[发明专利]光传输设备备件数量的预测方法

说明书

本发明提供了一种光传输设备备件数量的预测方法。该方法包括：使用设备的重要机盘，构建设备的可靠性模型并计算设备的年平均故障间隔时间；划分维修保障区域并选择重要机盘备件的存放站点，根据维修保障区域内各设备的年平均故障间隔时间，分别计算维修保障区域内各设备的年平均阻断时间，并根据各设备的年允许阻断时间与年平均阻断时间的时间冗余量重新划分维修保障区域，直至所有维修保障区域满足预设可通率指标；根据划定的维修保障区域和区域内所有设备的重要机盘的配置情况，确定选定的存放站点的重要机盘备件的基础量；基于排队模型确定重要机盘备件和非重要机盘备件的补充量。通过本发明，实现了光传输设备备件数量的准确预测。

技术领域

本发明涉及设备维护领域，具体而言，涉及一种光传输设备备件数量的预测方法。

背景技术

随着科技水平的不断提高，各类自动化设备成为人们生产和生活的重要支撑，这就要求设备必须能够安全可靠地连续运行。这些设备有着生命周期长、价格昂贵等特点，发生故障时利用预先储存的设备配件即备件更换损坏部分的维修方法最方便快捷，可以大大缩短设备停歇时间和减少损失。因而备件数量的确定对设备运维部门而言意义重大，光纤通信网络的运行维护更是如此，既要预留充足的备件保证通信服务质量，又要尽可能避免备件过量储备，降低服务成本。

目前，在不同的行业领域，备件需求的预测研究主要有两类，一类是针对连续需求的备件需求预测，另一类是针对间断需求的备件需求预测。前者往往随时间变化，具有一定的规律性，易于采用基于时间序列的方法对其进行分析预测。光传输设备的维修备件需求预测属于前者，采用的是基于时间序列的方法。这种方法需要根据过去不同时期的实际需求值，寻求需求量和影响因子之间的关系，并依此确定需求函数模型，比如现有技术常用的神经网络模型等。这些模型若要保证预测结果的准确性，需有大量的历史数据作为计算依据，并且需求必须具有一定的连续性，而实际应用中由于部分数据缺乏往往难以满足上述要求。

以神经网络模型为例，神经网络模型为例是目前在备件预测中应用较多的一种函数拟合方法，具有一定的自学习能力可以不断提高模型精度，能够在某些特定的场合取得良好的预测效果。不过由于其学习能力是建立大量的输入数据基础上的，当历史数据有限的时候，模型会存在“欠训练”的问题，最终的预测结果将不足以反映备件需求的实际情况。此外，神经网络模型仅仅是建立在数据的基础上，对数据之外的因素缺乏必要的关注，比如网络节点的设置带有随意性、各个影响因素对备件需求量的影响不够直观等，因而存在实用性不强的问题。

发明内容

本发明提供了一种光传输设备备件数量的预测方法，以至少解决相关技术中由于历史数据不足而导致的光传输设备备件数量的预测结果不准确的问题。

根据本发明的一个方面，提供了一种光传输设备备件数量的预测方法，包括：

使用设备的重要机盘，构建所述设备的可靠性模型并计算所述设备的年平均故障间隔时间；

划分维修保障区域并选择重要机盘备件的存放站点，根据所述维修保障区域内各设备的所述年平均故障间隔时间，分别计算所述维修保障区域内各设备的年平均阻断时间，并根据各设备的年允许阻断时间与所述年平均阻断时间的时间冗余量重新划分维修保障区域，直至所有维修保障区域满足预设可通率指标；

根据划定的维修保障区域和区域内所有设备的重要机盘的配置情况，确定选定的存放站点的重要机盘备件的基础量；

基于排队模型确定重要机盘备件和非重要机盘备件的补充量。

可选地，在使用设备的重要机盘，构建所述设备的可靠性模型并计算所述设备的年平均故障间隔时间之前，所述方法还包括：

根据所述设备的类型和影响通信的重要性，将所述设备的机盘划分为所述重要机盘和所述非重要机盘。

可选地，使用设备的重要机盘，构建所述设备的可靠性模型并计算所述设备的年平均故障间隔时间包括：