期刊检索

  • 2024年第56卷
  • 2023年第55卷
  • 2022年第54卷
  • 2021年第53卷
  • 2020年第52卷
  • 2019年第51卷
  • 2018年第50卷
  • 2017年第49卷
  • 2016年第48卷
  • 2015年第47卷
  • 2014年第46卷
  • 2013年第45卷
  • 2012年第44卷
  • 2011年第43卷
  • 2010年第42卷
  • 第1期
  • 第2期

主管单位 中华人民共和国
工业和信息化部
主办单位 哈尔滨工业大学 主编 李隆球 国际刊号ISSN 0367-6234 国内刊号CN 23-1235/T

期刊网站二维码
微信公众号二维码
引用本文:林琳,陈湘芝,钟诗胜.基于特征合成的周期性备件需求预测方法Symbol`@@[J].哈尔滨工业大学学报,2016,48(7):27.DOI:10.11918/j.issn.0367-6234.2016.07.004
LIN Lin,CHEN Xiangzhi,ZHONG Shisheng.Demand forecasting method for periodic spare parts based on feature synthesis[J].Journal of Harbin Institute of Technology,2016,48(7):27.DOI:10.11918/j.issn.0367-6234.2016.07.004
【打印本页】   【HTML】   【下载PDF全文】   查看/发表评论  下载PDF阅读器  关闭
过刊浏览    高级检索
本文已被:浏览 1634次   下载 1108 本文二维码信息
码上扫一扫!
分享到: 微信 更多
基于特征合成的周期性备件需求预测方法Symbol`@@
林琳, 陈湘芝, 钟诗胜
(哈尔滨工业大学 机电工程学院, 哈尔滨 150001)
摘要:
针对工程机械备件需求预测准确性低的问题,提出一种新的基于特征合成的周期性维修备件需求预测方法. 定义等间隔备件需求样本集的相似度模型,采用优化算法确定最优备件需求周期长度,并利用回归模型建立各周期内的备件需求模型;提出基于特征合成的模型综合方法,借鉴物理力学中的矢量合成方法,将多个历史备件周期需求模型特征矢量合成新的特征矢量,利用新特征矢量还原获得最优的周期预测模型,该模型综合考虑了各个历史备件周期预测模型,使获得的备件周期预测模型具有更好的鲁棒性和泛化性. 采用人工数据和矿用圆环链的实际需求数据对该预测模型进行验证,实验结果表明,该模型具有良好的稳定性和准确性.
关键词:  需求预测  维修备件  特征合成  周期提取  周期需求建模
DOI:10.11918/j.issn.0367-6234.2016.07.004
分类号:TP301; F272.1
文献标识码:A
基金项目:国家科技支撑计划(2015BAF32B01-4); 国家自然科学基金(U1533202)
Demand forecasting method for periodic spare parts based on feature synthesis
LIN Lin,CHEN Xiangzhi,ZHONG Shisheng
(School of Mechatronics Engineering, Harbin Institute of Technology, Harbin 150001, China)
Abstract:
A novel approach for forecasting the periodic demand of spare parts based on feature synthesis is proposed to solve the problem of inaccurate prediction due to many influencing factors of the spare parts demand for construction machines and the demand cycle hard to be selected. The optimal demand cycle length is obtained with the optimization algorithm by defining a similarity measuring model of the spare parts demand sample sets under equal space, and the demand model for spare parts in every cycle period is built by the regression model. Then, a method is presented to integrate multiple cycle demand models of the spare parts into one according to the vector synthesis method in physics, so the optimal demand forecasting model for the spare parts with periodic pattern is obtained by reduction technology. The model synthetically considers the demand forecasting model for the spare parts in every historical cycle and it is great robust and generalized. The prediction model is verified by simulated datasets and the practical data of the demand of round link chains for mining, and experiment results prove that the model has good stability and accuracy.
Key words:  demand forecasting  spare parts  feature synthesis  period extraction  periodic requirement modeling

友情链接LINKS