应用改进灰色预测模型进行装备修理费用预测研究

由于装备修理活动对承修方和托修方的严重信息不对称,托修方会采取各种方式希望获得尽可能多的修理费用信息,装备修理费用预测是一种很好的途径。本文分析了我军装备修理费用数据信息的特点,引入灰色预测模型进行预测,并对模型进行了改进,提高了预测精度。     

小波神经网络在装备研制费预测与控制中的应用

通过小波及小波变换的原理和方法,建立了适用于武器装备研制费用的小波神经网络预测与控制模型.结合某型装备研制费用,进行了预测与控制的数据仿真.     

基于遗传算法的装备使用保障费用灰色组合预测

针对目前对武器装备寿命周期费用估算建模难以实施的情况,以准确预测武器装备寿命周期费用的主要组成部分—装备使用保障费用为出发点,依据装备使用保障费用的特点建立了装备使用保障费用的灰色组合预测模型,指出了用蚁群算法优化组合权系数的不足,并提出了新的优化方法—遗传算法。最后,结合实例验证说明了该模型的预测效果优于蚁群优化的方法,为准确估算武器装备寿命周期费用提供了依据。     

BP组合预测方法在维修保障费用预测中的应用

通过对时间序列预测方法和回归分析原理的分析,建立了适用于武器装备维修保障费用的BP网络组合预测的时间序列多输出模型,并结合某型装备多年的维修保障费用,进行了预测数据仿真,得出的结果与实际的数据相比误差较小,具有较大的理论价值和实际的军事价值,有利于提高维修保障费用的效益,有利于实现装备的优良效费比。     

基于MSOA神经网络模型的装备保障费用预测

引入基于多步骤优化方法(MSOA)神经网络模型用以预测装备保障费用。实验结果表明,与传统的ARIMA时间序列模型和常规BP神经网络模型相比,基于MSOA神经网络预测模型具有更高预测精度。因此,该模型是一种更有效的装备保障费用预测模型。     

装备再制造费用预测估算方法

在装备再制造周期及再制造费用基本概念的基础上,给出了再制造费用参数的相关内容,并阐述了工程估算法、专家判断估算法、参数估算法、类比估算法等4种装备再制造费用分析及预测估算的方法,构建了基于工程估算法的再制造费用分解结构,并对再制造费用分析流程进行了详细描述,可为形成正确的再制造设计方案提供费用决策依据。     

基于油液分析的装备状态多阶段组合预测模型

状态预测是状态维修的关键步骤之一。针对装备状态变化规律复杂、特点难易准确掌握的关键问题,以延时时间概念和两阶段预知模型为基础,提出了根据不同阶段特点采用不同预测方法的多阶段组合预测模型。通过油液分析及其相关规定,对装备运行阶段进行了具体划分,给出了适应各阶段特点的预测方法。最后,通过实例验证了该模型的有效性。     

改革大型复杂武器系统审价方式的思考

大型复杂武器系统具有研制和生产周期长、内部结构复杂、生产耗费巨大等特点。文章分析了现行的大型复杂武器系统审价存在审价时机偏后、审价思想落伍、审价方式单一等问题,提出审价方式改革应当以全寿命费用管理思想、目标价格管理思想、激励创新思想为指导,对装备研制、生产过程采取事前预测、事中控制、事后跟踪相结合的审价方式。     

基于灰色分离建模方法的装备寿命周期费用预测

根据我装备研制项目有限、样本很少和寿命周期费用(life cycle cost,LCC)预测的不确定性以及易受外界不确定性因素影响的特点,提出在基于GM(1,1)建模的基础上,采取灰色分离建模方法来预测装备的LCC.所举实例证明这一方法可以取得较高的预测精度.     

装备预测与健康管理体系结构及关键技术

结合预测与健康管理技术（PHM）在降低装备保障维修费用方面的明显优势,介绍了预测与健康管理技术的内涵及特点,分析了PHM系统的开放式流程,并将该开放式流程应用于装备的故障诊断和预测中,提出一种基于PHM的预测与健康管理体系框架。在此基础上,对诊断与预测技术以及传感器配置算法等关键技术进行了详细阐述,介绍了采用的诊断和预测模型及算法。