设备全生命周期管理

设备的全寿命周期管理包括三个阶段

（1. 前期管理 

设备的前期管理包括规划决策，计划，调研，购置，库存，直至安装调试，试运转的全部过程。 

(1) 采购期：在投资前期做好设备的能效分析，确认能够起到最佳的作用，进而通过完善的采购方式，进行招标比价，在保证性能满足需求的情况下进行最低成本购置。 

(2) 库存期：设备资产采购完成后，进入企业库存存放，属于库存管理的范畴。 

(3) 安装期：此期限比较短，属于过渡期，若此阶段没有规范管理，很可能造成库存期与在役期之间的管理真空。 

（2．运行维修管理 

包括防止设备性能劣化而进行的日常维护保养，检查，监测，诊断以及修理，更新等管理，其目的是保证设备在运行过程中经常处于良好技术状态，并有效地降低维修费用。在设备运行和维修过程中，可采用现代化管理思想和方法，如行为科学，系统工程，价值工程，定置管理，信息管理与分析，使用和维修成本统计与分析，ABC分析，PDCA方法，网络技术，虚拟技术，可靠性维修等。

（3. 轮换及报废管理 

（1）轮换期：对于部分可修复设备，设备定期进行轮换和离线修复保养，然后继续更换服役。此期间的管理对于降低购置及维修成本，重复利用设备具有一定的意义。 

（2）报废期：设备整体已到使用寿命，故障频发，影响到设备组的可靠性，其维修成本已超出设备购置费用，必须对设备进行更换，更换后的设备资产进行变卖或转让或处置，相应的费用进入企业营业外收入或支出，建立完善的报废流程，以使资产处置在帐管理，既有利于追溯设备使用历史，也利于资金回笼。至此，设备寿命正式终结。 

1.4．设备全寿命周期的闭环管理 

设备在管理的过程中会经历一系列的设备及财务的台账和管理及维修记录，如设备的可靠性管理及维修费用的历史数据，都可以作为设备全寿命周期的分析依据，最终可以在设备报废之后，对设备整体使用经济性，可靠性及其管理成本作出科学的分析，并可以辅助设备采购决策，可以更换更加先进的设备重新进行全寿命周期的跟踪，也可以仍然使用原型号的设备，并应用原设备的历史数据进行更加科学的可靠性管理及维修策略，使其可靠性及维修经济更加优化，从而使设备全寿命周期管理形成闭环。 

1.5．设备全寿命周期管理系统 

   为了从管理上达到对设备全寿命周期的合理管理，必须构建一个适合本企业的设备全寿命周期管理系统。该系统不仅具有资产管理（台账），设备管理，维修工时和成本管理等基本功能，还应具有信息综合分析、报警功能和诊断专家功能等，对资产，故障，润滑，诊断，备件，维修工时，成本等信息能资源共享，进行综合分析（输入数据必须准确）并预报。全寿命周期管理系统要求将相关信息按时按规定记录（必须真实）并输入计算机，例如将故障类型，产生原因，停台天数，维修工时，成本等相关数据及时输入计算机，并对信息进行分析处理，然后利用分析结果采取针对性措施，以达到故障率大幅下降的目的。

（1 贝叶斯推断法 

贝叶斯一词源于18世纪一个牧师TOMASBAYES，由于他的发现，使带有主观经验性的知识信息，被用于统计推断和决策巾来。当未来决策因素不完全确定时，必须利用所有能够获得的信息，包括样本信息和先于样本的所有信息，其中包括来自经验、直觉、判断的主观信息，来减少来来事物的不确定性，这就是贝叶斯推断原理。

（2 马尔可夫过程分析法 

由于设备的全寿命周期过程常常伴随一定的随机过程，而在随机过程理论中的一种重要模型就是马尔可夫过程模型。在一个随机过程中，对于每一初始时刻，系统的下一个时刻状态概率仅与初始时刻的状态有关，而与系统是怎样和何时进入这种状态无关，即所谓无后效性或无记忆性，这种随机过程称为马尔可夫随机过程。 

（3 层次分析法（AHP） 

AHP是美国著名运筹学家、匹兹堡大学教授T．L．Satty等人在20世纪70年代中期提出的一种定性与定量分析相结合的多准则决策方法。AHP经常可以作为一种确定指标权重的方法加以应用。AHP的特点是：将人的思维过程数学化、模型化、系统化、规范化，便于人们接受，但在运用上也有较多的局限性。在AHP使用过程中．无论是建立层次结构还是构造判断矩阵，人的主观判断、选择对结果的影响较大。使得AHP进行决策的主观成分很大。鉴于标准AHP在使用中存在的不足，人们对其进行大量的修改，这些修改主要集中在以下几个方面：①对标度方法的修改；②对单排序方法的改进；③一致性检验的处理；④大规模指标判断矩阵的给出。

（3 模糊综合评价法 

模糊综合评判法是利用模糊关系合成的原理，从多个因素对评判事物隶属情况进行综合性评价的一种方法。作为模糊数学的一种具体应用方法，最早是由我国学者汪培庄提出来的。它主要分为两步：第一步先按每个因素单独评判；第二步再按所有因素进行综合评判。该方法是解决定性和定量问题的经典方法，能够较好解决判断的模糊性和不确定问题，在许多领域得到广泛应用。模糊综合评判的优点是可以对涉及模糊因素的对象系统进行综合评价。其不足之处是：不能解决评价指标相关造成的评价信息重复问题，隶属函数的确定还没有系统的方法，而且合成的算法还有待进一步探讨；其评价过程大量应用了人的主观判断，由于各因素权重的确定带有一定的主观性，因此总的来说，模糊综合评判足一种基于主观信息的综合评价方法。

（4  数据包络分析（DEA） 

DEA是著名运筹学家A．Charnes和W．W．Copper等学者以“相对效率”为基础发展起来的一种新的系统分析方法。它主要采用线性规划方法。利用观察到的有效样本数据，对决策单元(Decision Making Units，DMU)进行生产有效性评价。白思俊曾对DEA方法在项目评价中的应用进行了研究。DEA方法是一种定量评价方法，其特点是完全基于指标数据的客观信息进行评价，剔除了人为因素带来的误差。其优点是评价多输入多输出的大系统，并可以利用“窗口”技术找出单元薄弱环节加以改进。缺点是只能表明评价单元的相对发展指标，无法表示出实际发展水平。

（5  人工神经网络（ANN） 

ANN评价方法是一种交互式评价方法，它可以根据用户期望的输出不断修改指标的权值，直到用户满意为止。ANN评价方法能够充分考虑评价专家的经验和直觉思维的模式，又能降低综合评价过程中的不确定性因素，能够较好解决综合评价过程中出现的随机性和评价专家主观上的不确定性及认识上的模糊性问题。ANN评价方法具有自适应能力、可容错性能够处理非线性、非局域性的大型复杂系统。在对学习样本训练中，无须考虑输入因子之间的权系数，ANN通过输出值与期望值之间的误差比较，沿原连接权自动地进行调节和适应，因此该方法体现了因子之间的相互作用。但ANN方法也存在一些缺点。如需要大量的训练样本，精度不高；评价算法复杂，只能借助计算机处理；网络收敛速度慢，影响评价工作效率等。

（6  灰色综合评价法 

灰色综合评价方法是一种定性分析和定量分析相结合的综合评价方法，这种方法可以较好的解决评价指标难以准确量化和统计的问题，可以排除人为因素带来的影响，使评价结果更加客观准确。其整个计算过程简单，通俗易懂。易为人们所掌握；数据不必进行归一化处理，可用原始数据进行直接计算，可靠性强；评价指标体系可以根据具体情况增减；无须大量样本，只要有代表性的少量样本即可。缺点是要求样本数据具有时间序列特性。而且，基于灰色关联系数的综合评价具有相对评价的全部缺点。另外，灰色关联系数的计算还需要确定“分辨率”，而它的选择并没有一个合理的标准。 

在以上几种方法中，目前最为流行的是人工神经网络和灰色综合评价法。下面详细介绍神经网络及灰色理论在设备全寿命周期费用分析的应用。 

2.4.神经网络在设备全寿命费用分析中的应用 

在设备全寿命分析过程中，全寿命费用与其影响因素之间存在着极其复杂的非线性关系，对这一非线性关系的模拟和识别及其全局优化问题还没有得到很好的解决。近几年来神经网络得到了飞速的发展，已广泛应用于人工智能、自动控制、统计学等领域，特别是 BP网络以其良好的非线性功能、自学习功能等许多优良特性而在很多领域获得了成功，已渐渐成为解决此类问题的工具。 

人工神经网络及BP网络原理人工神经网络是一个并行和分布式的信息处理网络结构。近年较为流行的反向传播神经网络（简称BP，Back Propagation）网络，以其良好的非线性映射能力而成为一种应用最广泛的神经网络模型。它在分类， 预测，故障诊断和参数检测中具有广泛的应用。BP网络算法的学习过程，由正向传播和反向传播组成。通常标准的BP网络由3层神经元组成， 最下一层为输入层， 中间层为隐含层， 最上层为输出层，每层由若干神经元组成。各层次之间的神经元形成全互连接，各层次内的神经元之间没有连接。BP神经网络的预测功能是通过误差的反向传播学习算法来实现。

2.4.1全寿命费用预测结构神经网络设计

（1全寿命费用分解结构的构成因素 

全寿命费用可认为是设备从其概念系统方案的形成到设备退役为止，这一寿命剖面的各个事件内所消耗的总费用，即设备在开发、试验、 装备、使用、维护一直到最后废弃或退役等过程中各项费用总和。为了便于对全寿命费用进行估算和组织管理。通常按设备类别和系统分析原理进行费用分解。在提出设备在其寿命周期内的费用分解结构时，应准确的估算或预测出在全寿命阶段设备的全寿命费用，并同时对各项费用做出合理评价。根据以往的经验，通常构成全寿命费用分解结构有以下几个方面： （1）研究与研制费 

研究与研制费是指设备的全部技术研究、型号设计、样机和原型机制造、各种试验和鉴定的费用。研究和研制费基本上是固定的且是一次性支付的，与最终该型设备的生产量无关。 （2）最初投资费用 

最初投资费用是最初工厂装备一套设备所花的全部费用，主要包括设备的采购费，包括生产费、运输费等、设施建筑费、人员训练费及首批备件的采购费。 最初投资费用也是一次性支付的。 （3）使用保障费用 

使用保障费用是一个设备在装备之后，使用过程中所需的全部费用。这些费用包括能源费用、使用费用、维护修理费用等。使用保障费用通常要高于研究与研制费用和最初投资费用。  （4）退役费用 

退役费用是设备退役或报废时，加以处理所用的费用。与前 3类相比，退役费用的数额很小。 

（2全寿命费用预测神经网络模型设计 

现在的问题已经不是设备的研究与研制费、最初投资费、使用保障费和退役费等分别加以管理，而是把这几个环节结合起来作为全寿命费用进行综合管理。为了给设备的全寿命分析提供一个参考依据，可以运用神经网络的模型设计方法，对整个设备的全系统、全寿命费用进行综合设计，得出其预测模型。

（1）输入输出层的设计 

对于设备的全寿命费用而言，按照以上的 4个分解结构就可以把其应用到实际中， 但这并不是包括了全部费用。在实际使用中，根据影响费用因素的重要程度，可以分为采购费、使用费、维修费、后勤保障费、培训费、技术改进费和退役处理费等，其中已包括了主要费用因素。依据BP网络的设计特性不考虑各因素之间的相互影响关系，即各层次内的神经元之间没有连接，可以选其作为输入层，其输入节点数为7。输出层为全寿命费用，则输出层的节点数为1。

（2）隐含层节点数及选取 

隐含层节点选取是一个复杂的问题，节点数太多会导致训练时间过长，误差可能达不到预期的要求。若节点数太少会导致容错性较差，不能识别新的样本。

（3）初始权值的选取 

由于在设备全寿命费用神经网络模型设计中，费用是呈非线性变化的，因而，初始权值的选取对于是否能达到所预计的全寿命费用最小，是否能够收敛以及训练时间的长短等关系很大。所以，一般总是希望经过初始加权后的每个费用神经元的输出值都应为零，这样才可以保证费用神经元都能够在s型函数最大之处进行调节。所以，一般取初始权值在(-1,1)之间的随机数，对于在全寿命费预测中的2层网络，为了防止出现局部最小值，不收敛或训练时间过长等情况，可以采用威得罗选定初始权值的策略，选择权值的量级为1s，其中，1s为第1层神经元的数目。利用此法可以在较少的训练次数下得到满意的费用结果。 

（4）目标值的选取 

在设备的设计开始，就应对其全寿命费用进行论证。根据支付费用状况，采用多元回归法、参数费用法、类推费用法、外推费用法、估算费用法等来估算此设备的预期费用，作为输出的目标值。设计者依据设备全寿命费用目标值来确定期望误差值，以及依照精度的要求来选定最大循环次数。 

通过以上的分析可得网络结构如图1。 

在对此网络进行训练的过程中，先要取一定数量的样本，选定其初始权值进行学习，然后其输出层的结果即为全寿命费用。在对全寿命费用的神经网络的预测模型中，要用各个费用的大量数据进行训练，可以得出最佳的效果，对于各个费用和全寿命费用之间不需要作出更多的假设，其分析过程可以从预测模型的自适应学习中获得，从而大大减少了人为的影响， 对全寿命费用的预测会更高。