一种航天试验装备备件需求组合预测模型

为适应高密度任务条件下航天试验任务对航天试验装备备件精确化保障的要求,提高备件保障的质量效益,运用组合预测的思想,在优选和改进单项预测模型的基础上,从实际值和预测值之间的相关性指标出发,结合信息集结算子动态赋权,提出一种航天试验装备备件需求组合预测模型。以5个典型误差指标对实验结果进行比较分析,该组合预测模型的预测结果均明显优于单项预测模型。通过建立组合预测模型,弥补了单项预测模型的不足,提高了航天试验装备备件需求预测的精度,为增强航天试验任务保障效益提供了方法参考和决策支持。     

基于改进的神经网络的军械备件需求预测

针对当前军械应急保障中备件供应需求依据经验判断,从而导致保障不精准的现实问题,浪费应急保障资源,削弱部队战斗力.在对军械备件需求量进行分析时发现,军械备件需求符合间断型备件需求特征.基于改进的神经网络军械应急维修备件需求预测模型,利用神经网络模型的强大非线性函数的拟合能力,将间断型的备件需求分解为两步.最终,将两个序列预测结果综合分析,得出军械备件需求预测结果.根据改进神经网络预测模型,结合某单位某军械装备保障数据,用总体数据的4/5作为训练数据,1/5作为测试数据进行预测,实验结果表明,改进的神经网络预测模型预测精度优于其他预测模型,预测精度符合预期,可以为军械应急保障提供依据.     

任务驱动下航材需求量的GA-GM-BP预测

机务保障影响着航空装备战斗力的生成,机务保障资源是任务成功率的物质支撑.基于航材需求信息的灰色性,通过采用DEMATEL方法提取影响航空备件需求量的关键影响因素,采用遗传算法优化的灰色神经网络对需求量进行了仿真预测,其预测精度较BP神经网络和灰色神经网络都高.该方法对于其他航空机务保障资源的需求预测有借鉴意义.     

遗传神经网络在保障资源需求预测中的应用

针对现代战争条件下装备保障资源需求变化快,保障资源预测困难的问题,首先分析了影响装备保障资源需求的因素,根据实际情况选取了平均维修间隔时间(MTBM)、平均修复时间(MTBR)等8项影响装备保障资源需求的关键指标,然后将基于遗传算法(GA)优化的反向传播(BP)神经网络应用于保障资源需求预测中,构建了基于遗传神经网络的需求预测模型,最后利用1980年～2010年实际保障资源需求数据对模型进行了验证.验证结果表明,基于GA优化的BP神经网络预测模型有较快的收敛速度、较强的适应性和较高的预测精度,适用于装备保障资源需求预测.     

基于作战任务的备件保障概率分配及其需求量预测模型

以作战任务为牵引,基于我方装备战斗力指数及其与敌方目标对抗的损失交换比(简称"对抗损失交换比"),建立不同作战任务下装备综合战斗力指数评估模型;基于装备综合战斗力指数,采用层次分析法(Analytic Hierarchy Process,AHP)确定装备作战任务贡献度(简称"装备贡献度");基于装备贡献度分配装备保障概率,依据零部件对装备整体功能的重要度分配相应备件的保障概率,有效避免人为分配造成的主观误差。根据装备损坏模式预测战时备件的需求量:在技术损坏模式中,依据零部件的不同寿命分布构建预测模型;在受击损坏模式中,采用数理统计方法构建预测模型。最后,通过案例分析验证所提出方法的有效性和可行性。结果表明:该方法具有较强的实用性和有效性,可为不同作战任务下备件需求量预测提供新思路。     

基于HTCPN的飞机备件需求预测方法

针对航空兵部队飞机备件需求预测问题,提出了一种基于分层赋时着色Petri网(Hierarchical Timed Colored Petri Net,HTCPN)的飞机备件需求预测方法.根据飞机维修保障工作内容与流程,运用CPN Tools软件,构建飞机维修保障工作HTCPN总网仿真模型,以及故障维修工作HTCPN子网仿真模型.提出了备件需求量确定规则,建立了基于飞机出动架次率的备件需求预测模型.通过算例分析,验证了该方法的科学性和有效性.     

基于支持向量机的飞机备件需求预测

支持向量机是一种机器学习算法,在国外已广泛应用于工程实践领域。首先探讨了支持向量机回归预测模型的学习和预测机制,分析其中三个重要参数对算法的影响规律,得出一套定性的参数选择方法,然后将支持向量机引入到装备综合保障分析之中,构建了飞机备件智能预测模型,并对某型军用飞机备件需求进行了预测和分析,结果表明:基于支持向量机的备件需求预测是有效的、可行的。     

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。     

基于变分模态分解的非稳态备件需求预测方法

备件需求量的预测是备件配置的重要内容,针对当前装备备件需求非稳态的特点,提出一种基于变分模态分解的备件需求预测方法.运用变分模态分解将非稳态备件需求序列分解为若干模态分量,引入模糊熵的概念,将周期性、随机性和长期性特征明显的模态分量进行有效聚合,提高计算效率,进而运用预测效果较好的径向基神经网络预测法对聚合后的模态分量分别进行预测,将各分量预测结果进行整合形成最终的备件需求预测值.通过案例分析与实验对比,结果表明提出的方法能够有效挖掘非稳态备件需求序列的深层次信息,实现非稳态备件需求序列的较好拟合,并与其他非稳态时间序列预测方法对比具有较高的预测精度,为适应新时代实战实训背景下备件需求的特点提供了有效的方法支撑.     

基于LSSVM和信息熵的航材备件组合预测方法

为了实现航空装备的精确化保障,需要对航材备件数量进行预测,现有方法难以在小样本的条件下,准确地预测航材备件数量,为此提出了一种基于最小二乘支持向量机和信息熵的组合预测方法.首先,将基于最小二乘支持向量机的一元预测方法和多元预测方法相互结合,提出了一种组合预测模型;然后,使用信息熵理论对组合预测模型的权重系数进行优化;最后,给出了所提预测方法的计算步骤.实验结果表明,所提方法在预测航材备件数量时,具有较高的准确性.     

装备备件管理技术综述

备件管理水平的高低直接影响着装备保障能力的发挥和使用保障费用的维持,备件管理现已成为世界范围内的研究热点。通过对国内外有关备件管理文献的分析,总结了备件管理在备件分类方法、需求预测与确定、库存控制与优化3个方面的研究现状。分析结果表明：备件管理将向多因素综合考虑的备件分类方法,基于备件需求不确定性的预测技术以及基于计算机辅助技术、物流和供应链管理等方向发展。     

装甲装备周转备件需求最优组合预测

针对单项统计预测模型存在的不足,提出采用组合预测方法进行周转备件需求预测的观点,并建立了周转备件需求最优组合预测模型。首先,介绍了组合预测的基本原理和常用的周转备件单项预测方法。在综合权衡预测结果精度和稳健性的前提下,建立了基于预测误差绝对值和最小的周转备件最优组合预测模型,并给出了确定各加权系数和预测评价效果的方法。最后,结合案例验证了该组合预测方法的有效性和优越性。     

基于BP神经网络法的后勤装备零配件需求预测

精确的零配件需求预测,是实现后勤装备精确化技术保障的基本前提。影响后勤装备零配件需求量的因素具有非线性特征,而BP神经网络法对复杂非线性问题具有很好的适应性,因此可以运用BP神经网络法对后勤装备零配件需求进行预测。运用BP神经网络方法,通过M脚本文件编程建立预测模型进行实证分析表明,运用该方法建模对后勤装备零配件需求量进行预测是科学可行的。     

有限维修能力下多级保障系统装备时变可用度评估及保障方案优化

备件库存和站点维修能力是影响备件维修周转的重要因素,制约装备使用效果。针对备件需求随任务阶段动态变化的装备保障方案评估和优化问题,考虑站点维修能力对备件维修过程的影响,结合METRIC建模方法和动态排队理论,建立了有限维修能力下多级保障系统装备时变可用度评估模型。在评估模型基础之上,以保障费用为优化目标,装备可用度为约束条件,建立了任务期内多级保障系统保障方案优化模型。以任务期内的最低可用度所对应的备件短缺数为观测值,分析了各项资源的边际效益值,采用边际优化算法对各项资源进行优化计算。算例分析表明,评估模型能够计算多级保障系统任务期内各阶段装备可用度;保障方案优化模型和方法能够得到各项保障资源的优化配置方案。提出的模型和优化方法能够为装备保障人员制定合理的保障方案提供决策支持。     

基于遗传BP神经网络的装甲装备器材需求预测

装甲装备器材保障具有规模大、时间紧、消耗大、不确定因素多、决策难度大等特点。准确的需求预测是实施主动的、精细化的器材保障的重要前提条件。利用BP神经网络较强自学习能力和自适应能力对器材需求规律进行学习,并借助遗传算法提高BP神经网络的收敛速度,设计了一种基于遗传算法改进的BP神经网络模型预测方法,对装甲装备器材进行需求预测。通过实例计算表明,该方法比单纯BP神经网络方法具有预测精度高、收敛速度快的优点。     

有限维修能力下多级保障系统装备时变可用度评估及保障方案优化

备件库存和站点维修能力是影响备件维修周转的重要因素,制约着装备的使用效果。针对备件需求随任务阶段动态变化时装备保障方案的评估和优化问题,考虑站点维修能力对备件维修过程的影响,结合METRIC建模方法和动态排队理论,建立了有限维修能力下多级保障系统装备时变可用度评估模型。在评估模型基础之上,以保障费用为优化目标、装备可用度为约束条件,建立任务期内多级保障系统保障方案优化模型。以任务期内的最低可用度所对应的备件短缺数为观测值,分析各项资源的边际效益值,采用边际优化算法对各项资源进行优化计算。算例分析表明,评估模型能够计算多级保障系统任务期内各阶段装备可用度;保障方案优化模型和方法能够得到各项保障资源的优化配置方案。提出的模型和优化方法能够为装备保障人员制订合理的保障方案提供决策支持。     

舰船编队装备时变可用度评估模型及备件携行方案优化

针对舰船编队任务期内备件需求动态变化的现实情况,考虑已发生故障的系统修复前不产生新备件需求的实际情况,建立了需求非平稳条件下的编队装备时变可用度评估模型。以备件购置费用为优化目标,系统可用度为约束条件,提出了基于系统时变可用度的备件优化模型。以任务期内的最低可用度为观测目标,运用边际优化算法给出了模型的求解方法以及相应方案下的可用度评估曲线。算例分析表明:该模型能够为装备保障人员备件携行方案的制定提供决策支持。     

基于改进FPA和SVM的装备器材需求预测

精确预测已成为制约器材筹措决策的重难点问题.对此,在对国内外研究分析基础上,提出适用于复杂装备保障的消耗性器材需求预测方法.针对器材消耗规律,构建基于支持向量机的器材需求预测模型,并提出模型约束优化指标;针对器材需求预测约束优化的不确定性,将佳点集种群初始化、Deb可行性比较法、着约束法融入花朵授粉算法,设计面向SVM模型优化的花朵授粉求解算法;以某建制单位器材供应为例,验证方法的可行性和优越性.     

基于决策满意度的装备备件配置仿真优化方法

作为装备维修保障体系的重要组成部分,备件的合理配置是装备保障的核心,直接影响装备的使用可用度.而如何在保证装备的使用可用度情况下使备件的保障费用尽可能地减少,是决策者最关心的问题.提出一种基于决策满意度的装备备件配置仿真优化方法,通过蒙特卡罗仿真建立装备使用可用度模型,并在二级维修保障模型进行仿真的基础上,利用模糊多目标优化对备件的使用可用度和备件保障费用这两个指标进行综合评判,最后得到符合决策满意度的备件配置方案.     

基于PSO-BP神经网络的HRRP目标识别

为提高雷达目标识别准确率,提出了一种基于PSO-BP神经网络的雷达一维距离像识别方法。利用粒子群优化算法良好的全局搜寻能力,对BP神经网络的权值和阈值进行了优化,弥补了BP神经网络收敛速度慢、存在多个局部极值点的缺陷。利用实测数据对PSO优化前后的BP神经网络的识别性能进行了对比测试。实验结果表明,PSO-BP神经网络具有更高的识别准确率及噪声鲁棒性,分类性能优良。