基于间歇性序列动态预测的复杂装备制造企业智能库存优化关键技术研究.pdf

摘要

复杂装备配件类型众多，且部署范围广、工程需求大，对配件进行多级库存管理已

成为大型制造企业后市场服务的关键支撑技术。受配件故障率、工程进度、施工环境等

影响，售后配件需求多为突发需求，整体上呈现出明显的间歇性，同时配件具有价值高、

缺件损失大等特点，因此，如何有效管理配件成为企业减少库存成本的关键。近年来，

随着智能运维的快速发展，通过机器学习的方式预测配件需求和优化库存成为了企业关

注的焦点。目前配件的库存管理工作仍然存在以下不足：1）配件需求呈现出明显的间

歇性，导致配件需求趋势信息不明显，需求预测效果不理想；2）短时间集中产生的配

件需求给仓库的配件供应带来了巨大的压力，常规的调度机制多为被动模式，难以及时

响应需求。

针对以上问题，本文基于复杂装备制造企业的业务流程和需求特点，以配件需求的

间歇性特征表示为切入点，采用聚类方法，区分不同演化趋势的配件，并利用迁移学习

技术，从多配件结构化信息的角度提高配件需求预测效果；接着，基于复杂装备制造企

业的实际售后业务特点，从配件需求的集中趋势出发，将需求预测和调度时机融合，构

建主动横向调度策略，以解决库存优化中的库存呆滞和缺件问题。主要研究工作和贡献

如下：

（1）针对复杂装备制造企业配件需求稀疏、单条配件难以提供足够的预测信息的

问题，本文从迁移学习的角度，提出一种基于领域自适应的预测方法。首先，提出一种

间歇性时间序列领域划分算法，通过挖掘序列中的需求发生时间和需求间隔信息，提取

序列的间歇性特征，进而构建距离度量指标，并利用层次聚类算法，将所有序列划分成

不同的子源域；其次，将序列的间歇性和时序性特征相结合，构建权重向量，通过对领

域间各周期输出特征的距离加权的方式，完成领域间共同信息的提取。最后，在两个复

杂装备制造企业的实际售后数据集上进行实验，结果表明，本方法可以有效预测需求走

势，在预测的精度和稳定性上均有显著提升。

（2）考虑到配件在不同仓库分别呈现出缺件和积压两种状态，为降低库存成本，

本文构建了一个主动横向调度策略的多级库存优化模型。该方法的核心思想是将需求预

测融入横向调度过程中，改变现有被动横向调度机制。首先，利用聚类算法，挖掘需求

的集中趋势，并将集中的需求进行汇总，构建新的需求序列；然后，通过预测新序列的

需求发生时间和需求数量，计算横向调度的时机和调度数量，从而构建主动横向调度机

制；接着，根据企业的实际业务，以最小化库存总成本和配件缺件次数为目标，构建多

级库存优化模型；最后，利用遗传算法，对多级库存优化模型进行优化，求得最优的库

存值。经过验证，本文算法可以有效应对集中到来的需求，在减少缺件率的同时，降低

库存的成本。

本文工作通过需求预测和库存优化模型，可快速地为复杂装备制造企业的库管理人

员提供一个准确的库存方案，从而降低企业运营成本，具有显著的实际利用价值。

关键词：间歇性序列，机器学习，需求预测，库存优化，横向调度

ABSTRACT

Withnumeroustypesofcomplexequipmentpartsandwidedeploymentrangeand

engineeringdemand,multi-levelinventorymanagementofpartshasbecomeakeysupport

technologyforafter-marketservicesoflargemanufacturingenterprises.Affectedbyparts

failurerate,engineeringprogress,constructionenvironment,etc.,after-salespartsdemandis

mostlysuddendemand,showingobviousintermittencyonthewhole,whilepartshavehigh

valueandlargelossofmissingparts,etc.Therefore,howtoeffectivelymanageparts