链上镖师 / Chain Biaoshi
CIE|航空维修备件缺货告警：实时周转期预测与容量约束干预优化
用维修进度预测缺货风险，在有限规划工时内优先处理高收益任务
研究将维修进度驱动的概率周转期预测接入库存风险与干预优化，使一名规划员在八小时容量内通过17次定向干预获得无限容量情形约65%的总成本收益。
- 01：案例数据覆盖六年、35560份维修记录和1877种SKU。
- 02：实时维修状态使周转期预测准确度较基准模型提高7%至12%。
- 03：外部备件交付和客户报价审批等待是主要不确定性来源。
- 04：风险排序使单次干预成本收益达到先到先服务方案的3.8倍。
- 05：模型面向短期、状态依赖且规划员容量有限的运营决策。
维修件闭环供应链中的告警难题
案例企业管理航空可修复部件的库存池和维修厂，服务零件交换合同与客户送修合同。交换需求直接消耗库存，客户维修超过承诺周转期也会形成延迟需求。维修厂共享同一套处理流程，常规作业主要采用先到先服务，库存状态与维修进度缺少系统联动，规划员容易错过高风险订单的处置时机。
维修件闭环供应链及零件流向。来源：Fig. 2.1
01风险来源：维修周转期波动可能造成补货延迟和备件缺货。
02可用干预：通过二级市场应急采购暂时覆盖缺货风险。
03决策约束：规划员每日能够处理的告警和干预数量有限。
从实时维修数据到干预决策
1读取订单属性、已完成步骤和实时维修状态
2用改进KNN填补在修订单尚未观测的步骤时长
3由概率神经网络输出订单级Gamma周转期分布
4计算规划期末净库存与预期缺货风险
5用整数线性规划配置告警和干预数量
实时周转期预测、库存评估与告警干预框架。来源：Fig. 4.1
概率神经网络使用37项静态订单属性与动态进度特征，估计Gamma分布的形状参数和率参数，训练目标为最小化负对数似然。在修任务尚未完成的步骤由改进KNN依据相似历史订单填补，进行中的步骤把已观察时长作为下界。预测分布随后进入多品种单地点库存模型，为每种SKU计算缺货风险和干预收益。
整数线性规划为每种SKU选择干预数量，并让全部告警处理时间与干预工时之和不超过规划员容量，目标是最大化预期成本收益。
六年航空维修数据有多稀疏
清洗后的案例数据包含35560份维修记录，覆盖六年和1877种SKU。约32%的SKU只在一个年份出现，只有19%的SKU每年都进入维修厂，每年可观察到的SKU约为900至1000种。维修周转期呈明显长尾，11%的维修超过75天。订单级样本稀疏与周期差异共同增加了静态平均周转期失真的风险。
1877种SKU在六年维修数据中的出现年数分布。来源：Fig. 5.1
清洗后维修记录
35560份
覆盖SKU
1877种
数据按随机抽样划分训练集和测试集，测试集占20%；训练与超参数优化采用10折交叉验证，预处理后数据包含35560行和95列。
概率预测如何改善库存判断
论文用负对数似然和平均绝对误差比较PNN、简单神经网络、总体最大似然估计、逐步线性回归与逐步对数线性回归。PNN在分布质量指标上表现最佳，预测准确度较基准模型提高7%至12%。线性回归的MAE领先，模型可能产生负周转期预测，误差方差也不随订单特征改变，难以支撑概率缺货评估。
PNN与基准模型的NLL和MAE表现。来源：Table 5.1
对MAE影响最大的五项维修状态特征。来源：Fig. 5.3
MLE与PNN在及时完工和延迟需求预测中的误差分布。来源：Fig. 5.4
特征置换分析显示，备件单元交付等待和客户报价审批等待是最重要的预测因素。实时跟踪外部依赖能够为库存风险判断提供更有区分度的订单级信息。
有限工时下怎样控制告警并获取收益
干预模型综合每种SKU的预期缺货、缺货成本、应急采购成本、干预成功概率以及固定和可变处理工时，在有限容量内优先选择预期收益较高的任务。模型还允许在一个SKU告警下安排多次干预，使规划员能够批量处理相关维修件，控制告警数量随干预数量增长的速度，减少低价值告警占用工作时间。
不同规划员容量下的累计干预数与告警数。来源：Fig. 5.5
规划容量增加时主动干预的累计成本收益，八小时容量点获得约65%的可实现总收益。来源：Fig. 5.6
单名规划员八小时内
17次定向干预
达到无限容量收益
约65%
风险优先排序使单次干预成本收益达到先到先服务方案的3.8倍，说明规划员容量紧张时，订单级周转期分布能够直接改善干预对象的选择。
缺货成本设定如何改变干预与收益
研究比较变动缺货成本与两组固定缺货成本情景。两组固定成本情景在不同容量下产生的干预数量接近，变动成本情景在低容量下用较少干预取得更高收益。随着规划容量增加，变动成本与固定成本情景的收益差异逐渐缩小。结果表明，缺货成本采用变动口径或固定口径，对干预分配的影响大于固定成本数值高低。
不同缺货成本情景下累计主动干预次数随规划容量的变化。来源：Fig. 5.7
不同缺货成本情景下累计干预收益随规划容量的变化。来源：Fig. 5.8
✓低容量阶段需要重点校准缺货成本口径。
✓SKU关键度和专家成本参数会改变收益排序。
✓容量扩张会降低不同成本情景之间的收益差距。
库存联动、数据缺失与适用边界
战术库存水平会改变运营告警的需求空间。较低安全库存对应更高预期缺货、更多告警和更大的主动干预收益；库存增加后，缺货风险与运营干预价值随之下降。该模型适用于拥有细粒度维修进度、短期库存状态和可量化规划员容量的场景，企业部署时需要使用自身流程数据重新训练预测模型并校准成本参数。
战术库存水平变化对预期缺货、告警数量和主动干预收益的影响。来源：Fig. 5.9
不同进度数据遮蔽比例下，缺失值填补对TAT预测误差的影响。来源：Fig. F.1
01规划范围限于短期、状态依赖的单地点多品种库存系统，战术库存水平预先给定。
02模型依赖历史流程记录，未记录的人工干预和未来新型中断可能造成预测偏差。
03KNN填补结果依赖相似性假设和参数K，论文通过遮蔽实验检验缺失进度数据的影响。
04缺货成本来自专家校准，跨企业使用需要重新设定。
05论文只研究有限的干预集合，并假设各项干预独立执行；多期联动和组合干预未纳入。
06案例数据因授权限制无法公开，跨行业外部验证结果论文未报告。
论文明确建议保留人工监督，并将自动再校准、滚动时域、多期决策、更多干预选项和反馈闭环列为后续扩展方向。
论文：Intelligent real-time alert generation and operational interventions in a closed loop supply chain for repairable parts
作者：Kaveh Alizadeh，Engin Topan，Matthieu van der Heijden，Jos van Hillegersberg
期刊：Computers & Industrial Engineering
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
