油料消耗

2024-07-14

油料消耗（精选4篇）

油料消耗篇1

特车大队作为以车辆服务为主的单位, 通过分析历年成本费用看出, 油料成本一直在重点控制区, 它的支出是该大队最大的一项成本消耗, 在2015年变动成本中, 车辆油料消耗费用占到了总成本的36% (见表1) 。由此可见, 油料消耗费用直接影响着变动成本总额, 降低油料消耗是减少变动成本支出的必需途径。

通过QC小组活动的开展, 建立全员、全过程的管理模式, 提高驾驶员的综合素质和专业技能。小组人员针对单车油料消耗中的问题, 深入现场逐台车跟踪考核, 对车辆设备进行油耗测试, 并根据车况和车龄的不同, 进一步修订不同车型的每百公里平均油料消耗定额标准, 加大审核控制和考核力度, 落实执行油耗定额管理, 做到奖罚有度。开展车辆单车百公里单耗和单车月耗油量的核算, 加强车辆维护保养和维修质量监督, 达到降低车辆油料消耗的目的。

统计2015年的油料百公里消耗为:54.5升/百公里, 先设定2016年目标降低5%, 即51.9升/百公里

经研究分析“是什么原因造成油料消耗的浪费?”得出如下几方面因素 (见图1) :

根据影响因素, QC小组成员结合实际情况对原因分析图中的7条末端因素逐条进行确认 (见表2) 。

通过分析得出驾驶技能参差不齐、单车油料定额调整不及时、油料考核不完善, 这三条因素为油料消耗浪费的主要因素。

根据要因分析, 制定相应的对策:

1针对单车油料消耗定额中的问题, 小组成员深入现场逐台车跟踪考核

QC小组人员专人负责, 现场跟车实地进行单车生产运行百公里油耗测算, 综合测算出各种车辆百公里油耗定额、日工作小时油耗定额, 按百公里耗油量制定单车月油量定额, 重新量化制定出每台车在不同生产运行中的油耗标准, 及时准确的修整单车油耗定额。

2针对油料考核不完善的问题, 积极落实油料考核措施。

(1) 制订《降低车辆油耗专项考核方案》。每月单独考核, 使单车油耗考核与个人收入直接挂钩。实行单车加油台账每月一总结。依据生产任务路单所签工作小时里程所需的油料定额考核单车的油料消耗节奖超罚。发现超耗达10%的定为耗油车分析耗油原因。

(2) 每天收车后司机必须填写单车当天实际行驶公里数或运转小时, 填写燃油消耗报表, 生产协调组现场检查核实实际公里数或运转小时, 对多报弄虚作假, 无法核实的, 里程表工作不良不上报的司机, 扣除当月公里费。

(3) 生产协调组具体负责设备节能日常管理监测、监督, 对不同车辆行车里程表抄读对比、利用GPS监控系统统计每台车的行驶公里, 每月对车辆设备实行动态管理, 全面准确掌握设备运转时间、运转公里, 扣除当月停运修理天数 (小时) , 确保油料消耗准确, 合理使用燃油。

(4) 每月25日组织一次节能小组例会分析上月油料节超原因, 属于机械原因的超耗, 及时采取整改措施。属于跑、冒、滴、漏或人为因素造成油料流失的追究当事人、小队队长及相关人员的责任。利用早会对全队职工进行教育大力宣传节能的重要性。

3针对驾驶技能参差不齐、操作使用设备不佳的问题, 大队教培组织职工学习驾驶技能和节油知识。

(1) 制作降低油耗普及知识小册子。将小册子放置在送货车里, 方便驾驶员随时阅览, 增强知识的记忆, 并且是促使驾驶员应用知识的基础。

(2) 开展主题讨论。每月召开一次驾驶员安全例会, 进行每月一个主题关于车辆的维护保养、降低油耗的心得等进行探讨交流。

(3) 加强汽车技术维护与调整。正确使用和调整发动机工作系统, 采用节油操作, 推广行车尽量合理使用档位, 减少怠速工作时间减少空驶里程提高燃料经济性。

对策实施以后, 现在基层中队每个职工都有一本账, 记录每天的工作住务、耗油情况, 职工不但能干活, 而且会算账, 算有效益的细账。2012年1月-9月平均百公里油耗为51.1L/百公里。

与2011年同期百公里油耗54.5L/百公里进行对比分析, 平均百公里油耗降低6.8%) 。

军队油料消耗预测策略研究篇2

关键词：军用油料,消耗预测,推理策略

军队油料消耗预测是军队油料保障顺利开展的一项重要前提性工作,同时它也是一项情况复杂,不确定因素较多,干扰较大的管理性工作。特别在当前信息化战争条件下,战场态势瞬息万变,搞好油料保障工作必须要有精确的油料消耗预测。

我们认为油料消耗预测效果受两个重要因素影响:一是预测所需信息的搜集是否详尽,包括敌我双方的相关情报、社会和自然环境的相关情况等。二是预测过程的科学性,主要包括预测方法的选择(即预测策略)、预测模型的建立。这里主要探讨油料消耗预测过程中,预测方法的选择策略。按照预测理论的不同,科学的管理预测方法可以分为:定性预测方法、统计分析法、类比分析法、因果分析法四个大类。其中的每一类预测方法按照预测情况的不同又可分别分为多种更为具体的预测方法,如图1所示。

在进行军队油料消耗预测的过程中,如何从纷繁复杂的预测方法中选取适当的方法来高效地完成油料消耗预测任务呢?毫无疑问,预测者首先必须掌握每种预测方法的特点。下面就油料消耗预测工作中用到的几种有代表性的预测方法进行分析,总结每种方法的适用条件。

1.各种管理预测方法分析

(1)概算预测法

适用条件:①对预测精度要求不高;②预测主体掌握日耗量数据;③日耗量数据可信度能够接受;④部队行动、用油装备、战损和自然损耗情况与日耗量数据采集环境相当。

优点:①预测速度快;②所需数据少;③对计算机依赖小。

(2)详算预测法

适用条件:①能够明确所有参战用油装备的种类和数量;②能够明确每种参战装备的油料消耗标准;③能够明确每个参战装备的使用强度;④能够明确每类参战装备的附油消耗标准:;⑤明确油品消耗附加系数。

优点:①预测精度高;②预测过程细节考虑周到。

(3)马尔可夫预测法

适用条件:①具有大量均匀离散分布的历史数据;②对于油料需求预测的精度要求不高;③历史数据呈现较大的跳跃性,不易把握发展趋势。

优点:能够适应跳跃性很强的历史数据。

(4)简单移动平均法

适用条件:①具有随连续时间均匀离散分布的一组样本数据;②有足够多的样本;③样本数据随着时间推移,沿着一条平均值上下轻微波动。

优点:操作简便;

(5)线性回归预测法

适用条件:①样本容量不能太小,否则无法消除偶然因素的影响,一般n(样本数)≥30时称为大样本,n<30时称为小样本,n<5时,不宜使用线性回归预测模型;②根据样本数据绘制的散点图须大致呈一直线。

优点:预测精确度较高

(6)趋势外推预测法

适用条件:①掌握待预测事物一定的历史和现实资料,(按照连续的时间规律排列),具有可以分组的大量样本;②事物发展过程没有跳跃变化,一般属于渐近变化;③事物的发展因素也决定事物未来的发展,其它条件不变或者变化不大。未来和过去的大致规律一样。

优点:能够很好地利用历史数据体现的规律和趋势性。

(7)数列灰色预测

适用条件:①样本数据个数n≥4;②预测者了解样本数据反映出的油料消耗变化大致缘由;

优点:对历史数据量要求小

2.预测方法选取原则

根据油料消耗预测的最终目标和油料管理工作的实际要求,制定如下油料消耗预测方法选取原则:

(1)高精确度原则。

高精度油料消耗预测是精确化油料保障的必然要求。

(2)条件最大适用原则。

尽可能使每一项已经掌握的已知信息(情报)能够体现在预测过程之中。

(3)定量分析优先原则。

能够进行定量分析的情况下,首先计算定量的预测结果,其次是区间形式的预测结果。最后在无法定量计算时,采用定性预测方法。

(4)客观信息优先原则。

在能够避免主观经验型数据的情况下,尽量采用客观数据进行预测分析。

3.制定油料消耗预测策略

根据上述各预测方法的适用条件,按照既定的方法选取原则,制定油料消耗预测策略

1.按照既定预测原则,首先选择预测精度最高的详算法,确定是否每种参战用油装备的种类、数量、耗油标准、使用强度、附油消耗标准、油品消耗附加系数均已经明确?如果满足条件则使用该方法;否则转步骤2;

2.判断该预测任务是否具有油料消耗历史数据,如果有则转步骤3,否则转步骤4;

3.判断样本数据个数是否超过10,如果是,则转步骤6,否则转步骤7;

4.判断当前预测项目是否具有油料消耗经验数据,如果有则使用油料消耗概算模型,否则转步骤5;

5.使用定性方法,如专家预测法、主观预测法、预兆预测法等进行油料消耗预测。

6.判断样本数据是否呈明显的直线、指数曲线或者其他函数走势,如果是,则按照回归分析预测法,或者趋势外推法进行预测,否则转步骤8;

7.利用手中掌握的少量数据,采用灰色预测方法,进行油料消耗预测;

8.判断样本数据是否是围绕平均值上下小幅度波动,如果是则采用时间序列预测模型进行油料消耗预测。否则转步骤9;

9.分类整理数据,按照马尔科夫预测模型进行油料消耗预测;

具体策略步骤如图2所示

4.军队消耗预测策略的应用

某海防团2005年各月份训练、演习油料消耗量如表1所示:

根据预测策略,在有12个样本(油料消耗历史数据)数据,没有详算数据和油料消耗经验数据的情况下,可以排除详算模型、概算模型、定性预测和灰色预测。具体应用统计分析法中的哪一个模型,还需要对数据进行定量分析。

绘制油料消耗样本数据散点图,如图3所示,从图中可以看出,样本分布上下起伏,未呈现出明显的函数走势,因此回归分析预测法不适用于该预测问题。

然后对样本数据的波动大小进行分析:

设样本向量为Y,

Y=[y1,y2…y12]=[7100,7455,7520,7336,6980,7388,7528,7150,7480,7622,7760,7430]

设波动比例为A=[a1a2…a12]

经计算可得

A=[0.0400,0.0080,0.0168,0.0081,0.0562,0.0011,0.0179,0.0332,0.0 114,0.0306,0.0492.0.0046]

其中波动比例最大为0.0492,最小为0.0011,平均波动比例为0.0231,我们认为这样的波动属于典型的围绕平均值上下小幅度波动的样本序列。因此可以排除预测精度较为粗略的马尔可夫预测,而采用时间序列预测模型。

5.结论

油料消耗篇3

一、油料需求灰色预测理论

目前, 灰色系统理论形成了以灰色预测、灰色决策、灰色优化技术、灰色控制等为主题的技术体系。灰色系统是通过对原始数据的挖掘、整理来寻求其变化规律的, 这是一种就数据寻找数据的现实规律的途径, 我们称为灰色序列生成。一切灰色序列都能通过某种生成弱化其随机性, 显现其规律性。累加生成是灰色序列生成的一种重要方法[1]。

1. 均值生成算子

设序列X在k处有空穴, 记为ϕ (k) 。

则称x (k-) 1和x (k+) 1为ϕ (k) 的界值, 相对于ϕ (k) 来说, x (k-) 1是旧信息, 而x (k+) 1是新信息, 现在有x (k-) 1和x (k+) 1的值来生成ϕ (k) 的值, 令ϕ (k) =αx (k-) 1+1 (-α) x (k+) 1 (α∈[0, 1]) , 当α>5.0时, 称ϕ (k) 的生成重视旧信息轻视新信息, 否则就是轻视旧信息重视新信息。当α=5.0时, ϕ (k) 属于新老信息等权生成。

2. 级比生成算子

二、油料需求灰色预测模型

下面建立油料需求GM (1, 1) 预测模型。设原始序列为X (0) = (x (0) (1, ) x (0) (2) , (43) x (0) (n) , 我们共分以下几步来建立GM (1, 1) 模型。

1.对 (0) X进行累加生成, 得到新的序列

3. 对X (1) 做紧邻均值生成。

所谓紧邻均值生成是指数据序列中每组相邻的两个值都进行平均得到一组新的值, 有这些数值组成一个新的序列:Z (1) =z (1) (2) , z (1) (3) , (43) , z (1) (n) ,

其中:z () 1 (k) (28) .05x1 () (k) (10) .05x1 () (k) 1 (k (28) 2, 3, (43) , n) 。

4. 模型建立。

5. 模型求解。

有1式就可以求得X (1) 的模拟值:

6.精度检验。

常见的精度等级见表1, 本文对预测结果的检验就以此等级为依据进行检验[2]。

三、某部队油料需求实例分析

1. 预测某部队2012年的油料消耗量

某部队连续8年的油料消耗量如表2所示, 下面预测其2012年的油料消耗量。

该部队历史油料消耗量为X (0) :

对X (0) 进行一次累加得到序列X (1) :

序列X (0) 、X (1) 的平滑直线图如图1所示, 从图中我们可以看出, 经过一次累加的序列X (1) 的平滑直线图更具有规律性 (准指数规律) , 因此我们可以考虑使用GM (1, 1) 模型对其进行预测。

X (1) 紧邻均值生成序列为:

1——AGO序列的时间响应式为:

当k=9时, X (0) (9) =950.723e0.03823 (k-1) =1290.53408通过预测得到该部队2012年的油料消耗量为1290.5吨。查资料知, 该部队2012年油料消耗量为1286吨。依据精度判断标准对该模型进行精度判断, 结果如表3。

观察表3, 我们可以发现该预测模型的关联度和均方差比属于一级精度, 而相对误差和小误差概率属于二级精度, 精度达到了一定的要求。

2. 预测该部队2013年的油料消耗量

用同样的方法对该部队2013年油料需求量进行预测, 该部队2005~2012年油料消耗量如表4所示。

该部队的历史油料消耗量为X (0) :

对X (0) 进行一次累加得到序列X (1) :

序列X (0) 、X (1) 的平滑直线图如图2所示, 从图中我们可以看出, 经过一次累加的序列X (1) 的平滑直线图更具有规律性 (准指数规律) , 因此我们可以考虑使用GM (1, 1) 模型对其进行预测。

摘要：本文运用灰色预测理论建立了油料需求灰色预测模型, 并以某部队8年的油料消耗量为例, 对2012年油料消耗量进行了预测, 与真实数据相比, 精度高误差小, 在此基础上, 预测了该部队2013年油料需求量, 为提高部队油料保障质量提供了理论借鉴。

关键词：灰色预测理论,油料消耗,预测,模型

参考文献

[1]姜启源.数学模型.电子工业出版社, 2008.09

油料消耗篇4

做好军用油料的预测工作需要根据部队油料实际消耗的特点来确定适合油料预测的模型。部队油料消耗需求预测问题涉及多方面的因素, 既有国家安全大环境因素也受应急突发事件的影响;既受军队宏观规划影响也受部队微观调控影响;既受部队管理政策制约又有季节变化规律。其中部队油料消耗季节性显著、登记统计数据短少是其主要特点, 具有普遍性。因此部队油料消耗的预测关键在于把握油料消耗的季节趋势性和统计数据不足的问题。

1.部队油料消耗预测模型的确定

部队各个层级油料消耗的时间序列特征都表现出明显的季节性跳跃现象, 但年度总的油料消耗量还是稳中有升的一种趋势。在预测部队季节油料消耗或需求量和油料消耗有剧烈变动单位的情况时, 单一的径向基神经网络由于时间序列数据短少等因素, 往往预测精度不高甚至不能应用的局面。然而, 灰色系统理论中的累加生成运算可以有效延缓时间序列数据之间的跳跃现象, 使得预测时间序列趋向更加平稳。二者的有机结合可以互补不足, 神经网络建模预测时, 其建模精度往往受到数据随机性的影响, 考虑到灰色累加生成操作 (AGO) 具有减小数据随机性, 使数据变得有规则的特点, 本文使用灰色理论与径向基 (RBF) 神经网络技术相结合的新型预测模型来预测某部队下一季度的油料消耗量。此模型能够减小数据中的随机性, 加快网络的建模收敛速度, 使神经网络的建模精度得以提高。基于数据灰色累加算法的径向基网络的应用性更具有生命力。

2.灰色RBF神经网络预测模型的原理介绍

2.1灰色理论介绍

对于含有误差影响, 呈离散状态的原始数据, 灰色理论采取的方法是:先对数据作累加或累减处理, 淡化随机性误差影响, 再以进行建模, 使所建立的模型具有较高的精度, 通过对模型值的还原, 求得预测值。

灰色原始数据处理基本理论主要有以下两种方式:

(1) 累加生成

累加生成, 就是通过时间序列数据中各时刻的数据依次累加得到新的数据与数列。一般经济数列都是非负数列, 累加生成能使任意非负数列, 摆动的与不摆动的, 转化为非减的、递增的数列。

(2) 累减生成

累减生成亦即累加生成的逆运算, 是将原始数列后面与前面两个数据相减而得的新数据与数列。累减生成可将累加生成数列还原为非生成的原始数列。

2.2RBF神经网络原理:

径向基函数 (radial basis function, RBF) 方法由Powell于1985年提出, 1988年由broom head和Lowe首先将RBF应用于神经网络的设计, 构成了RBF神经网络。径向基函数神经网络是一种新颖有效的前馈式神经网络, 具有最佳的逼近和全局最优的性能, 广泛应用于系统建模和预测控制等众多领域。近年来RBF神经网络在预测领域应用广泛效果明显, 有取代BP网络在预测应用领域的趋势。

RBF神经网络是一种三层前向反馈网络, 第一层为输入层, 由信号源节点组成;第二层为隐含层, 其单元节点数视所描述问题的需要而定;第三层为输出层, 它对输入模式的作用做出响应。其拓扑结构如下图1所示。

如图1所示, 依次按左中右的顺序为输入节点、隐含节点和输出节点。一般把这种结构图称为N-P-M结构图, 即网络有N个输入、P个隐含节点和M个输出。输入点处为所研究问题的网络输入矢量, 隐含节点处包含有此隐含节点的激活函数, 输出节点处的表示输出层神经元采用线性组合激活函数。其工作原理可以概括为:用RBF作为隐层单元的“基”构成隐含层空间, 它是一种局部分布的关于中心对称的非线性函数, 一旦当RBF的中心确定以后, 就可以将输入矢量直接映射到隐层空间。而隐层空间到输出空间的映射采用线性关系, 即网络的输出是隐层神经元输出的加权线性求和, 此处的权为所建立的神经网络的可调参数。

2.2.1RBF神经网络的映射关系:由上面的分析可知, RBF网络的映射关系由两部分组成:

(1) 从输入层空间到隐含层空间的非线性变换层

第i个隐单元的输出为:。其中, 为隐单元的变换函数 (RBF) , 它是一种局部分布的, 对中心点径向对称衰减的非负非线性变换函数;ri为第i个RBF的中心;为欧氏范数, 通常取值为2;X为n维输入向量, 即X=[x1x2…xn]T;bi为第i个非线性变换单元的宽度亦即阈值。一般最常用的RBF函数形式是高斯函数:

它的可调参数有两个即中心r和宽度b, 用这一基函数时整个神经网络还将有输出单元权值这一可调参数。

(2) 从隐含层空间到输入层空间的线性合并层

神经网络的输出层第j个神经元输出为:

其中:为第i个隐单元与第j个输出之间的连接权值。

2.2.2RBF网络训练的准则及算法:

研究表明, 一旦RBF的中心和宽度确定, 则RBF的输出权值可用解线性方程的方式求得。因此, RBF的中心和宽度是设计RBF网络的重要准则。

(1) 中心的确定

固定法:结合油料预测的数据量少的特点, 采用隐节点数等于训练数据数目来确定网络结构的方法, 即每一个训练数据就充当这一隐节点的中心, 因此, 隐层的中心为输入数据的向量。

(2) 宽度 (阈值) 的确定

当中心由训练数据确定之后, RBF的宽度可由确定。其中d是所有类的最大距离, M为RBF的中心数目。

(3) 权值的确定

径向基函数网络的隐含层可由K-meas聚类完成, 聚类算法所得的每一类都被作为一个隐含层节点, 数出层的权重系数可由线性映射求得。