核电厂备件需求预测方法、系统、计算机设备和存储介质

摘要

本申请涉及一种核电厂备件需求预测方法、系统、计算机设备和存储介质。所述方法包括：基于维护项目进行项目等效处理，生成初步维护项目清单，根据维护项目变动率表单从初步维护项目清单中筛选出维护项目。根据预设约束条件和维修标准包数据，确定出第一类备件需求清单。基于领用记录进行领用数据整合，并建立维护项目和备件的第一基准清单、标准包和备件的第二基准清单。根据维护项目领用数据、标准包领用数据及备件数据，确定出目标需求预测模型。基于目标需求预测模型，生成第二类备件需求清单。根据第一类备件需求清单和第二类备件需求清单，生成计划性备件需求数量清单。采用本方法能够精准确定出核电厂在维修过程中的不同类别的备件需求。

说明书

技术领域

本申请涉及计算机技术领域，特别是涉及一种核电厂备件需求预测方法、系统、计算机设备和存储介质。

背景技术

随着计算机技术的发展，以及利用核电厂进行电力生产的生产方式逐步成熟，为保证产电、用电安全，对于核电厂的稳定运行要求也日益提升。而为了维持核电厂的稳定运行，核电厂的维修工作的重要性不言而喻。

传统上，通过对定期对核电厂进行检修和维修，并及时准备好需要应用到的不同部件，以避免在出现故障时缺少备件而无法及时维修的情况。具体来说，需要提前准备核电厂维修工作过程中所需要的不同类型的备件，比如根据历史维修经验或者常规维修所需的备件，提前进行准备，以减少维修过程中备件缺少的情况。

然而，传统的备件准备方式，多依赖于工作人员的维修经验、核电厂的历史维修记录、以及常规的维修备件等方面，来进行提前准备。但由于核电厂在实际运行过程中，所面临的实际运行环境并不一致，进而可能存在的故障或问题也无法根据历史记录或者人为累积的经验，准确确定出来，仍然存在备件准备不充分，维修过程中备件需求无法满足的问题。

发明内容

基于此，有必要针对上述技术问题，提供一种能够精准确定出核电厂在维修过程中的备件需求，以提前准备充足的维修备件的核电厂备件需求预测方法、系统、计算机设备和存储介质。

一种核电厂备件需求预测方法，所述方法包括：

根据核电厂维修计划确定对应的维护项目，并基于所述维护项目进行项目等效处理，生成对应的初步维护项目清单；

获取与所述初步维护项目清单对应的维护项目变动率表单，并根据所述维护项目变动率表单，从所述初步维护项目清单中筛选出维护项目；

获取与所述维护项目对应的预设约束条件，并根据所述预设约束条件和维修标准包数据，确定出与所述维护项目对应的第一类备件需求清单；

获取与所述初步维护项目清单对应的领用记录，并基于所述领用记录进行领用数据整合，得到更新后的领用记录数据；

根据更新后的所述领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单；

获取所述第一基准清单对应的维护项目领用数据，与所述第二基准清单对应的标准包领用数据，并根据所述维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与所述维护项目对应的目标需求预测模型；

基于所述目标需求预测模型，对所述维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单；

根据所述第一类备件需求清单和所述第二类备件需求清单，汇总生成计划性备件需求数量清单。

一种核电厂备件需求预测系统，所述系统包括：

初步维护项目清单生成模块，用于根据核电厂维修计划确定对应的维护项目，并基于所述维护项目进行项目等效处理，生成对应的初步维护项目清单；

维护项目筛选模块，用于获取与所述初步维护项目清单对应的维护项目变动率表单，并根据所述维护项目变动率表单，从所述初步维护项目清单中筛选出维护项目；

第一类备件需求清单确定模块，用于获取与所述维护项目对应的预设约束条件，并根据所述预设约束条件和维修标准包数据，确定出与所述维护项目对应的第一类备件需求清单；

领用记录数据更新模块，用于获取与所述初步维护项目清单对应的领用记录，并基于所述领用记录进行领用数据整合，得到更新后的领用记录数据；

基准清单建立模块，用于根据更新后的所述领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单；

目标需求预测模型确定模块，用于获取所述第一基准清单对应的维护项目领用数据，与所述第二基准清单对应的标准包领用数据，并根据所述维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与所述维护项目对应的目标需求预测模型；

第二类备件需求清单生成模块，用于基于所述目标需求预测模型，对所述维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单；

计划性备件需求数量清单生成模块，用于根据所述第一类备件需求清单和所述第二类备件需求清单，汇总生成计划性备件需求数量清单。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：

根据核电厂维修计划确定对应的维护项目，并基于所述维护项目进行项目等效处理，生成对应的初步维护项目清单；

获取与所述初步维护项目清单对应的维护项目变动率表单，并根据所述维护项目变动率表单，从所述初步维护项目清单中筛选出维护项目；

获取与所述维护项目对应的预设约束条件，并根据所述预设约束条件和维修标准包数据，确定出与所述维护项目对应的第一类备件需求清单；

获取与所述初步维护项目清单对应的领用记录，并基于所述领用记录进行领用数据整合，得到更新后的领用记录数据；

根据更新后的所述领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单；

获取所述第一基准清单对应的维护项目领用数据，与所述第二基准清单对应的标准包领用数据，并根据所述维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与所述维护项目对应的目标需求预测模型；

基于所述目标需求预测模型，对所述维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单；

根据所述第一类备件需求清单和所述第二类备件需求清单，汇总生成计划性备件需求数量清单。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：

根据核电厂维修计划确定对应的维护项目，并基于所述维护项目进行项目等效处理，生成对应的初步维护项目清单；

获取与所述初步维护项目清单对应的维护项目变动率表单，并根据所述维护项目变动率表单，从所述初步维护项目清单中筛选出维护项目；

获取与所述维护项目对应的预设约束条件，并根据所述预设约束条件和维修标准包数据，确定出与所述维护项目对应的第一类备件需求清单；

获取与所述初步维护项目清单对应的领用记录，并基于所述领用记录进行领用数据整合，得到更新后的领用记录数据；

根据更新后的所述领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单；

获取所述第一基准清单对应的维护项目领用数据，与所述第二基准清单对应的标准包领用数据，并根据所述维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与所述维护项目对应的目标需求预测模型；

基于所述目标需求预测模型，对所述维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单；

根据所述第一类备件需求清单和所述第二类备件需求清单，汇总生成计划性备件需求数量清单。

上述核电厂备件需求预测方法、系统、计算机设备和存储介质中，根据核电厂维修计划确定对应的维护项目，并基于维护项目进行项目等效处理，生成对应的初步维护项目清单，通过获取与初步维护项目清单对应的维护项目变动率表单，并根据维护项目变动率表单，从初步维护项目清单中筛选出维护项目。进而通过获取与维护项目对应的预设约束条件，并根据预设约束条件和维修标准包数据，确定出与维护项目对应的第一类备件需求清单。通过获取与初步维护项目清单对应的领用记录，并基于领用记录进行领用数据整合，得到更新后的领用记录数据，进而根据更新后的领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单。通过获取第一基准清单对应的维护项目领用数据，与第二基准清单对应的标准包领用数据，并根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型，并基于目标需求预测模型，对维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单。进而根据第一类备件需求清单和第二类备件需求清单，汇总生成计划性备件需求数量清单。实现了精准确定出核电厂在维修过程中的不同类别的备件需求，可提前根据所得到的计划性备件需求数量清单提前进行采购，避免维修过程中出现备件短缺的情况，以提前准备充足的维修备件，满足维修需求，进一步保障核电厂的稳定运行。

附图说明

图1为一个实施例中核电厂备件需求预测方法的应用环境图；

图2为一个实施例中核电厂备件需求预测方法的流程示意图；

图3为一个实施例中核电厂计划性备件分类示意图；

图4为一个实施例中核电厂各专业大纲项目变动率示意图；

图5为一个实施例中第一类备件需求清单梳理示意图；

图6为一个实施例中第一类备件需求清单对应的约束条件设置示意图；

图7为一个实施例中核电厂备件需求预测方法的领用记录数据更新示意图；

图8为一个实施例中维护项目涉及的潜在备件需求关系示意图；

图9为一个实施例中标准包对应的维护项目及历史领用记录间的关系示意图；

图10为一个实施例中备件对应标准包以及历史领用记录间的关系示意图；

图11为一个实施例中第二类备件需求清单对应的模型选择流程示意图；

图12为一个实施例中第二类备件需求清单对应的需求数量梳理框架示意图；

图13为一个实施例中确定出与维护项目对应的目标需求预测模型的流程示意图；

图14为一个实施例中第一类维护项目及备件模型的框架示意图；

图15为一个实施例中第一类标准包及备件模型的框架示意图；

图16为一个实施例中第一类备件模型的框架示意图；

图17为另一个实施例确定出与维护项目对应的目标需求预测模型的流程示意图；

图18为一个实施例中第二类维护项目及备件模型的框架示意图；

图19为一个实施例中维护项目及备件模型库的结构示意图；

图20为一个实施例中第二类标准包及备件模型的框架示意图；

图21为一个实施例中标准包及备件模型库的框架示意图；

图22为一个实施例中第二类备件模型的框架示意图；

图23为一个实施例中备件模型库的框架示意图；

图24为一个实施例中神经网络备件需求预测流程示意图；

图25为另一个实施例中核电厂备件需求预测方法的流程示意图；

图26为一个实施例中采购预测数据模型的框架示意图；

图27为再一个实施例中核电厂备件需求预测方法的流程示意图；

图28为一个实施例中现场实际备件领用数据和计划性备件需求数量清单的比对示意图；

图29为一个实施例中预测效果网格分布示意图；

图30为一个实施例中核电厂备件需求预测系统的结构框图；

图31为另一个实施例中核电厂备件需求预测系统的结构框图；

图32为一个实施例中核电厂备件需求预测系统的查询界面示意图；

图33为一个实施例中核电厂备件需求预测系统的备件历史领用数据分析界面示意图；

图34为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本申请提供的核电厂备件需求预测方法，可以应用于如图1所示的应用环境中。其中，终端102与服务器104通过网络进行通信。服务器104根据核电厂维修计划确定对应的维护项目，并基于维护项目进行项目等效处理，生成对应的初步维护项目清单，通过获取与初步维护项目清单对应的维护项目变动率表单，并根据维护项目变动率表单，从初步维护项目清单中筛选出维护项目。服务器104进一步获取与维护项目对应的预设约束条件，并根据预设约束条件和维修标准包数据，确定出与维护项目对应的第一类备件需求清单，而通过获取与初步维护项目清单对应的领用记录，并基于领用记录进行领用数据整合，得到更新后的领用记录数据，进而可根据更新后的领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单。通过获取第一基准清单对应的维护项目领用数据，与第二基准清单对应的标准包领用数据，并根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型，进而可基于目标需求预测模型，对维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单。最后，服务器104可根据第一类备件需求清单和第二类备件需求清单，汇总生成计划性备件需求数量清单，并将计划性备件需求数量清单反馈至终端102。其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

在一个实施例中，如图2所示，提供了一种核电厂备件需求预测方法，以该方法应用于图1中的服务器为例进行说明，具体包括以下步骤：

步骤S202，根据核电厂维修计划确定对应的维护项目，并基于维护项目进行项目等效处理，生成对应的初步维护项目清单。

具体地，通过获取核电厂预防性维修大纲，并根据核电厂预防性维修大纲确定对应的核电厂维修计划，进而基于核电厂维修计划进行大修轮次筛选，得到与当前大修轮次对应的维护项目。进一步通过获取与维护项目对应的各项目功能位置以及项目文本内容，并基于维护项目对应的各项目功能位置以及项目文本内容进行项目等效处理，生成对应的初步维护项目清单。

其中，核电厂预防性维修大纲具体可以是如下表1所示核电厂的大修预防性维修十年大纲，根据核电厂的大修预防性维修十年大纲可梳理出对应轮次的大修计划。其中，参照表1可知，核电厂的大修预防性维修十年大纲包含了项目的维修周期，历史上各大修轮次的执行情况以及未来各大修轮次的执行计划，针对维修周期大于1C(1个大修循环)的项目，存在大修项目提前开展或等效的情况，需先提取项目最近一次开展的大修的轮次，并结合项目等效，综合确定其在未来大修轮次中的实施计划。

举例来说，某比如个项目的周期为4C，其最近一次实施记录为第15轮大修，若第15轮大修后无等效记录，则该项目会在第19轮、第23轮大修中实施。若该项目在第17轮大修中出现了等效记录，则该项目会在第21轮、第25轮大修中实施。

表1

其中，如表2所示，提供了一种项目在未来大修轮次中的维修计划示例表，参照表2可知，项目在未来大修轮次中的维修计划中，包括不同维护项目对应的功能位置、项目文本、主工作中心、周期、大修轮次、任务清单组以及任务清单等具体数据。参照表2所记载的具体数据，可进一步获知是否存在相同功能位置或相同文本内容的维护项目，有利于进一步进行项目等效处理。

表2

进一步地，梳理出项目的大修维修计划后，通过筛选对应大修轮次，可以获取大修对应的维护项目。由于同一个设备存在相类似的维护项目(但维修周期不同)，例如针对一个电机设备，每1C需要对设备进行解体检查，更换电机内的部分易损件，每4C进行一次固定更换，即更换电机整体，在执行4C的整体更换项目时不需要再执行1C的解体检查项目，故需进行项目等效，从而剔除1C的解体检查项目。

其中，通过获取与维护项目对应的各项目功能位置以及项目文本内容，并基于维护项目对应的各项目功能位置以及项目文本内容进行项目等效处理。具体来说，需要将项目等效模块嵌入到系统中，即在同一轮次大修中，若两个及以上项目的功能位置相同，项目文本相同，则系统直接剔除周期短的项目，保留周期长的项目。当功能位置相同，且项目文本内容相似度高于某个阈值，则将该信息展示给工程师，提醒工程师该类项目疑似相同，便于人工再进行进一步的项目等效工作。

在一个实施例中，如图3所示，提供了一种核电厂计划性备件分类示意图，参照图3可知，对核电厂计划性备件进行分类的过程具体包括：获取预防性维修大纲，根据预防性维修大纲确定核电厂维修计划，根据维修标准包挂接备件数据以及维修计划，进一步确定维护项目。其中维护项目可以包括第一类备件(即图3中所示的A类备件)，以及第二类备件(即图3中的B类备件)，其中，根据第一类备件可直接确定对应的第一类备件需求清单(即图3中所示的计划性A类备件需求)，而根据第二类备件以及基于历史维护项目的备件领用结构化数据，可进一步确定出第二类备件需求清单(即图3中所示的计划性B类备件需求)。

步骤S204，获取与初步维护项目清单对应的维护项目变动率表单，并根据维护项目变动率表单，从初步维护项目清单中筛选出维护项目。

具体地，在完成项目等效处理后可得到初步维护项目清单，由于项目实施计划调整和项目优化的情况，维护项目存在一定的变动，且变动率与提前期相关，不同专业不同项目的变动率也不相同。因此，需计算所有预防性维修十年大纲中各个项目的各年度变动率(其中，每轮次大修结束后需更新一次数据)，记录到维护项目变动率表单中，通过获取与初步维护项目清单对应的维护项目变动率表单，可根据维护项目变动率表单，从初步维护项目清单中筛选出维护项目。

其中，该维护项目变动率表单中应至少包含如下列信息：维护项目、电厂、1年变动率、2年变动率、3年变动率、4年变动率以及5年变动率等。

在一个实施例中，如图4所示，提供了一种核电厂各专业大纲项目变动率示意图，维护项目的变动率与提前期相关，且不同专业不同项目的变动率也不相同，参照图4可知，相同年限的电气、仪表、转机以及静机的变动率有所不同，且相同项目的变动率在不同的年限时的变动率也是不相同的。

步骤S206，获取与维护项目对应的预设约束条件，并根据预设约束条件和维修标准包数据，确定出与维护项目对应的第一类备件需求清单。

具体地，通过获取与维护项目对应的项目备件总金额阈值、项目备件长采购周期阈值，以及标准包数据，并建立标准包数据和项目备件总金额阈值、项目备件长采购周期阈值之间的第一映射表单，进而根据各维护项目、维护项目变动率表单以及第一映射表单，确定出与维护项目对应的第一类备件需求清单。

其中，维护项目可以通过调用维修标准包，从而得到维护项目所需的备件需求清单。而为了实现通过项目涉及的备件总金额、备件采购周期条件筛选维护项目，需建立标准包对应备件金额及采购周期表单，该表单中应至少包含如下列信息：标准包、电厂、备件编码、采购周期、单价以及数量等数据。

在一个实施例中，如图5所示，提供了一种第一类备件需求清单梳理示意图，参照图5可知，对第一类备件需求清单进行梳理时，需要应用到的具体数据包括维护项目变动率表单、第一映射表单(即图5中所示的标准包对应备件金额即采购周期表单)、维护项目以及约束条件等，其中，约束条件可理解为筛选条件，即通过项目变动率、备件长周期阈值、项目涉及备件金额等维度进行筛选，需先计算出维护项目对应变动率，获取标准包对应的备件需求清单，通过输入以上筛选条件，筛查出对应的第一类备件需求清单。

其中，约束条件主要是指某单个项目涉及的备件总金额阈值、某项目的变动率、长采购周期阈值，通过合理设置约束条件，可以在需求提报的集中度、备件需求保障度和库存积压风险中寻求一个平衡点，进而确定出对应的第一类备件需求清单。

在一个实施例中，如图6所示，提供了一种第一类备件需求清单对应的约束条件设置示意图，参照图6可知，针对第一类备件，即图6所示的维护项目-A类备件，首先需要判断项目及备件总价是否小于1万元，当确定项目及备件总价小于1万元时，将该项目对应的备件列入第一类备件需求清单(即如图6所示的计划性A类备件需求清单)中。其次，当确定项目及备件总价不小于1万元时，则进一步判断项目的3年变动率是否小于15％，当确定项目的3年变动率小于15％时，将该项目对应的备件列入第一类备件需求清单(即如图6所示的计划性A类备件需求清单)中。

其中，当确定项目的3年变动率不小于15％时，进一步判断备件采购周期是否大于12个月，当确定备件采购周期大于12个月时，将该项目对应的备件列入第一类备件需求清单(即如图6所示的计划性A类备件需求清单)中。而当备件采购周期不大于12个月时，该项目对应的备件则不列入第一类备件需求清单中。

进一步，参照如图6可知，通过之前流程已梳理出维护项目，将单个项目涉及的备件总金额阈值设置为1万元，即低于1万元的项目涉及的备件需求直接列入到计划性A类备件需求清单中，金额较低，库存积压影响小，可以提升保障度和集中度，并将3年变动率设为15％以内，即3年变动率在15％的项目涉及的备件需求直接列入到计划性A类备件需求清单中，变动率低，库存积压风险小，可以提升保障度和集中度，备件长采购周期设置为12个月，即针对不满足金额和变动率要求的项目，若有涉及长采购周期的备件，只将长采购周期的备件列入到计划性A类备件需求清单中，该情形下库存积压风险高，长采购周期备件的保障难度大，故只将长采购周期备件列入A类备件需求清单中。但实际应用中，可根据各电厂的库存考核要求、机组运营成熟度等情况设置或调整相应约束条件。

步骤S208，获取与初步维护项目清单对应的领用记录，并基于领用记录进行领用数据整合，得到更新后的领用记录数据。

具体地，通过获取与初步维护项目清单对应的领用记录，并根据领用记录筛选得到重码备件记录和替代备件记录，进而基于重码备件记录、替代备件记录以及领用记录，进行领用数据整合，得到更新后的领用记录数据。

其中，由于核电厂的备件存在重码合并和物项替代的情况，需要对涉及重码和替代的备件领用数据进行整合处理，即将原编码的领用数据都整合到新编码的领用数据中。以某核电厂的数据库为例，涉及重码合并的备件编码都会在原编码的物料描述中添加“＝新编码”，涉及物项替代的备件编码都会在原编码的后继物料中添加新编码信息，故可以通过提取物料描述和后继物料字段信息，判断并提取原编码和新编码的对应关系，并进行领用数据整合。

进一步地，如图7所示的核电厂备件需求预测方法的领用记录数据更新示意图中，备件甲通过重码或替代被更换为备件乙，备件乙通过重码或替代被更换为备件丙，最后将备件甲和备件乙的领用数据都整合到备件丙中，得到更新后的领用记录数据。

步骤S210，根据更新后的领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单。

具体地，根据更新后的领用记录数据，建立维护项目和备件之间的第一基准清单，其中，第一基准清单中至少包含如下列：维护项目、大纲变动率、挂接标准包号、备件编码、备件单价、备件重要性、标准包中备件类型、标准包中备件挂接数量、维护项目总调用次数、备件总领用数量、备件最大单次领用数量、以及备件领用波动系数等数据。

同样地，根据更新后的领用记录数据，标准包和备件之间的第二基准清单，其中，第二基准清单中至少包含如下列：标准包号、备件编码、备件单价、备件重要性、标准包中备件类型、标准包中备件挂接数量、标准包总调用次数、备件总领用数量、备件最大单次领用数量、以及备件领用波动系数等数据。

其中，维护项目涉及的潜在备件需求包括两个部分，一部分是维护项目对应标准包中挂接的备件，另一部分为存在历史领用记录但未在标准包中挂接的备件，若仅参照标准包中挂接的备件，则无法输出历史领用即标准包中未挂接的备件的需求，进而需要汇总标准包中挂接的备件以及历史领用信息，梳理维护项目与对应的潜在备件需求。

进一步地，通过梳理维护项目的领用记录，建立维护项目-备件的基准清单，即对应的第一基准清单，以供不同类型的维护项目-备件模型调用。其中，第一基准清单中至少包含如下列：维护项目、大纲变动率、挂接标准包号、备件编码、备件单价、备件重要性、标准包中备件类型、标准包中备件挂接数量、维护项目总调用次数、备件总领用数量、备件最大单次领用数量、以及备件领用波动系数等。其中，维护项目+备件编码为该第一基准清单的主键。

在一个实施例中，如图8所示，提供了一种维护项目涉及的潜在备件需求关系，参照图8可知，维护项目涉及的潜在需求备件包括维护项目对应标准包中挂接的备件，对应图8中的备件1、备件2、备件3，以及存在历史领用记录但未在标准包中挂接的备件，对应图8中的备件4和备件5。可以理解的是，若仅参照标准包中挂接的备件，则无法输出备件4和备件5的需求，所以需要汇总标准包中挂接的备件以及历史领用信息，梳理维护项目与对应的潜在备件需求。

在一个实施例中，如图9所示，提供了一种标准包对应的维护项目及历史领用记录间的关系示意图，参照图9可知，由于历史上没有领用记录或者领用记录较少，无法通过历史领用信息推算该维护项目对应的备件需求，此时可以计算维护项目挂接的标准包信息的历史领用记录。以图9为例，维护项目2没有历史领用记录，但是维护项目1、维护项目2、维护项目3等项目挂接了相同的标准包，且维护项目1、维护项目3等均有历史领用数据，此时可以计算该标准包的历史领用信息。

进一步地，通过梳理标准包的领用记录，建立标准包-备件的基准清单，即对应的第二基准清单，以供不同类型的标准包-备件模型调用。其中，第二基准清单中至少包含如下列：标准包号、备件编码、备件单价、备件重要性、标准包中备件类型、标准包中备件挂接数量、标准包总调用次数、备件总领用数量、备件最大单次领用数量、以及备件领用波动系数等。其中，标准包号+备件编码为该第二基准清单的主键。

步骤S212，获取第一基准清单对应的维护项目领用数据，与第二基准清单对应的标准包领用数据，并根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型。

具体地，当确定维护项目领用数据满足第一领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为维护项目及备件模型。而当确定维护项目领用数据不满足第一领用数据阈值要求、标准包领用数据满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为标准包及备件模型。

同样地，当确定维护项目领用数据不满足第一领用数据阈值要求、且标准包领用数据不满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为备件模型。

在一个实施例中，如图10所示，提供了一种备件对应标准包以及历史领用记录间的关系示意图，参照图10可知，针对部分标准包，由于历史上没有领用记录或者领用记录较少，无法通过历史领用信息推算该标准包对应的备件需求，此时可以计算标准包中挂接的备件在其他标准包的调用及领用记录。以图10为例，某备件在标准包1、标准包2、标准包3、标准包4中都被挂接，其中标准包2无历史领用记录，此时可以计算该备件在其余标准包的调用领用数据。通过梳理备件的领用记录，建立备件领用的基准清单，供不同类型的备件模型调用，基准清单中至少包含以下列：备件编码、备件单价、备件重要性、备件总调用次数、备件总领用数量、备件最大单次领用数量、以及备件领用波动系数。其中，备件编码为该备件清单的主键。

在一个实施例中，如图11所示，提供了一种第二类备件需求清单对应的模型选择流程示意图，参照图11可知，在梳理完成维护项目清单后，通过判断维护项目、标准包的领用数据是否足够，从而确定选择的模型。具体来说，比如若某个维护项目的历史领用数据足够(例如历史上有3次及以上的领用数据)，则直接选用维护项目及备件模型计算备件的需求。若该维护项目的历史调用数据不足，则判断其对应标准包的领用数据是否足够，若标准包领用数据足够，则调用标准包及备件模型，否则调用备件模型。若在备件模型中，该备件在各个标准包中都没有领用记录，可以选择输出该备件的需求数量为0，或者直接采用标准包中该备件挂接的需求数量。

步骤S214，基于目标需求预测模型，对维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单。

具体地，提取第一基准清单中的总调用次数、总领用数量、大纲变动率、备件重要性、备件单价以及波动系数，并获取本轮次第一调用次数，并根据第一基准清单中的总调用次数、总领用数量、大纲变动率、备件重要性、备件单价以及波动系数，以及本轮次第一调用次数，得到与维护项目及备件模型对应的第一输入数据。

同样地，根据维护项目及备件模型，对第一输入数据进行需求预测，得到对应的第一预测需求数据，并提取第二基准清单中的总调用次数、总领用数量、备件重要性、备件单价以及波动系数，获取本轮次第二调用次数。进而根据第二基准清单中的总调用次数、总领用数量、备件重要性、备件单价、波动系数，以及本轮次第二调用次数，得到与第标准包及备件模型对应的第二输入数据；

同样地，根据标准包及备件模型，对第二输入数据进行需求预测，得到对应的第二预测需求数据，并提取备件清单中的总调用次数、总领用数量、备件重要性、备件单价以及波动系数，获取本轮次第三调用次数。进而根据备件清单中的总调用次数、总领用数量、备件重要性、备件单价、波动系数，以及本轮次第三调用次数，得到与备件模型对应的第三输入数据，进而根据备件模型，对第三输入数据进行需求预测，得到对应的第三预测需求数据。

进一步地，根据第一预测需求数据、第二预测需求数据以及第三预测需求数据，生成对应的第二类备件需求清单。

在一个实施例中，如图12，提供了一种第二类备件需求清单对应的需求数量梳理框架示意图，参照图12可知，针对每个维护项目，需要考虑维护项目、标准包以及备件三种因素，具体可分为维护项目-备件因素，标准包-备件因素，以及备件因素。其中，针对维护项目-备件因素，需要从维护项目及备件模型库中，确定出对应的目标需求预测模型，进而根据目标需求预测模型进行需求预测，得到第一预测需求数据。

同样地，针对标准包-备件因素，需要从标准包及备件模型库中，确定出对应的目标需求预测模型，进而根据目标需求预测模型进行需求预测，得到第二预测需求数据。而针对备件因素，同样需要备件模型库中，确定出对应的目标需求预测模型，进而根据目标需求预测模型进行需求预测，得到第三预测需求数据。其中，模型库中模型可以多样化，根据需要设置不同类型的模型，针对不同应用场景，选取预测效果最佳的模型。

步骤S216，根据第一类备件需求清单和第二类备件需求清单，汇总生成计划性备件需求数量清单。

具体地，根据第一类备件需求清单可得到相应的第一类备件需求数量，而根据第二类备件需求清单，可得到相应的第二类备件需求数据，进而根据第一类备件需求数量和第二类备件需求数量，可汇总得到所有计划性备件需求数量，从而生成对应的计划性备件需求数量清单。

上述核电厂备件需求预测方法中，根据核电厂维修计划确定对应的维护项目，并基于维护项目进行项目等效处理，生成对应的初步维护项目清单，通过获取与初步维护项目清单对应的维护项目变动率表单，并根据维护项目变动率表单，从初步维护项目清单中筛选出维护项目。进而通过获取与维护项目对应的预设约束条件，并根据预设约束条件和维修标准包数据，确定出与维护项目对应的第一类备件需求清单。通过获取与初步维护项目清单对应的领用记录，并基于领用记录进行领用数据整合，得到更新后的领用记录数据，进而根据更新后的领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单。通过获取第一基准清单对应的维护项目领用数据，与第二基准清单对应的标准包领用数据，并根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型，并基于目标需求预测模型，对维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单。进而根据第一类备件需求清单和第二类备件需求清单，汇总生成计划性备件需求数量清单。实现了精准确定出核电厂在维修过程中的不同类别的备件需求，可提前根据所得到的计划性备件需求数量清单提前进行采购，避免维修过程中出现备件短缺的情况，以提前准备充足的维修备件，满足维修需求，进一步保障核电厂的稳定运行。

在一个实施例中，如图13所示，确定出与维护项目对应的目标需求预测模型的步骤，即根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型的步骤，具体包括：

步骤S1302，当确定维护项目领用数据满足第一领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为维护项目及备件模型。

具体地，当确定维护项目领用数据满足第一领用数据阈值要求时，确定与维护项目对应的目标需求预测模型为维护项目及备件模型，其中，在本实施例中，维护项目及备件模型为第一类维护项目及备件模型。

进一步地，如图14所示，提供了一种第一类维护项目及备件模型的框架示意图，参照图14可知，第一类维护项目及备件模型需要应用到总调用次数D、总领用数量L、大纲变动率R、备件重要性I、备件单价P、波动系数B以及先验知识X，其中，总调用次数D、总领用数量L、大纲变动率R、备件重要性I、备件单价P、波动系数B是从维护项目及备件之间的第一基准清单中提取得到，先验知识X由人工补充，进而根据上述涉及到的具体数据，进行需求数量预测，得到相应的第一预测需求数据。

其中，具体采用以下公式(1)进行第一预测需求数据的计算：

其中，Y是预测的需求数量，L是总领用数量，D是总调用次数，K是修正系数。

其中，修正系数K的计算公式如下公式(2)所示：

K＝f(R,I,P,B,X)； (2)

其中，修正系数L由大纲变动率R、备件重要性I，备件单价P、波动系数B、先验知识X综合确定。大纲变动率值越高，说明该维护项目取消的概率越高，应少储备，备件重要性越高，备件缺货风险越严重，应优先多储备。备件单价越高，库存金额积压风险越高，应少储备。波动系数是指历史调用领用的标准差/历史调用领用的平均值，其值越高，备件历史领用波动越大，存在积压风险，应少储备。而先验知识是用户对设备故障情况的预估，若该设备在下次检修时预估的故障概率高于历史平均情况，应优先多储备，若该设备在下次检修时预估的故障概率低于历史平均情况，应少储备，若用户对该设备的故障没有有效预期，则不应用先验知识项。综上，R、P、B与K呈现负相关，I、X与K呈现正相关。

步骤S1304，当确定维护项目领用数据不满足第一领用数据阈值要求、标准包领用数据满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为标准包及备件模型。

具体地，当确定维护项目领用数据不满足第一领用数据阈值要求，但标准包领用数据满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为标准包及备件模型。其中，在本实施例中，标准包及备件模型为第一类标准包及备件模型。

进一步地，如图15所示，提供了一种第一类标准包及备件模型的框架示意图，参照图15可知，第一类标准包及备件模型需要应用到总调用次数D、总领用数量L、本轮调用次数N、备件重要性I、备件单价P、波动系数B以及先验知识X。其中，总调用次数D、总领用数量L、备件重要性I、备件单价P、波动系数B是从标准包及备件之间的第二基准清单中提取得到，先验知识X由人工补充，本轮次调用次数N也由人工补充。进而根据上述涉及到的具体数据，进行需求数量预测，得到相应的第二预测需求数据。

其中，具体采用以下公式(3)进行第二预测需求数据的计算：

其中，其中Y是预测的需求数量，L是总领用数量，D是总调用次数，N是本轮次调用次数，由于同一个标准包可能对应多个维护项目，本轮次调用次数是指在本轮次大修中，有多少个维护项目调用了该标准包，K是修正系数。

其中，修正系数K的计算公式如下公式(4)所示：

K＝f(I,P,B,X)； (4)

其中，修正系数K由备件重要性I，备件单价P、波动系数B、先验知识X综合确定。备件重要性越高，备件缺货风险越严重，应优先多储备，备件单价越高，库存金额积压风险越高，应少储备。波动系数是指历史调用领用的标准差/历史调用领用的平均值，其值越高，备件历史领用波动越大，存在积压风险，应少储备。先验知识是用户对该标准包对应各个设备整体故障情况的预估，若该类设备在下次检修时预估的故障概率高于历史平均情况，应优先多储备，若该类设备在下次检修时预估的故障概率低于历史平均情况，应少储备，若用户对该类设备的故障没有有效预期，则不应用先验知识项。综上，P、B与K呈现负相关，I、X与K呈现正相关。

步骤S1306，当确定维护项目领用数据不满足第一领用数据阈值要求、且标准包领用数据不满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为备件模型。

具体地，当确定维护项目领用数据不满足第一领用数据阈值要求、且标准包领用数据不满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为备件模型。其中，在本实施例中，备件模型为第一类备件模型。

进一步地，如图16所示，提供了一种第一类备件模型的框架示意图，参照图16可知，第一类备件模型需要应用到总调用次数D、总领用数量L、本轮调用次数N、备件重要性I、备件单价P以及波动系数B，其中，总调用次数D、总领用数量L、本轮调用次数N、备件重要性I、备件单价P以及波动系数B从备件清单中获取得到。进而根据上述涉及到的具体数据，进行需求数量预测，得到相应的第三预测需求数据。

其中，具体采用以下公式(5)进行第三预测需求数据的计算：

其中，Y是预测的需求数量，L是总领用数量，D是总调用次数，N是本轮次调用次数，由于同一个标准包可能对应多个维护项目，本轮次调用次数是指在本轮次大修中，有多少个维护项目调用了该标准包，K是修正系数。

其中，修正系数K的计算公式如下公式(6)所示：

K＝f(I,P,B)； (6)

其中，修正系数K由备件重要性I，备件单价P、波动系数B综合确定。备件重要性越高，备件缺货风险越严重，应优先多储备，备件单价越高，库存金额积压风险越高，应少储备。波动系数是指历史调用领用的标准差/历史调用领用的平均值，其值越高，备件历史领用波动越大，存在积压风险，应少储备。综上，P、B与K呈现负相关，I与K呈现正相关。

本实施例中，当确定维护项目领用数据满足第一领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为维护项目及备件模型。当确定维护项目领用数据不满足第一领用数据阈值要求、标准包领用数据满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为标准包及备件模型。而当确定维护项目领用数据不满足第一领用数据阈值要求、且标准包领用数据不满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为备件模型。实现了根据维护项目领用数据、标准包领用数据进行综合考虑，筛选出匹配的目标需求预测模型，进而可在后续使用所确定出的目标需求预测模型进行需求数据时，提升所得到的预测需求数据的准确度，减少反复进行需求预测的情况，提升需求预测准确度和工作效率。

在一个实施例中，如图17所示，确定出与维护项目对应的目标需求预测模型的步骤，即根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型的步骤，具体包括：

步骤S1702，根据维护项目领用数据确定对应的维护项目类别，并根据标准包领用数据确定对应的标准包类别，以及根据备件数据确定对应的备件类别。

具体地，根据维护项目领用数据确定对应的维护项目类别，比如包括维护项目类别A、维护项目类别B、……维护项目类别X，根据标准包领用数据确定对应的标准包类别，比如包括标准包类别A、标准包类别B、……标准包类别X，根据备件数据确定对应的备件类别，比如包括备件类别一、备件类别二、……备件类别N等。

步骤S1704，基于维护项目类别和备件类别的组合数据，从维护项目及备件模型库中，匹配出对应的维护项目及备件模型，确定为目标需求预测模型。

具体地，基于维护项目类别和备件类别的组合数据，比如是基于维护项目类别A、维护项目类别B、……维护项目类别X，以及备件类别一、备件类别二、……备件类别N之间的组合数据，从维护项目及备件模型库中，匹配出对应的维护项目及备件模型，确定为对应的目标需求预测模型。其中，在本实施例中，目标需求预测模型为第二类维护项目及备件模型。

进一步地，如图18所示，提供了一种第二类维护项目及备件模型的框架示意图，参照图18可知，第二类维护项目及备件模型为人工神经网络模型，该第二类维护项目及备件模型的输入数据为：总调用次数D、总领用数量L、单次最大领用M、维护项目大纲周期T、大纲变动率R以及维护项目类别，该些输入数据经由人工神经网络的输入层输入，通过神经网络的中间层进行处理，得到相应的第一预测需求数据，经由人工神经网络的输出层输出。

其中，总调用次数D、总领用数量L、单次最大领用M以及大纲变动率R是从维护项目及备件之间的第一基准清单中提取得到，维护项目大纲周期T是维修大纲中该维护项目的维护周期，通常情况下，同类型的维护项目，维护周期越长，其更换备件的概率越高。维护项目类别可以按照维护项目的负责专业进行划分，通过细化维护项目的类别，提升需求预测的整体有效性。

在一个实施例中，如图19所示，提供了一种维护项目及备件模型库的结构示意图，参照图19可知，维护项目及备件模型库中提供了和不同维护项目类别和备件类别进行组合得到的组合数据，对应的维护项目及备件模型。其中，在维护项目及备件模型库中，维护项目按照设备功能位置维度进行划分、备件按照物资类别维度进行划分，建立维护项目-备件模型库。应用时，根据维护项目的类别和备件类别，自动选择模型库中的模型进行需求预测。

举例来说，比如维护项目类别A可以和备件类别一、备件类别二至备件类别N分别进行组合，同样地，维护项目类别B至维护项目类别X，也可分别和备件类别一、备件类别二至备件类别N进行组合，因此，每个维护项目类别和备件类别的组合，均可在维护项目及备件模型库中匹配出相对应的模型。

其中，由于核电厂的维护项目和备件数量较多，不同维护项目、不同备件的使用概率不同，如果只使用一个人工神经网络模型，可能会出现训练时相同的输入，出现不同的需求数量输出情况，人工神经网络模型难以收敛，为解决该问题，可以按照维护项目类别和备件类别进行分别建模，设置多个人工神经网络模型，提升预测的有效性。

步骤S1706，基于标准包类别和备件类别的组合数据，从标准包及备件模型库中，匹配出对应的标准包及备件模型，确定为目标需求预测模型。

具体地，基于标准包类别和备件类别的组合数据，比如是基于标准包类别A、标准包类别B、……标准包类别X，以及备件类别一、备件类别二、……备件类别N之间的组合数据，从标准包及备件模型库中，匹配出对应的标准包及备件模型，确定为目标需求预测模型。其中，在本实施例中，目标需求预测模型为第二类标准包及备件模型。

进一步地，如图20所示，提供了一种第二类标准包及备件模型的框架示意图，参照图20可知，第二类标准包及备件模型为人工神经网络模型，该第二类标准包及备件模型的输入数据为：总调用次数D、总领用数量L、单次最大领用M、维护项目大纲周期T、本轮调用次数N以及标准包类别，该些输入数据经由人工神经网络的输入层输入，通过神经网络的中间层进行处理，得到相应的第二预测需求数据，经由人工神经网络的输出层输出。

其中，总调用次数D、总领用数量L以及单次最大领用M是从标准包及备件之间的第二基准清单中提取得到，维护项目大纲周期是本轮次大修中调用了该标准包的维护项目的维护周期平均值。标准包类别可以按照标准的负责专业进行划分，通过细化标准包的类别，提升需求预测的整体有效性。

在一个实施例中，如图21所示，提供了一种标准包及备件模型库的结构示意图，参照图21可知，在标准包及备件模型库中，标准包按照设备功能位置维度进行划分、备件按照物资类别维度进行划分，建立标准包及备件模型库。应用时，根据标准包的类别和备件类别，自动选择模型库中的模型进行需求预测。

举例来说，比如标准包类别A可以和备件类别一、备件类别二至备件类别N分别进行组合，同样地，标准包类别B至标准包类别X，也可分别和备件类别一、备件类别二至备件类别N进行组合，因此，每个标准包类别和备件类别的组合，均可在标准包及备件模型库中匹配出相对应的模型。

步骤S1708，获取用于提供不同类别的备件的供应商数据，并根据供应商数据确定对应的供应商类别。

具体地，通过获取用于提供不同类别的备件的供应商数据，并根据供应商数据确定对应的供应商类别，比如包括供应商A、供应商B、……供应商X。

步骤S1710，基于备件类别和供应商类别的组合数据，从备件模型库中，匹配出对应的备件模型，确定为目标需求预测模型。

具体地，基于备件类别和供应商类别的组合数据，比如是基于供应商A、供应商B、……供应商X，以及备件类别一、备件类别二、……备件类别N之间的组合数据，从备件模型库中，匹配出对应的备件模型，确定为目标需求预测模型。其中，在本实施例中，备件模型为第二类备件模型。

进一步地，如图22所示，提供了一种第二类备件模型的框架示意图，参照图22可知，第二类备件模型为人工神经网络模型，该第二类备件模型的输入数据为：总调用次数D、总领用数量L、单次最大领用M、本轮调用次数N以及备件类别，该些输入数据经由人工神经网络的输入层输入，通过神经网络的中间层进行处理，得到相应的第三预测需求数据，经由人工神经网络的输出层输出。

其中，总调用次数D、总领用数量L以及单次最大领用M从备件清单中获取得到。备件类别可以按照标准的负责专业进行划分，通过细化备件的类别，提升需求预测的整体有效性。

在一个实施例中，如图23所示，提供了一种备件模型库的结构示意图，参照图23可知，在备件模型库中，备件按照物资类别维度进行划分，供应商按照供应商类别进行划分，建立备件模型库。需关注，备件在人工神经网络模型中是按照负责单位对其进行划分，在模型库中是按照物资类别对其进行划分即同一个备件会在两个维度上对其进行划分。根据备件的类别和供应商类别，自动选择模型库中的模型进行需求预测。

举例来说，比如供应商A可以和备件类别一、备件类别二至备件类别N分别进行组合，同样地，供应商B至供应商X，也可分别和备件类别一、备件类别二至备件类别N进行组合，因此，每个供应商和备件类别的组合，均可在备件模型库中匹配出相对应的模型。

在一个实施例中，如图24所示，提供了一种神经网络备件需求预测流程，参照图24可知，针对不同模型库中的模型，首先汇总第N-1轮及之前的大修训练数据，以维护项目及备件模型为例，训练的输入为6列数据(总调用次数、总领用数量、单次最大领用、维护项目大纲周期、大纲变动率，维护项目类别)，输出为1列数据(大修实际领用数据)。在第N轮大修结束后，通过提取第N轮大修的计划性领用数据，更新训练数据表，新建第N轮及之前大修总训练数据表。此时使用该数据对人工神经网络模型进行训练，更新人工神经网络模型的阈值和权值。

其次，在梳理完成第N+1轮大修项目清单后，按照人工神经网络模型6列输入要求整理数据，新建第N+1轮大修预测数据输入清单，通过人工神经网络模型，对第N+1轮大修备件需求进行预测。待第N+1轮大修完成后，提取第N+1轮大修领用数据，再次对人工神经网络模型进行训练，并迭代对第N+2轮大修的备件需求进行预测。实际应用中，也可以直接使用第N轮大修人工神经网络模型对第N+2、第N+3等轮次大修的备件需求进行预测。

本实施例中，根据维护项目领用数据确定对应的维护项目类别，并根据标准包领用数据确定对应的标准包类别，以及根据备件数据确定对应的备件类别，进而基于维护项目类别和备件类别的组合数据，从维护项目及备件模型库中，匹配出对应的维护项目及备件模型，确定为目标需求预测模型。而基于标准包类别和备件类别的组合数据，从标准包及备件模型库中，匹配出对应的标准包及备件模型，确定为目标需求预测模型。通过获取用于提供不同类别的备件的供应商数据，并根据供应商数据确定对应的供应商类别，进而基于备件类别和供应商类别的组合数据，从备件模型库中，匹配出对应的备件模型，确定为目标需求预测模型。实现了根据维护项目类别和备件类别的组合数据、标准包类别和备件类别的组合数据、以及备件类别和供应商类别的组合数据，精准确定出匹配的目标需求预测模型，进而可在后续使用所确定出的目标需求预测模型进行需求数据时，提升所得到的预测需求数据的准确度，减少反复进行需求预测的情况，提升需求预测准确度和工作效率。

在一个实施例中，如图25所示，提供了一种核电厂备件需求预测方法，具体包括以下步骤：

步骤S2502，根据计划性备件需求数量清单，确定对应的备件虚拟预留数量。

具体地，计算出计划性A类备件需求数量，即第一类备件需求清单，以及计划性B类备件需求数量，即第二类备件需求清单后，汇总为计划性备件需求数量清单。其中，通过将计划性备件需求数量清单输入给采购预测数量模块，可计算得到计划性备件采购数量。

其中，计划性备件需求数量清单可转换为虚拟预留数量，该备件的虚拟预留与真实预留之和为备件预留数量，结合备件的库存数量、正订数量、库存参数，通过备件MRP(物资需求计划)运算模块，计算得到备件的采购数量。其中，虚拟预留是在对应维护项目还没有正式工单预留前的临时预留，一旦维护项目生成了正式工单预留，则相当于虚拟预留转为了正式预留，对应虚拟预留自动删除，以免同一个维护项目出现两次预留，导则采购过多的情况。

步骤S2504，获取与计划性备件需求数量清单对应的备件真实预留数据，并根据备件真实预留数据和备件虚拟预留数量，得到对应的实际备件预留数量。

具体地，获取与计划性备件需求数量清单对应的备件真实预留数据，并计算得到备件真实预留数据和备件虚拟预留数量之和，即为对应的实际备件预留数量。

步骤S2506，获取备件清单对应的库存数量、正订数量以及库存参数，并根据实际备件预留数量、库存数量、正订数量以及库存参数，生成得到与训练好的采购预测数据模型对应的第四输入数据。

具体地，通过获取备件清单对应的库存数量、正订数量以及库存参数，并结合计算得到的实际备件预留数量，生成得到与训练好的采购预测数据模型对应的第四输入数据。

步骤S2508，根据训练好的采购预测数据模型，对第四输入数据进行采购数量预测，生成对应的计划性备件采购清单。

具体地，通过将第四输入数据输入训练好的采购预测数据模型中，根据训练好的采购预测数据模型中设置的MRP(物资需求计划)运算模块，对实际备件预留数量、库存数量、正订数量以及库存参数进行采购数量预测，生成对应的计划性备件采购预测数量，进而基于计划性备件采购预测数量，生成对应的计划性备件采购清单。

进一步，如图26所示，提供了一种采购预测数据模型的框架，参照图26可知，根据计划性A类备件需求数量以及计划性B类备件需求数量，可汇总计算得到计划性备件需求数量清单，进一步将计划性备件需求数量清单输入至采购预测数据模型中，结合备件库存参数、备件库存、备件正订以及备件预留数据，通过备件MRP(物资需求计划)运算模块，预测得到备件的采购数量，并进行相应的备件采购申请。

本实施例中，根据计划性备件需求数量清单，确定对应的备件虚拟预留数量，并获取与计划性备件需求数量清单对应的备件真实预留数据，进而根据备件真实预留数据和备件虚拟预留数量，得到对应的实际备件预留数量。进一步获取备件清单对应的库存数量、正订数量以及库存参数，并根据实际备件预留数量、库存数量、正订数量以及库存参数，生成得到与训练好的采购预测数据模型对应的第四输入数据，进而可根据训练好的采购预测数据模型，对第四输入数据进行采购数量预测，生成对应的计划性备件采购清单。实现了根据实际备件预留数量、库存数量、正订数量以及库存参数，并结合训练好的采购预测数据模型，以进一步到达对采购数量的精准预测，避免出现过量采购或者采购量无法满足实际维护需求的情况，进而提升核电厂的维护处理工作效率。

在一个实施例中，如图27所示，供了一种核电厂备件需求预测方法，具体包括以下步骤：

步骤S2702，获取现场实际备件领用数据，并将计划性备件需求数量清单和现场实际备件领用数据进行比对，生成对应的真阳性数据、伪阳性数据以及伪阴性数据。

具体地，通过获取现场实际备件领用数据，并将计划性备件需求数量清单和现场实际备件领用数据进行比对。其中，如图28所示，提供了一种现场实际备件领用数据和计划性备件需求数量清单的比对示意图，参照图28可知，通过对比预测需求数据与实际领用数据，可以分为三类，第一类为真阳性数据，即预测的需求与实际领用相同，第二类为伪阳性数据，即预测有需求，实际无领用，第三类为伪阴性数据，及预测无需求，实际有领用。而在计算出真阳性数据、伪阳性数据、伪阴性数据后，可以进一步计算模型的准确率和查全率。其中，计划性备件需求预测模型预测的备件需求数量为预测需求数据，现场实际领用的备件数量为实际领用数据。

其中，为了能有效评估不同模型之间的优劣程度，建立备件需求预测评价方法，使用定量的方法，简单、客观的评价需求预测效果，以便系统能够自动选择推送最优模型的备件需求预测。其中，第一类备件需求清单的预测模型和第二类备件需求清单的预测模型两者结构不同，故两类备件的模型需要分别计算预测效果。

步骤S2704，基于真阳性数据、伪阳性数据以及伪阴性数据，确定得到目标需求预测模型对应的准确率和查全率。

具体地，在计算出真阳性数据、伪阳性数据、伪阴性数据后，可进一步基于真阳性数据、伪阳性数据以及伪阴性数据，确定得到目标需求预测模型对应的准确率和查全率。

其中，

其中，

步骤S2706，根据准确率和查全率，对目标需求预测模型进行效果评价，生成对应的效果评价数据。

具体地，根据准确率和查全率，对目标需求预测模型进行效果评价，可以是目标需求预测模型的整体预测效果，进而得到相应的效果评价数据。

进一步地，模型Model 1和模型Model 2针对样本的预测数据分别如下表3和表4所示，参照表3和表4可知，模型Model 1和模型Model 2在不同大修轮次对应的准确率以及查全率存在数据取值不同或相同的情况，举例来说，比如模型Model 1和模型Model 2在大修1时的准确率和查全率均不相同，而模型Model 1和模型Model 2在大修6时的准确率不同，但查全率取值一致。

在一个实施例，如图29所示，提供了一种预测效果网格分布示意图，以查全率为横坐标，以准确率为纵坐标，建立得到如图29所示的预测效果网格分布图。其中，查全率和准确率越高则代表模型的预测效果越好，将预测效果网格分布图按照25％为一档进行划分，共建立A、B、C、D、E、F、G共计7个区域，该案例中，Model 1在A区域的占比为0％、B区域的占比为0％、C区域的占比为50％、D区域的占比为33.3％、E区域的占比为16.7％、F区域的占比为0％、G区域的占比为0％。Model 2在A区域的占比为0％、B区域的占比为0％、C区域的占比为16.7％、D区域的占比为83.3％、E区域的占比为0％、F区域的占比为0％、G区域的占比为0％。综合比较，Model1的整体预测效果更佳。

进一步地，预测效果网格分布图可以便于用户比较直观的观察不同模型在不同应用场景下的预测效果，实际应用中还可以直接计算该模型距离理论最优值(准确率100％，查全率100％)的平均距离，平均距离越小的模型整体效果更佳，同样以Model 1和Model 2两个模型为例，Model 1中各轮次大修距离理论最优位置分别为：0.85、0.75、0.87、0.45、0.57、0.56，平均值为0.67；同理可计算Model 2中各轮次大修距离理论最优位置为：0.79、0.79、0.84、0.72、0.69、0.59，平均值为0.74。由于Model 1的平均距离更小，则说明Model 1的整体预测效果更佳。

在一个实施例中，预测的效果可以从备件项数和备件金额两个维度进行综合评价，备件项数会影响后端采购的发单量、备件金额会影响备件的库存控制指标。其中，预测数据和实际领用数据，分别如下表5和表6所示，参照表5可获知不同预测备件，比如备件1、备件2、……、备件7的预测金额，根据表6可获知领用备件的领用金额，比如备件1、备件2、……、备件8的领用金额。

进一步地，根据表5所示的预测数据，以及表6所示的实际领用数据，进一步计算得到如表7所示的真阳性、伪阳性以及伪阴性数据分布表，参照表7可知，项数和金额分别对应相应的真阳性数据、伪阳性数据以及伪阴性数据。

表7

其中，项数-真阳性的计算过程为：预测的备件中，备件1、备件3、备件5与实际领用相同，故项数为3。项数-伪阳性的计算过程为：备件6、备件7没有在领用清单中，故项数为2。而项数-伪阴性的计算过程为：备件2、备件4、备件8没有在预测清单中，故项数为3。

同样地，金额-真阳性的计算过程为：备件1中40>20，实际领用金额为20，备件3中实际领用金额为20，备件5中实际领用金额为30，则金额-真阳性数据为20+20+30＝70。金额-伪阳性的计算过程为：备件1中40>20，多预测金额为20，备件6无领用，多预测金额为40，备件7无领用，多预测金额为50，则金额-伪阳性为20+40+50＝110。

其中，金额-伪阴性的计算过程为：备件2中，无预测，少预测金额为20；备件4中，无预测，少预测金额为30，备件5中少预测金额为20，备件8中，无预测，少预测金额为10，则金额-伪阴性数据为20+30+20+10＝80。

进一步地，根据所计算得到的项数、金额的准确率、查全率、理论最优距离数据，综合得到下表8的预测效果表。其中，项数的准确率为60％，查全率为50％，理论最优距离为0.64，同样地，金额的准确率为38.9％，查全率为46.7％，理论最优距离为0.81。

表8

本实施例中，通过获取现场实际备件领用数据，并将计划性备件需求数量清单和现场实际备件领用数据进行比对，生成对应的真阳性数据、伪阳性数据以及伪阴性数据，进而基于真阳性数据、伪阳性数据以及伪阴性数据，确定得到目标需求预测模型对应的准确率和查全率。从而可根据准确率和查全率，对目标需求预测模型进行效果评价，生成对应的效果评价数据。实现了根据目标需求预测模型对应的准确率和查全率，对目标需求预测模型进行效果评价，生成对应的效果评价数据，进而可根据相应的效果评价数据确定出模型库中的各模型是否符合核电厂的备件需求预测要求，以及时进行模型更新或调整，进而提升备件需求预测结果的准确性。

应该理解的是，虽然上述实施例涉及的各流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，上述实施例涉及的各流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

在一个实施例中，如图30所示，提供了一种核电厂备件需求预测系统，包括：初步维护项目清单生成模块3002、维护项目筛选模块3004、第一类备件需求清单确定模块3006、领用记录数据更新模块3008、基准清单建立模块3010、目标需求预测模型确定模块3012、第二类备件需求清单生成模块3014以及计划性备件需求数量清单生成模块3016，其中：

初步维护项目清单生成模块3002，用于根据核电厂维修计划确定对应的维护项目，并基于维护项目进行项目等效处理，生成对应的初步维护项目清单。

维护项目筛选模块3004，用于获取与初步维护项目清单对应的维护项目变动率表单，并根据维护项目变动率表单，从初步维护项目清单中筛选出维护项目。

第一类备件需求清单确定模块3006，用于获取与维护项目对应的预设约束条件，并根据预设约束条件和维修标准包数据，确定出与维护项目对应的第一类备件需求清单。

领用记录数据更新模块3008，用于获取与初步维护项目清单对应的领用记录，并基于领用记录进行领用数据整合，得到更新后的领用记录数据。

基准清单建立模块3010，用于根据更新后的领用记录数据，建立维护项目和备件之间的第一基准清单，以及标准包和备件之间的第二基准清单。

目标需求预测模型确定模块3012，用于获取第一基准清单对应的维护项目领用数据，与第二基准清单对应的标准包领用数据，并根据维护项目领用数据、标准包领用数据以及备件清单对应的备件数据，确定出与维护项目对应的目标需求预测模型。

第二类备件需求清单生成模块3014，用于基于目标需求预测模型，对维护项目进行第二类备件需求预测，生成对应的第二类备件需求清单。

计划性备件需求数量清单生成模块3016，用于根据第一类备件需求清单和第二类备件需求清单，汇总生成计划性备件需求数量清单。

上述核电厂备件需求预测系统，实现了精准确定出核电厂在维修过程中的不同类别的备件需求，可提前根据所得到的计划性备件需求数量清单提前进行采购，避免维修过程中出现备件短缺的情况，以提前准备充足的维修备件，满足维修需求，进一步保障核电厂的稳定运行。

在一个实施例中，第一类备件需求清单确定模块，还用于：

获取与维护项目对应的项目备件总金额阈值、项目备件长采购周期阈值，以及标准包数据；建立标准包数据和项目备件总金额阈值、项目备件长采购周期阈值之间的第一映射表单；根据各维护项目、维护项目变动率表单以及第一映射表单，确定出与维护项目对应的第一类备件需求清单。

在一个实施例中，目标需求预测模型确定模块，还用于：

当确定维护项目领用数据满足第一领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为维护项目及备件模型；当确定维护项目领用数据不满足第一领用数据阈值要求、标准包领用数据满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为标准包及备件模型；当确定维护项目领用数据不满足第一领用数据阈值要求、且标准包领用数据不满足第二领用数据阈值要求时，确定出与维护项目对应的目标需求预测模型为备件模型。

在一个实施例中，目标需求预测模型确定模块，还用于：

根据维护项目领用数据确定对应的维护项目类别，并根据标准包领用数据确定对应的标准包类别，以及根据备件数据确定对应的备件类别；基于维护项目类别和备件类别的组合数据，从维护项目及备件模型库中，匹配出对应的维护项目及备件模型，确定为目标需求预测模型；或基于标准包类别和备件类别的组合数据，从标准包及备件模型库中，匹配出对应的标准包及备件模型，确定为目标需求预测模型；或获取用于提供不同类别的备件的供应商数据，并根据供应商数据确定对应的供应商类别；基于备件类别和供应商类别的组合数据，从备件模型库中，匹配出对应的备件模型，确定为目标需求预测模型。

在一个实施例中，第二类备件需求清单生成模块，还用于：

提取第一基准清单中的总调用次数、总领用数量、大纲变动率、备件重要性、备件单价以及波动系数，并获取本轮次第一调用次数；根据第一基准清单中的总调用次数、总领用数量、大纲变动率、备件重要性、备件单价以及波动系数，以及本轮次第一调用次数，得到与维护项目及备件模型对应的第一输入数据；根据维护项目及备件模型，对第一输入数据进行需求预测，得到对应的第一预测需求数据；提取第二基准清单中的总调用次数、总领用数量、备件重要性、备件单价以及波动系数，并获取本轮次第二调用次数；根据第二基准清单中的总调用次数、总领用数量、备件重要性、备件单价、波动系数，以及本轮次第二调用次数，得到与第标准包及备件模型对应的第二输入数据；根据标准包及备件模型，对第二输入数据进行需求预测，得到对应的第二预测需求数据；提取备件清单中的总调用次数、总领用数量、备件重要性、备件单价以及波动系数，并获取本轮次第三调用次数；根据备件清单中的总调用次数、总领用数量、备件重要性、备件单价、波动系数，以及本轮次第三调用次数，得到与备件模型对应的第三输入数据；根据备件模型，对第三输入数据进行需求预测，得到对应的第三预测需求数据；根据第一预测需求数据、第二预测需求数据以及第三预测需求数据，生成对应的第二类备件需求清单。

在一个实施例中，提供了一种核电厂备件需求预测系统，还包括计划性备件采购清单生成模块，用于：

根据计划性备件需求数量清单，确定对应的备件虚拟预留数量；获取与计划性备件需求数量清单对应的备件真实预留数据，并根据备件真实预留数据和备件虚拟预留数量，得到对应的实际备件预留数量；获取备件清单对应的库存数量、正订数量以及库存参数，并根据实际备件预留数量、库存数量、正订数量以及库存参数，生成得到与训练好的采购预测数据模型对应的第四输入数据；根据训练好的采购预测数据模型，对第四输入数据进行采购数量预测，生成对应的计划性备件采购清单。

在一个实施例中，提供了一种核电厂备件需求预测系统，还包括效果评价数据生成模块，用于：

获取现场实际备件领用数据，并将计划性备件需求数量清单和现场实际备件领用数据进行比对，生成对应的真阳性数据、伪阳性数据以及伪阴性数据；基于真阳性数据、伪阳性数据以及伪阴性数据，确定得到目标需求预测模型对应的准确率和查全率；根据准确率和查全率，对目标需求预测模型进行效果评价，生成对应的效果评价数据。

在一个实施例中，领用记录数据更新模块，还用于：

获取与初步维护项目清单对应的领用记录，并根据领用记录筛选得到重码备件记录和替代备件记录；基于重码备件记录、替代备件记录以及领用记录，进行领用数据整合，得到更新后的领用记录数据。

在一个实施例中，初步维护项目清单生成模块，还用于：

获取核电厂预防性维修大纲，并根据核电厂预防性维修大纲确定对应的核电厂维修计划；基于核电厂维修计划进行大修轮次筛选，得到与当前大修轮次对应的维护项目；获取与维护项目对应的各项目功能位置以及项目文本内容，并基于维护项目对应的各项目功能位置以及项目文本内容进行项目等效处理，生成对应的初步维护项目清单。

在一个实施例中，如图31所示，提供了一种核电厂备件需求预测系统，参照图31可知，核电厂备件需求预测系统包括数据查询处理模块3102、计划性维护项目处理模块3104、计划性备件需求预测基准数据库3106、备件需求数量预测模块3108以及备件采购数量预测模块3110。其中：

数据查询处理模块3102主要用于接收和处理用户的查询需求，用户可选择梳理计划性备件需求类型，可按照备件编码、维修大纲项目、标准包号等条件进行查询，也可选择通过备件包、电厂、大修轮次等条件进行查询。

在一个实施例中，如图32所示，提供了一种核电厂备件需求预测系统的查询界面，参照图32可知，在查询界面，用户通过输入相关查询条件，点击备件年度需求清单按钮，系统可以自动以年为维度输出各个备件的需求数量以及建议的采购数量；点击备件详细需求清单，系统可以输出每个维护项目、每个备件的需求数据，包含大修轮次、标准包等信息。用户还可以通过系统快速查询维修大纲清单、标准包清单、备件领用信息等数据。

其中，数据查询处理模块3102可以将用户设定的查询信息转换为标准化约束条件传达给计划性维护项目处理模块3104，计划性维护项目处理模块3104用于梳理对应的维护项目。

计划性维护项目处理模块3104通过相应查询条件梳理对应的计划性维护项目，并进行项目等效后，输出维护项目清单。用户可以选择直接采用系统推送的维护项目清单，或者在系统推荐项目的基础上，进一步进行人工调整后，得到更为准确的维护项目清单。

其中，备件需求数量预测模块3108包含了计划性A类备件需求预测和计划B类备件需求预测两个子模块，通过接收计划性维护项目清单，读取计划性备件需求预测基准数据库3106中的维护项目-标准包-备件的对应关系，以及维护项目-备件的基准清单、标准包-备件的基准清单、备件的基准清单，基于所获取的上述数据，对计划性备件的需求进行预测，输出计划性备件需求清单。

备件采购数量预测模块3110通过接收计划性备件需求清单，读取备件的库存数量、正订数量、预留数量(含真实预留和虚拟预留)以及库存参数，基于所接收的上述数据，进一步计算得到备件的采购申请数量，输出计划性备件采购建议清单。

在一个实施例中国，如图33所示，提供了一种核电厂备件需求预测系统的备件历史领用数据分析界面，参照图33可知，在备件历史领用数据分析界面，用户可以通过输入备件编码、备件包、电厂等维度，查询备件历史领用以及保障分类数据，可供用户在人工复核系统计算的计划性备件需求时进行参考。

上述核电厂备件需求预测系统中，通过设置数据查询处理模块、计划性维护项目处理模块、计划性备件需求预测基准数据库、备件需求数量预测模块以及备件采购数量预测模块，构建了完整的核电厂维护处理架构，同时可进行计划性备件需求预测以及进一步进行采购数量预测，可精准确定出核电厂在维修过程中的不同类别的备件需求，可提前根据所得到的计划性备件需求数量清单提前进行采购，避免维修过程中出现备件短缺的情况，以提前准备充足的维修备件，满足维修需求，进一步保障核电厂的稳定运行。

关于核电厂备件需求预测系统的具体限定可以参见上文中对于核电厂备件需求预测方法的限定，在此不再赘述。上述核电厂备件需求预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图34所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储初步维护项目清单、第一类备件需求清单、更新后的领用记录数据、第一基准清单、第二基准清单、目标需求预测模型、第二类备件需求清单以及计划性备件需求数量清单等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种核电厂备件需求预测方法。

本领域技术人员可以理解，图34中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。