寿命类型对备件进行相应的分类,将备件分为指数寿命件、随机失效件、正态寿命件、威布尔寿命件等典型形式。在明确备件寿命分布类型的基础上,根据需要通常将备件分为消耗品、不可修备件和可修备件,根据备件的类型,确定备件的消耗预测模型。

3.2.1 不可修备件消耗预测方法

从目前可查文献分析,对不可修备件消耗预测的相关方法较为成熟,广泛应用于备件保障的各个领域。

Dinesh K[17]认为备件需求量等于拆卸数量是合理的,由此建立了不可修备件的需求函数;韩兴才[18]根据不可修备件的消耗与影响因素呈现因果关系的特征,应用回归分析法建立了航材因果预测模型;Larry S. Mickel[19]提出寿命服从指数分布的不可修备件需求量预计模型。

3.2.2 可修备件消耗预测方法

对于可修备件,一般将备件区分为修复如旧、修复如新以及介于二者之间三种状态。目前最常用的是马尔柯夫消耗预测模型[20],将可修备件所处的状态分为有故障和无故障两种状态,在给定的备件满足率下,可确定最佳的更换间隔时间,从而确定可修备件的消耗;中国科学院的杨军、于丹[21～23]等致力于可修备件预测模型的研究,分别提出了修如旧、修如新模型中存储系统备件量的计算方法,并建立了威布尔分布可修备件的需求预计模型;陈砚桥[24]提出批量独立可修备件需求预测仿真算法;何亚群[25]等提出基于可用度的飞机可修备件需求模型。

3.3 基于任务量预测法

任务量法根据备件所在设备生产产品的产量来预测备件的消耗量,李武胜[26]提出了用产量序列法预测生产线备件的消耗趋势,充分考虑了产量、设备状态下降对备件消耗量的影响,以备件的消耗量、产量、设备技术状态之间的内在联系为依据,在总结实践经验的基础上,给出备件消耗量在订货周期内与产量以及设备技术参数之间的关系式。

由于设备、装备的工作形式都可以物化为具体的任务,如设备可将任务物化为生产产品的数量,装备可将任务物化为摩托小时、射击发数、行驶里程等。通过相应的物化,得出设备或装备的任务量,在此基础上进行备件消耗预测。

4 消耗间断型备件消耗预测方法

所谓消耗间断型备件,也称慢速流动器材,是指该种类型备件一般不发生故障,在历史消耗数据中往往表现出大量的零值。因此,按年或月统计得到的连续消耗对实际预测意义不大。

间断消耗件虽然消耗量很低,但还须储备,因为这类备件的价值往往都很高,一旦缺货就可能立即影响设备的完好性,甚至造成设备停机,采用消耗连续型备件消耗预测方法对其进行消耗预测量往往有着很大的误差。目前,消耗间断型备件消耗量的预测方法有Bayesian法、Croston法、Bootstrap法等。

4.1 Bayesian法

Kamath[27]提出了需求不服从任何分布情况下,采用Bayesian方法预测备件需求。其基本思想是,结合以前的试验数据,确定先验分布概率,通过Bayesian定理确定现有数据的概率分布。与经典统计法的根本差别在于,前者既使用现在的又使用以前的数据,而后者只使用现在的数据。Bayesian法的主要缺点是需要根据以前的经验或判断极其谨慎地选择先验概率分布。如果先验概率分布选择不当,那么其分析结果就可能是不精确和错误的。另外,Bayesian法涉及到复杂积分,计算存在一定难度。

4.2 Croston法

Croston提出将需求间隔与需求量分开,采用指数平滑法分别计算需求间隔和需求量:若发生需求,则更新需求间隔和需求量的估计,然后将需求量除以需求间隔得到平均需求,用平均需求来预测;若不发生需求则保持原来的预测,只更新从上次发生需求到现在的需求间隔。

在Croston提出预测间断需求的Croston法之后,有多篇文献研究Croston法与连续型预测方法的预测精度比较,Ghobbar A A[28]采用13种方法来预测飞机备件的间断需求:Winter加性季节模型、乘性季节模型、季节回归模型、服务时间模型、加权需求率模型、加权回归预测模型、Croston法、指数平滑法、指数加权移动平均法、趋势调整的指数平滑法、加权移动平均法、二次指数平滑法和自适应调整的指数平滑法等。结果显示Croston法、指数加权移动平均法是预测精度较高的方法。

4.3 Bootstrap法

Willemain[29]等采用Bootstrap法预测固定提前期的累计分布,该方法采用从消耗历史数据中抽样来产生虚拟数据的方法,可以预测到已经在消耗历史数据中出现的消耗量,并且可以预测提前期每一期消耗是否发生,给出预测的每一期消耗发生的概率,并且能得到预测的每一期的消耗量,该方法重复多次能产生很多预测的消耗样本,可以得到预测的提前期消耗分布。计算结果显示,该方法比指数平滑法、Croston法预测的精度高。

5 消耗预测研究重点及发展趋势

作为备件消耗标准制定的基础工作之一,备件的消耗预测一直是备件管理的重点和难点问题。在今后的研究中,将针对备件消耗的随机性和不确定性,从预测方法的改进、改善修理活动响应以及改善备件管理流程等角度入手,通过采用新的预测方法、多级响应的备件管理流程需求、频繁更新的预测分析、适当的安全库存设置来完善备件消耗预测,提高备件的预测准确度。为此,备件消耗预测的发展突出表现为三个方面:一是新型预测方法的引入,如支持向量机技术、粗糙集理论等;二是重视可修复备件消耗预测的研究;三是组合预测方法的兴起。

5.1 基于支持向量机的消耗预测研究

支持向量机(Support Vector Machines,SVM)能很好地解决小样本、非线性、高维数和局部极小点等实际问题,现已广泛运用到模式识别、函数逼近、回归估计等领域。SVM的最大特点是以结构风险最小化原则代替传统的经验风险最小化原则,因此具有较好的泛化能力。另外,SVM在处理非线性问题时,首先将非线性问题转化为高维空间中的内积运算,从而巧妙地解决了复杂计算问题,并且有效地克服了维数灾难及局部极小问题。Muller K R[30]成功地把SVM方法引入到时间序列的预测领域,任博[31]将SVM方法运用到飞机备件的消耗预测当中,为SVM用于备件的消耗预测作了一个有益的尝试。

5.2 可修备件的消耗预测研究

大部分备件是可修的,因此,加强对可修复备件消耗预测的研究具有十分重要的意义。对可修复备件的消耗预测的相关方法的研究经过几十年的发展已相当成熟,但受到可修复备件寿命拟合不易、备件理化属性多样以及预测前提假设条件苛刻等影响,目前各种方法的预测效果并不理想,为提高备件消耗预测效果,避免高缺货率的发生,今后对于可修件的消耗预测应以短期、动态的消耗预测为主。

5.3 组合消耗预测研究

任何一种预测方法都有其优缺点,对同一个问题所提供有用信息都不会足够全面,为提高预测方法的精度,组合预测方法应运而生。将多种不同的预测方法有机地结合起来,利用单项预测方法之间的方差-协方差的关系和单项预测方法反映出来的信息,通过组合,获得对预测对象更精确的估计,这就是组合预测方法[32～33]。组合预测模型就是将各种预测效果进行综合虑,比单个预测模型更系统、更全面。常用的组合预测模型有以下三种:一是不考虑样本信息的简单平均组合和考虑一阶滞后的简单平均组合模型;二是仅考虑单项预测样本相对性能的简单平均组合模型和考虑一阶滞后的简单平均组合模型;三是不考虑滞后和考虑一阶滞后回归组合模型。为提高备件消耗预测效果,避免单一预测方法造成的消耗确定过剩或不足,多种预测方法相结合的预测将成为备件消耗预测的发展方向之一。

6 结语

现阶段备件消耗预测对备件消耗统计数据依赖性强,但备件的消耗统计数据获取难度大,且消耗数据不准,设备使用不定,消耗规律不易把握,造成备件消耗的预测精度不高[34]。此外,当前对备件的消耗预测大都在设备使用一段时间之后有了历史消耗数据才着手进行,而针对新设备的备件消耗预测较少,且方法多以维修工程分析法、统计分析法和相似产品法等定性分析方法为主,主观性强,量化不足。如何科学利用备件历史消耗数据研究备件消耗预测方法以及如何加强初始备件的消耗预测将是今后一段时间研究的重点。

[1] Allen S G. An ordering policy for repairable stock items[J]. Operations Research,1968,16(3):482-489.

[2] Moore R. Establishing an Inventory Management Program[J]. Plan Engineering,1996,50(3):113-116.

[3] Dekker R. A spare parts stocking policy based on equipment criticality[J]. International Journal of Production Economics,1998,3:56-57.

[4] Marcello B, Andrea G, Roberto M. Multi-attribute Classification Method for Spare Parts Inventory Management[J]. Journal of Quality in Maintenance Engineering,2004,10(1):55-65.

[5] 徐晓燕.一种基于需求特性分类的备件库存管理方法及其实证研究[J].系统工程理论与实践,2006,2.

[6] 熊君星,夏芳臣,涂海宁.基于BP神经网络的备件ABC分类模型[J].机械设计与制造,2008,2:215-217.

[7] 汤岩.时间序列分析的研究与应用[D].哈尔滨:东北农业大学,2007.

[8] 史耀媛,史忠科.基于非单点模糊正则网络的时间序列预测模型[J].西北大学学报,2006,36(6):887-889.

[9] Gupta V. On the M/G/1 machine interference model with Spares[J]. European Journal of Operational Research,1996,89:164-171.

[10] 李寿安,张恒喜,李东霞.基于偏最小二乘回归的军用飞机采购价格预测[J].海军工程大学学报,2005,17(4):64-68.

[11] 张晓东,韩志刚.一种改进的多层递阶预报方法研究[J].哈尔滨工业大学学报,2002,34(3):436-439.

[12] 吴为英,向阳,崔家保.改进的多层递阶回归算法在进出口贸易中的应用[J].山东科技大学学报,2003,22(1):54-57.

[13] 邓超风.指数平滑模型探讨[J].中国水运,2006(9):210-211.

[14] 王宏焰.通用军械装备维修器材消耗规律研究[D].石家庄:军械工程学院,2009.

[15] 金维佳,叶文华.基于BP神经网络的新零件材料消耗定额预测方法研究[J].铸造技术,2007,6.

[16] 高崎.通用武器装备维修器材供应与管理[M].石家庄:军械工程学院,2006.

[17] Dinesh K. Reliability Maintenance and Logistic Support: A Life Cycle Approach[M]. USA: Kluwer Academic Publisher,2000.

[18] 韩兴才.航材管理工程[M].北京:蓝天出版社,2003.

[19] Larry S. Mickel, Robert L. Heim. The Spares Calculators: A Visual Aid to Provisioning[C]//Proceedings, 2001 Annual Reliability and Maintainability Symposium IEEE,2001:410-414.

[20] 赵建民,赵建华,丁鹤群.有限可修备件条件下系统计划更换策略[J].模糊系统与数学,2000,6:95-99.

[21] 杨军,于丹.修如旧模型中储存系统备件量的计算及其置信区间[J].中国科学院研究生学院学报,2004,21(4):441-446.

[22] 杨军,于丹,赵宇.修如新模型中备件量的计算及其置信上限的Fiducial推断[J].应用概率统计,2007,23(3):225-230.

[23] 闫霞,于丹,李国英.一类可修威布尔型设备可用度的Fiducial推断[J].系统科学与学,2004,24(1):17-27.

[24] 陈砚桥,金甲善,黄政.批量独立可修件的备件需求预测仿真算法[J].海军工程大学学报,2007,19(6):79-82.

[25] 何亚群,谭学峰,金福禄.基于可用度的飞机可修件需求分析[J].系统工程与电子技术,2004,26(8):848-849.

[26] 李武胜.电厂热工控制系统备件消耗预测研究[D].北京:北京物资学院,2009.

[27] Kamath K R. A Bayesian approach to a dynamic inventory model under an unknown demand distribution[J]. Computers & Operations Research,2002,29:403-422.

[28] Ghobbar A A. Evaluation of forecasting methods for intermittent parts demand in the field of aviation: a predictive model[J]. Computer & Operations Research,2003,30:2097-2114.

[29] Willemain T R. A new approach to forecasting intermittent demand for service parts inventory[J]. International Journal of Forecasting,2004,20:375-387.

[30] Muller K R. Predicting time series with support vector machines[C]//Artificial Neural Net works-ICANN’97,1997:999-1004.

[31] 任博,张恒喜,苏畅.基于支持向量机的飞机备件需求预测[J].火力与指挥控制,2005,6:78-83.

[32] 朱培涛,赵武奎.组合预测方法在弹药消耗预测中的应用[J].科学技术与工程,2007,7(14):3561-3563.

[33] 隆玉玲,王文杰,方向华.CPFR组合预测方法研究[J].东华大学学报,2009,35(2):216-221.

[34] 黄照协.军械备件目录与标准体系构建方法研究[D].石家庄:军械工程学院,2013.

Research and Development of the Spare Parts Consumption Prediction Methods

HUANG Zhaoxie LI Qianhui SUN Sihao TANG Zixin

(Military Representative Office of General Equipment Department at Fuzhou, Fuzhou 350003)

Spare parts consumption prediction is the base work of consumption standards establishment, this paper reviews the related domestic and overseas literatures on spare parts consumption prediction. Under the discussing of the methods of spare parts classification, the paper sums up the consumption prediction methods of continuity and discontinuity spare parts. And then, it indicates the virtues and disadvantages from different consumption prediction models. Finally, it reveals the research key points and development trends of spare parts consumption prediction.

spare parts, classification, continuity, discontinuity, consumption prediction

2014年7月3日,

2014年8月25日

黄照协,男,博士,工程师,研究方向:弹药质量监督与控制。李前会,男,硕士,工程师,研究方向:弹药质量监督与控制。孙思浩,男,工程师,研究方向:弹药质量监督与控制。汤子鑫,男,工程师,研究方向:弹药质量监督与控制。

F253.4

10.3969/j.issn1672-9730.2015.01.004