機電設(shè)備備件需求預(yù)測范文

本站小編為你精心準備了機電設(shè)備備件需求預(yù)測參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

《電子設(shè)計工程雜志》2014年第十一期

1模型介紹

1.1BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型神經(jīng)網(wǎng)絡(luò)是由大量簡單的神經(jīng)元相互連接構(gòu)成的復(fù)雜網(wǎng)絡(luò)系統(tǒng)，其對非線性系統(tǒng)具有很強的模擬能力。BP神經(jīng)網(wǎng)絡(luò)即誤差反向傳播網(wǎng)絡(luò)是目前應(yīng)用最為廣泛的網(wǎng)絡(luò)算法，學(xué)習(xí)過程由信息的正向傳遞與誤差的反向傳播2個過程組成，3層（輸入層、隱含層、輸出層)的前向BP神經(jīng)網(wǎng)絡(luò)可以任意精度逼近任意非線性函數(shù)，且運用神經(jīng)網(wǎng)絡(luò)只需建立輸入和輸出之間的網(wǎng)絡(luò)關(guān)系就可對目標值進行模擬預(yù)測，所以用BP神經(jīng)網(wǎng)絡(luò)對大型機電設(shè)備備件需求進行預(yù)測是十分有效的。研究采用3層網(wǎng)絡(luò)模式對大型機電設(shè)備備件需求進行模擬預(yù)測，這里選擇為n個樣本的輸入點，對應(yīng)1個輸出值。其網(wǎng)絡(luò)拓撲結(jié)構(gòu)如圖1所示。BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型參數(shù)（如隱含層數(shù)，最大訓(xùn)練次數(shù)，學(xué)習(xí)精度，隱節(jié)點數(shù)，初始權(quán)值、閾值等）的確定要靠網(wǎng)絡(luò)訓(xùn)練來實現(xiàn)。實現(xiàn)算法的軟件載體為MAT2LAB6.5.1。訓(xùn)練步驟可表述如下：1)樣本數(shù)據(jù)和測試數(shù)據(jù)進行歸一化。使用歸一化函數(shù)PREMNMX；2)取-1~1間的隨機數(shù)作為初始的權(quán)值和閥值并給定精度ε，有ε>0；3)對n個訓(xùn)練樣本順序輸入神經(jīng)網(wǎng)絡(luò)，計算；4)計算E(n)的值，并與給定精度ε比較，若E(n)<ε則停止訓(xùn)練,否則繼續(xù)；5)比較連續(xù)兩次的誤差值，調(diào)整學(xué)習(xí)率δ。輸入層與隱含層、隱含層與輸出層的權(quán)數(shù)與閥值分別調(diào)整為：已知輸出層的神經(jīng)元Y，對Y反歸一化(反歸一化函數(shù)POSTMNMX)，即得到預(yù)測的需求數(shù)據(jù)。

1.2馬爾科夫鏈預(yù)測模型馬爾科夫鏈是一種特殊的隨機過程（馬爾科夫過程），其可以根據(jù)系統(tǒng)當前時刻的狀態(tài)推求下一時刻的狀態(tài)概率分布，進而得到下一時刻的狀態(tài)。其基本原理是：按照某個系統(tǒng)的發(fā)展,時間可離散為n=0，1，2，3，對每個系統(tǒng)的狀態(tài)可用隨機變量表示，并且對應(yīng)一定的概率，稱為狀態(tài)概率。當馬爾科夫過程由某一時刻狀態(tài)轉(zhuǎn)移到另一時刻狀態(tài)時，在這個轉(zhuǎn)移過程中存在著概率的轉(zhuǎn)移，稱為轉(zhuǎn)移概率。馬爾科夫鏈預(yù)測的理論基礎(chǔ)是馬爾科夫過程。對其運動變化的分析，主要是通過研究鏈內(nèi)有限個馬爾科夫過程的狀態(tài)及其相互關(guān)系，進而預(yù)測鏈的未來發(fā)展狀況。馬爾科夫鏈預(yù)測的結(jié)果為一取值范圍，適合于對隨機波動性較大的預(yù)測問題進行修正描述。馬爾科夫鏈預(yù)測模型可表示為。

1.3基于馬爾科夫鏈修正的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢在于短期預(yù)測，缺點在于其對長期預(yù)測和波動較大數(shù)據(jù)序列的擬合較差。神經(jīng)網(wǎng)絡(luò)模型具有局部逼近的特性和較強的非線性映射能力，能夠很好地模擬具有較強非線性變化特點的大型機電設(shè)備備件需求預(yù)測問題，其缺點在于收斂速度慢、訓(xùn)練時間長且易陷入局部極小問題。馬爾科夫鏈預(yù)測的對象是一個隨機變化的動態(tài)系統(tǒng)，且能夠縮小預(yù)測區(qū)間，對長期預(yù)測和隨機波動較大數(shù)據(jù)序列的預(yù)測效果較好。但是采用馬爾科夫鏈預(yù)測時，要求預(yù)測對象具有平移過程。因此，采用馬爾科夫鏈修正BP神經(jīng)網(wǎng)絡(luò)，形成基于馬爾科夫鏈修正的組合BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，不僅能揭示數(shù)據(jù)序列的發(fā)展變化總趨勢，又能得到預(yù)測區(qū)間的狀態(tài)變化規(guī)律，提高模型的預(yù)測精度。根據(jù)BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果，選取適當?shù)臉藴剩ㄟ@里采用預(yù)測結(jié)果的相對誤差）將預(yù)測數(shù)據(jù)序列劃分為若干個狀態(tài)區(qū)間；計算其一步轉(zhuǎn)移矩陣，求得一步轉(zhuǎn)移概率矩陣；確定預(yù)測的狀態(tài)向量，代入（5）即可求得基于馬爾科夫鏈修正的預(yù)測值。馬爾科夫鏈修正的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型流程如圖2所示。將所提及的預(yù)測方法應(yīng)用于某風(fēng)力發(fā)電設(shè)備的供應(yīng)商。選擇該供應(yīng)商在2011年5月至2012年12月某型號風(fēng)力發(fā)電設(shè)備相關(guān)的備件需求的時間序列數(shù)據(jù)作為研究對象。

2實例驗證

2.1BP神經(jīng)網(wǎng)絡(luò)備件需求預(yù)測在對樣本試驗前，首先將樣本分成獨立的兩部分訓(xùn)練集和測試集。其中訓(xùn)練集用來估計模型，確定神經(jīng)網(wǎng)絡(luò)的大概層次和節(jié)點數(shù)的大致范圍，以2011年5月至2012年5月的需求數(shù)據(jù)作為分析對象。測試集則檢驗最終選擇的組合模型的性能，以2012年6月至2012年12月的需求數(shù)據(jù)為驗證對象。BP神經(jīng)網(wǎng)絡(luò)中相關(guān)參數(shù)設(shè)置為：輸入層為5個結(jié)點、隱含層為1層(包含10個結(jié)點)、輸出層為1個結(jié)點，即表示在滾動預(yù)測中n=5，k=1;最大訓(xùn)練次數(shù)為1000次，最大循環(huán)間隔數(shù)為50次；訓(xùn)練收斂誤差為0.001。經(jīng)計算，BP神經(jīng)網(wǎng)絡(luò)預(yù)測值見表1。

2.2馬爾科夫鏈修正誤差殘值根據(jù)實際值與BP網(wǎng)絡(luò)預(yù)測值之間相對誤差的大小和分布密度，將其劃分為4個狀態(tài)，見表2。根據(jù)表2可以確定訓(xùn)練樣本相對誤差所處的狀態(tài)，結(jié)果見表2。根據(jù)表1和表2，由式（5）和式（6）可以計算出一步狀態(tài)轉(zhuǎn)移矩陣為：根據(jù)表1和表2，由式（5）和式（6）可以計算出一步狀態(tài)轉(zhuǎn)移矩陣為。由表1中各年的狀態(tài)劃分結(jié)果確定對應(yīng)的狀態(tài)向量,結(jié)合P(1)代入式(5),得基于馬爾科夫鏈修正的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果表3所示。從修正結(jié)果可以看出，馬爾科夫修正BP神經(jīng)網(wǎng)絡(luò)模型可以提高預(yù)測精度，使得修正值更接近于實際值。

3結(jié)論

基于BP神經(jīng)網(wǎng)絡(luò)[11]和馬爾科夫鏈2種預(yù)測方法，建立了新的大型機電設(shè)備備件需求預(yù)測模型。采用BP神經(jīng)網(wǎng)絡(luò)預(yù)測大型機電設(shè)備備件需求規(guī)律，再用馬爾科夫鏈進行殘差修正。由上述示例結(jié)果的對比可以看出，相比單一的BP神經(jīng)網(wǎng)絡(luò)預(yù)測方法其結(jié)果更接近實測值，表明該模型是可行的，在大型機電設(shè)備備件需求預(yù)測中有一定的推廣應(yīng)用價值。當然，本研究在多個方面尚可改進或進一步研究，例如在歷史數(shù)據(jù)中含有的其他干擾(非隨機項的干擾)去除程度的確定和鑒定、如何進一步考慮客觀因素對需求預(yù)測的影響等方面，還需要做進一步深入的研究和探討。

作者：王靜濤許丹單位：天津大學(xué)管理與經(jīng)濟學(xué)部