毕业论文-城轨车辆维保备件库存控制系统研究

《毕业论文-城轨车辆维保备件库存控制系统研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、城轨车辆维保备件库存控制系统研究口录摘要Abstract1.绪论1.1研究背景1.2选题目的意义1.3研究内容1.3.1城轨车辆不可维修备件库存控制13.2城轨车辆可维修备件库存控制1.4研究方案1.5国内外现状1.6小结2.基础知识介绍2.1备件库存管理2.2备件库存需求预测维保备件的需求预测是城轨车辆备件库存管理中的重点c城轨车辆运行过程中对设备的安全可靠性要求极高，当检测到设备存在问题时必须及时进行更换或维修。而若库存中维保备件存储不足发生部分重要备件缺货情况，严重吋会导致列车停运待修，尤其是这些备件通常釆购周期很长，造成的损失不言而喻。为防上维

2、保备件缺货现象的发生，当前城轨车辆备件仓库采用的管理方法是先统计历年的备件实际消耗最，然后在平均消耗最的基础上增加三分之一的预留量作为下一年度的备件消耗的估计值。从实际效果來看，采用这一种方法可以有效减免城轨年辆备件的缺货发生率，但同样造成仓即备件堆积现场严重以及大量资金花费在备件存储上。因此当前城轨车辆维保备件库存管理迫切需要有效的备件需求预测方法，使得在满足备件实际使用需求的同时降低备件存储量，节约库存管理成本。对城轨车辆维保备件进行准确的需求预测存在很大的困难，主要原因包括以下几个方面:（1）城轨车辆发展较晚，绝大多数备件需求历史数据较少；（2）

3、备件使川量受到诸多因素干扰，比如运营期间城轨年辆数量的变动、午辆大修作业等；（3）部分备件需求随机性很强，它们的使用大多是离散的，在很多时间段里不发生库存消耗，很难判断备件什么时候盂要维修更换；（4）备件需求量与城轨车辆的使用和老化会有一定的占相关性。当前在对备件需求预测研究总体上可以分为一下儿类：回归分析法，时间序列预测方法和组合预测方法等。时间序列预测方法是根据备件丿力史消耗数据分析规律，然后根据过去一段时间备件的消耗量计算未来某一段时间内的可能需求，形式如下：x（t）=f{x（t-1x（t-2）,...,x（t-厶）），其中兀b）表示第/时期的

4、预测消耗量。时间序列预测方法只需要库存管理人员按时间段统计历史消耗最，然后依照模型即可实现预测，应用较为普遍，冃前也冇很多比较好的方法如：指数平滑（ES）、指数加权移动平均（EWMA）、Croston法、Bootstrap法、拟合分布等等。该方法对于应用对彖的要求比鮫鬲，往往要求备件外部环境稳定且需求量具有较平缓的变化趋势，当外界环境发牛很人变化等干扰吋，预测结果会发生很大偏差。备件需求预测回归分析方法是基于数理统计的预测方法，它是通过寻找备件需求量与影响需求量变化的自变量直接线性或非线性直接的关系，建立备件需求的函数模型，主要包括神经网络预测方法、支

5、持向量机预测法等等。该方法可以通过追踪外部环境的变化以调试预测结果，实时性较好，但盂要分析大量数据以找出统计规律，此外通过回归分析得到的预测模型往往只能考虑部分主要的影响因素，而舍弃更多的次耍因素,影响了需求预测的准确度。组合预测方法是一种较为新兴的预测方法，它是通过把不同的预测模空组合起來，然后利川各个预测方法所提供的结果，选取适当的加权平均形式得到最终的纽合预测模型。最近十儿年来国内外学者非常重视组合预测方法的研究，并収得了一系列研究成來，其中包括最小方差方法，无约束最小二乘方法，基于不同准则和范式的组合预测方法，递归组合预测方法等等。2.3备件库

6、存分类及库存控制策略2.4城轨车辆备件库存2.5小结1.城轨车辆不可维修备件需求预测3.1组合预测城轨车辆维保过程屮受某些外界条件因素影响很人，如列车数目的变化导致维保所需备件阶梯型变化，列车年检架修等导致的某些吋间点备件需求量骤增等等，因此在预测城轨乍辆维保备件需求虽时冇必要将这些因索考虑进去°然而在维保备件在实际使用过程中还冇诸多不可控因素的彩响，这些因素会彩响到备件的使用最但又不受库存管理者控制和预测。单纯根据主要的可控影响因素來预测未來某段时间内的备件需求准备率较低，为此我们选择组合模型对城轨车辆维保备件进行预测处理，通过同时考虑备件影响因素及

7、历史需求量趋势变化提高预测的精确度。所谓组介预测就是两种或两种以上的预测模型冇机的进行组合，通过综合不同预测方法的信息数据等提高预测精度。设釆用//种单项方法进行需求预测，结果为fiti=1,2,...,n,则组合预测结果：F=g(/；,心…,./；)，其中g为组合函数。根据组合函数的不同，可将组合预测分为线性组介预测模型、非线性组合预测模型。组合预测模型的重点在于单项预测模型筛选及组合函数参数选择。考虑到城轨乍辆维保备件历史需求数据少的现状，本文采用基于支持向量机的时间序列预测方法作为一个单项预测算法，根据备件使川的主要影响因索建立预测模型；采用基于

8、神经网络的预测算法作为另一个单项预测算法，在备件历史需求的基础上建立冋归预测模型。最示在这两种