不常用备件管理是库存管理中非常重要的一个问题。不常用备件常为企业运营的关键部件,其特征为重要性高,价格昂贵,使用频次低、间隔期长且不确定。备件管理与企业的正常生产和经济效益密切相关,不常用备件的合理分类对于备件管理优化极为重要。本文首先回顾了传统的ABC库存备件分类法的局限性。然后,介绍了支持向量机分类及相关的机器学习理论。支持向量机具有对有限样本情况下的数据分类问题,具有全局优化、训练时间短、泛化性能好、算法复杂度与特征空间维数无关等优点,适合不常用备件分类这种复杂的分类问题。接着,结合核电企业ABC备件分类实例,分析不常用备件数据集特征,并引入支持向量机及相关的机器学习技术,提出一个不常用备件分类模型框架。接下来对该框架中的一些关键技术点做了阐述和实证:对多分类编码方法进行了比较;对支持向量机惩罚参数、核函数及其核参数对分类模型的影响做了解释;在研究、比较支持向量机多类别分类方法及模型参数选择方法的基础上,提出了一种改进的支持向量机参数优化方法——自适应模式搜索参数选择方法(Parameter Selection via Adaptive Pattern Search)。通过实验,说明了基于支持向量机的分类模型可以比较全面的找出对备件管理起重要作用的备件,自动完成备件分类,提高设备管理工作的效率和效果。最后,总结全文并指出下一步研究方向。
本文来源: https://www.lw50.cn/article/0f2706dfd06e70f49da629ed.html