汽车维修问题精编.doc

汽车维修问题 摘 要 针对汽车维修问题，本文重新定义千车故障数，改进制表方式，利用曲线拟合和灰色预测，建立故障预测模型，得到预测千车故障数。同时对提高整车的质量建立优化模型，对配件的生产组织和运送给出咨询和建议方案。 针对问题一：考虑到原有千车故障数统计方法会使整体数据滞后三个月，本文从改进统计方法着手，从新定义千车故障数，利用新定义的方法得到改进后的千车故障数数据表，见表1。制表建议：不同批次的轿车应分开制作表格；同一批次的轿车的使用月数应从左到右逐渐递增；在制表时增加维修总次数这一；增加故障信息轿车总量这一指标，改进后的表格见表2 针对问题二：在预测0205批次使用月数为18的千车故障数时，利用行数据进行曲线拟合，发现一元三次多项式拟合效果最好，建立一元三次多项式回归模型，利用matlab软件求解，经检验，模型显著，则可得0205批次的千车故障数与使用月数之间的模型为：；其中，表示0205批次使用不同月数时的千车故障数；表示0205批次使用的月数。利用该公式预测0205批次第18个月的千车故障数为197.1。 在预测0306批次使用月数为9时的千车故障数时，考虑到水平和垂直方向的数据太少，故建立GM（1,1）模型，分别从横向和纵向进行预测，得到两个预测值。综合考虑水平和垂直方向数据对预测值的影响，对两个预测值取平均数，得到0306批次使用9个月时的千车故障数为147.859。 在预测0310批次使用12个月时的千车故障数时，由垂直方向数据的散点图可知，发现大致符合高斯分布，经检验，符合正态分布，故采用高斯拟合的方法进行预测，利用matlab求解，得到高斯分布方程如下： 式中，表示0205批次使用不同月数时的千车故障数，表示表示0205批次轿车使用的不同月数。通过该公式预测0310批次使用月数为12时的千车故障数为1236.2。 针对问题三：知道所有零件的千车故障数就相当于知道一部车的质量，降低零件的千车故障数就可以提升整部车的质量。针对不同零件设置不同的千车故障数降低指标，达到提升整车质量的目的，为此建立优化模型求解不同零件的千车故障数降低数值。 针对问题四：对于配件的生产组织和运送提出如下建议：根据产品的销量，结合企业的生产能力和质量要求，制定最优的生产计划来指导生产；使配件运输合理化，降低物流费用，加快资金周转，压缩库存、减少流动资金的占用；根据各地的千车故障数据表分配配件。 关键词：汽车维修问题；千车故障数；曲线拟合；灰色模型；高斯分布； 一 问题重述 产品质量是企业的生命线，售后服务是产品质量的观测点，如何用好售后服务的数据是现代企业管理的重要问题之一。 现以某轿车生产厂家为例考虑这个问题。假设该厂的保修期是三年,即在某轿车售出后三年中对于非人为原因损坏的轿车免费维修。在全国各地的维修站通过网络将保修记录送到统一的数据库里面，原始数据主要是这是哪个批次生产的轿车（即生产月份）、售出时间、维修时间、维修部位、损坏原因及程度、维修费用等等。通过这样的数据可以全面了解所有部件的质量情况，若从不同的需求角度出发科学整理数据库中的数据，可得到不同用途的信息，从而实现不同的管理目的。 整车或某个部件的“千车故障数”是一个很重要的指标，常用于描述轿车的质量。首先将轿车按生产批次划分成若干个不同的集合（下面表格的同一行数据就来自同一集合），再对每个集合中迄今已售出的全部轿车进行统计，由于每个集合中的轿车是陆续售出的，因此它们的统计时间的起点即售出时间是不同的。但在下面表格中，每一列数据的统计时间的长度却是相同的（例如2002年3月底售出的轿车，到2002年8月底；或2003年10月初售出的轿车，到2004年3月初都是使用了五个月，显然它们的统计时间的终点也是不同的），在相同使用时间长度（例如下表中第5列都是使用10个月的）内的整车或某个部件的保修总次数乘以1000再除以迄今已售出的轿车数量，即为下面表格中的千车故障数。 数据利用的时效性是很强的，厂方希望知道近期生产中的质量情况，但刚出厂的轿车还没有全卖出去，已售出的轿车使用几个月后的保修情况可能还没有数据反馈，因此数据显得滞后很多。当一个批次生产的轿车的三年保修期都到时，我们对这批轿车的质量情况有了最准确的信息，可惜时间是轿车出厂的四、五年后，这些信息已无法指导过去的生产，对现在的生产也没有什么作用。所以如何更科学地利用少量数据预测未来情况是售后服务数据利用的重要问题。 现有2004年4月1日从数据库中整理出来的某个部件的千车故障数，见下页的表。其中的使用月数一栏是指售出轿车使用了的月份数，使用月数0的列中是已售出的全部轿车在用户没使用前统计的千车故障数，1的列中是某一批次已售出的每一辆轿车，在它被使用到第一个月结束时统计的，对于该批次售出的全部轿车累计的千车故障数（即