基于改进残差网络的多准则备件分类方法A multi-Criteria Spare Parts Classification Method Based on Improved Residual Network
刘梦飞,周伟,李西兴
摘要(Abstract)：
农机设备备件管理是农业领域的一个关键问题，准确的备件分类可以确定更优的库存管理策略。改进深度残差网络的备件分类方法，可以通过建立多维度的分类准则和对备件信息数据预处理，得到具有时间维度和备件属性图像的备件标识方法。提取特征时，为保证相似属性间的特征联系，在网络模型中加入挤压和激励网络(squeeze-and-excitation networks, SENet),得到改进的残差网络模型。为验证模型的分类效果，选用某拖拉机集团的大型设备的备件作为案例分析。结果表明，该方法对大型生产机器的备件具有很好的分类效果。
关键词(KeyWords)： 农机设备;备件分类;多准则;深度残差网络;挤压与激励结构
基金项目(Foundation): 国家自然科学基金(51805152)
作者(Author): 刘梦飞,周伟,李西兴
参考文献(References)：
- [1] 孙宇.农机设备零部件维修决策的研究[J].农机化研究，2020,42(12):210-214.
- [2] 张新辉，王雷震，赵斐.基于剩余寿命预测的维修与备件订购联合策略优化[J].工业工程，2020,23(04):106-113.
- [3] BRAGLIA M,GRASSI A,MONTANARI R.Multi-attribute classification method for spare parts inventory management[J].Journal of Quality in Maintenance Engineering,2004,10(01):55-65.
- [4] DUCHESSI P,BELARDO S,SEAGLE J P.Artificial intelligence and the management science practitioner:knowledge enhancements to a decision support system for vehicle routing[J].Interfaces,1988,18(02):85-93.
- [5] HADI-VENCHEH A.An improvement to multiple criteria ABC inventory classification[J].European Journal of Operational Research,2010,201(03):962-965.
- [6] 曾翔，徐廷学，安进，等.备件分类算法研究综述[J].航空兵器，2018(02):77-82.
- [7] 何爽，黄鑫，林思睿，等.基于神经网络的运动想象分类研究[J].软件工程，2022,25(08):4.
- [8] 罗巍，卢博，陈菲，等.基于PSO-SVM及时序环节的数控刀架故障诊断方法[J].吉林大学学报(工学版),2022,52(02):392-399.
- [9] PARTOVI F Y,ANANDARAJAN M.Classifying inventory using an artificial neural network approach[J].Computers & Industrial Engineering,2002,41(04):389-404.
- [10] LIU X,QIU L,WANG W.Spare parts inventory management in special steel enterprise[J].Computer Integrated Manufacturing Systems,2007,13(09):1756-1761.
- [11] YANG K,WANG Y,FAN S,et al.Multi-criteria spare parts classification using the deep convolutional neural network method[J].Applied Sciences,2021,11(15):7088.
- [12] 张帅，唐金国，俞金松，等.基于属性的舰载机航材备件品种确定方法[J].火力与指挥控制，2015,40(07):87-91.
- [13] 杨超，侯兴明，陈小卫，等.新型小规模装备备件品种确定的犹豫模糊粗糙集决策方法[J].国防科技大学学报，2022,44(03):201-210.
- [14] HE K,ZHANG X,REN S,et al.Deep residual learning for image recognition[C].IEEE,2016.
- [15] HE J,LI S,GANG S.Squeeze and excitation networks[C].IEEE,2018.
- [16] 田科位，董绍江，姜保军，等.基于改进深度残差网络的轴承故障诊断方法[J].振动与冲击，2021,40(20):247-254.