设备全寿命周期管理

1、设备全寿命周期管理基本概念（Equipment management）主要是指设备在役期间的运行维修维修直至拆换，体现出的是设备的物质运动状态。资产管理(Asset management)资产的价值运动状态。现代意义上的设备全寿命周期管理，涵盖了资产管理和设备管理双重概念， 应该称为设备资产全寿命周期管理（Equipment-Asset life-cycle management）更为（安装）使用，维修（轮换）因此考虑设备全寿命周期管理，要综合考虑设备的可靠性和经济性。设备全寿命周期管理的任务过程进行管理，以获得设备寿命周期费用最经济、设备综合产能最高的理想目标。设备全寿命周期管理的阶段前前期

2、管理运行维修管理轮换报废管理设备全寿命周期示意图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。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。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。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

3、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. 轮换及报废管理具有一定的意义。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。设备全寿命周期的闭环管理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，

4、设备管理，维（输入数据必须准确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. 设备全寿命周期管理系统具体的管理功能/ 时数等。入、转出、故障、事故、报废等的管理，为管理决策层准确快速地提供设备当前状态。信息等。管理；对备件进行 ABC 分析，提供各类统计分析报表。设备全寿命周期费用管理基本概念（Life Cycle Cost）管理是从设备的长期经济效益出发， LCC LCC 管理的核心内容是LCC 分析，并进行决策。设备全寿命周期费用管理国内外应用情况LCC LCC 技术并普LCC 技术。1999 6 月，美国总统克林顿签署政府命令，各州所需的装备及工程项目， LCC LC

5、C 估算、评价，一律不准签约。同年，以英国、LCC 50 LCC 估算。LCC 管理的方法首先应用于核电站，因为核电站建设是以可靠作为LCC 管理，更具必要性和紧迫性。在LCC 管理和可持续性发展结合起来， LCC 管理方法在高压开关、变电站方面的应用。设备全寿命周期费用分析的方法（118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（3 层次分析法（AHP）AHP 20 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AHP 使用过

6、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、AHP AHP 在规模指标判断矩阵的给出。（3 模糊综合评价法（4数据包络分析（DEA）DEA ACharnes WWCopper 等学者以“相对效率” Making Units，DMU)进行生产有效性DEA DEA 方法是一种（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

7、。在对学习样本训练中，无须考虑输入因子之间的权系数，ANN ANN方法也存在一些缺点。如需要大量影响评价工作效率等。（5灰色综合评价法们所掌握；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； 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。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。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（BP，Back Propaga

8、tion）网BPBP 3 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。其主要思想是：对于q 个p1p2 . pq T1T2 . Tq 学习的目的是用网络的实际输出A1A2. Aq 与目标矢量T1T2 . Tq 之间Al (l q与期望的Tl Pr个，隐含s1f1s2个神经元，对应的激活函数为 f2， 输出为 A，目标矢量为 T，其步骤如下：i个神经元的输出：ri f1(j pj i )i ,3 1j 1k个神经元的输出：s1a2k f2(2kii 2k )i ,3 1j1定义误差函数为：21 s2 (tk a2 k )

9、k1用梯度法求输出层的权值变化对从第 i 个输入到第 k 个输出的权值变化为：w2ki Ew2 ki Ea2 k. a2kw2ki (tka2k) f kia1i其中ki (tk a2k )f2 ek f2ek tk a2 k同理可得：b2ki Eb2ki Ea2k.a2kb2ki (tka2k) f ki利用梯度法求隐含层权值变化对从第 j 个输入到第 i 个输出的权值为：w2k .w2k .) aa k22ki1jij p其中：2kks2j i f1i ki 2kii k 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命剖面的各个事件内所消耗的总费用，即设备在开发、试验

10、、 装备、使用、维用分解结构有以下几个方面：研究与研制费该型设备的生产量无关。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。使用保障费用研制费用和最初投资费用。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

11、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。输入输出层的设计4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BP网络的设计特性不考虑各71。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。所以隐含层节点数要根据经验来选取，一般的选取方法如下：n m n m式中：n1 为隐含层节点的数目；n 为输入层节点数；m 为输出层节点数；a 为1-10,的常数，根据上式权衡最优可以确定隐含层的节点数为 5。初始权值的选取N 落在了网

12、络模型的 S 型激活函数的饱和期中，从而会导致f(s非常小。而在其后计算各个阶段费用的权值修正公式中，因为 正比于f(Nf(N0时，则有 0，使得wij 0，从而使得调节过程几乎s 型函数最大之处进行调节。所以，一般取初始权值在(-1,1)2r s11r s1满意的费用结果。目标值的选取期望误差值，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。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。灰色理论在设备全寿命费用分析中的应用律，用于预测系统未来的发展状态。设备全寿命费用预测指标体系（1 设备全寿命费用结构个阶段，以此形成相应的经费构成。定出设

13、备全寿命费用宏观预测的指标体系，以指标体系为预测和分析的依据。（2 设备全寿命费用预测指标体系设备全寿命费用预测指标体系设备全寿命费用宏观预测指标体系图1 设备全寿命费用预测指标体系设备全寿命费用宏观预测指标体系图费用总量预测费用结构比例预价格指数预测物价指数按按设阶备段类别按设备类别按阶段设备市场价格指数配套设备市场价格指设备出厂价格指数设备全寿命费用预测方法与模型（1 设备费用预测模型分析装备费用是一个影响因素繁多的问题，从全寿命阶段上讲，有科研、采购、维修费用等来，能对设备费用的使用进行合理有效的指导，在对因变量(上，通过对其内在规律进行整合预测，才能得到合理的总设备费用。（2灰色预测模

14、型（1）GM(1，1)模型可以对设x1 ， x2 ,. x p 等确定性变量进行灰色预测，模型分析如下：模型的实质是对原始数据作一次累加生成(1再作一次累加生成(1-I-AGO)，用以对系统进行预测。设有变量序列，x(1)， x(2)，x(n)，其中：x(k)1(x(1)(k)x(1)(k1)kn2构造一阶线性灰色微分方程xd (1)x1 ax(1) udt利用最小二乘法求解参数a ， uaaT Tu B BB Y Nu 式中：1(x(1)x(1)(2)2 x(0) (2) 1(0)B 2 (x (2) x (3)Y xN.x(0)(n)1(x(1)(n1)x(1)(n)2x(1) 的灰色预测

15、模型为：)(k)(x(0)u)ek uaa(k)再作一次累加生成 LAGD得x(0) 的灰色预测模型为：(0)(k)1ea)(x(0)u)ek(k ,2 )a（2）GM(1,1)模型精度检验：灰色模型的精度通常采用后验差方法检验，残差为：e(k) x0(k)(0)(k)(k ,2 n)原始数列x(0) 及残差值数列e 的方差分别为s 2 和s 2 ，则：1s2 11 nn kn 122(x(0) (k) x)2s2 21 n k2n (e(0) (k) e)n 1(0)1(0)x n x(k)e n e(k)k 1残差比值和小误差概率：c s2p (k) e51k 1模型精度等级pc1级（好）

16、模型精度等级pc1级（好）p0.95c0.352级（及格）0.85p 0.950.35c0.503级（勉强）0.7p 0.850.50c0.654级（不合格）p0.65实时状态维修实时状态维修是故障是否存在征兆否定期预防维修高风险故障模式风险评价中风险是定期视清维修否故障率是否与时间相关是定期预防维修低风险否日常巡检和机会维修是日常巡检和事后维修否日常巡检和报废基于风险的维修方式决策故障模式风险评价故障模式风险评价故障常见原因及根本原因分析是否为失误性故障是提高操作人员素质否是否为维修性故障是提高操作人员素质否是否为先天性故障是改进设计否其他故障原因分析和根治维修水平水平发生程度定义水平发生程度定义E易于发生在一个大修周期内经常发生D有时发生在一个大修周期内有时可能发生C偶尔发生在寿命期内偶尔发生B不太可能发生在寿命期内不易发生，但有可能发生（同行业发生过）A极少发生（）后果对生产的影响（c1）安全后果（c2）环境后果基本无影响基本无影响基本无影响