基于企业资产管理系统和GA-BP的企业设备寿命预测方法技术方案

本发明专利技术公开了基于企业资产管理系统和GA‑BP的企业设备寿命预测方法，本发明专利技术通过对企业资产管理系统的数据和业务分析，从资产管理系统中提取出影响设备寿命的因素，并从数据库抽取相关数据构建GA‑BP预测模型，对企业设备寿命进行预测。分析某企业资产管理系统业务流程和数据流向。提取抽象出影响设备寿命的因素。从数据库抽取数据构建数据集。构建BP神经网络模型用于预测。用遗传算法优化BP模型，构建GA‑BP预测模型。根据实验结果优化GA‑BP模型；对GA‑BP模型进行适应度函数和交叉算子的优化，改进后的遗传算法在进化上更彻底，在全局优化的意义上效果更加明显，也更适合该BP模型的全局优化。

【技术实现步骤摘要】
基于企业资产管理系统和GA-BP的企业设备寿命预测方法
本专利技术是一种基于企业资产管理系统和GA-BP的企业设备寿命预测方法，涉及企业资产管理

技术介绍
企业资产是企业生产经营过程中的重要生产资料，是集团企业的核心竞争力，是企业生产力存在和发展的基础。一般来讲，企业资产分为有形资产和无形资产两大类，其中无形资产包括专利权，非专利技术，商标权，著作权，特许权，土地使用权等，有形资产包括生产设备、办公设备、土地房屋、交通工具等。企业资产管理系统建立在全面生产管理、标杆管理等先进的管理理念的基础之上，通过对有形资产进行信息化和标签化管理，通过工作单和工作流审批的方式对资产实现全生命周期的管理的系统。企业资产管理系统资产综合管控的功能模块包括一般包括预算管理，设备选型，验收建账，资产调拨，资产闲置，资产追加，资产启用，资产封存，资产报废，资产处置，资产出售，资产台账等，系统通过工作流审批的方式，以审批单的形式完成对整个资产全生命周期的管理和监控。企业资产管理系统的在企业中应用为企业资产积累了大量的信息，为进行后续的数据挖掘做了大量的数据积累。企业设备是企业资产的重要组成部分，企业设备寿命的预测是根据企业设备在资产价值管理系统的大量历史数据中选取可能的影响因素，通过构建预测模型来对企业现有设备寿命进行的预测，这会为企业的备品备件数量，维修检修计划，资产折旧计算等方面提供参考的依据，从而降低企业的成本，优化企业的管理方式，这有很大的研究价值和意义。近年来，机器学习在各领域得到了广泛的应用，机器学习算法通过从大量数据中进行学习和分析，来对新的数据做预测或者得出结论。神经网络作为机器学习中重要的一种算法模型，具有极强的非线性逼近、大规模并行处理、自训练学习、容错能力以及外部环境的适应能力，所以利用人工神经网络进行预测已经成为许多项目首选的方法。BP神经网络作为一种常见的前馈神经网络，因为结构简单易于实现，工作状态稳定，并且有很强的学习和扩展能力，被广泛应用。但BP神经网络也存在容易陷入局部最优的缺点，解决这个问题的思路集中在两个方面，一个是BP网络的自身调整，一个是BP网络与其他算法结合，常见的有遗传算法，粒子群算法等，其中遗传算法在全局优化方面很有优势，将遗传算法优化BP的初始权值和阈值的GA-BP成为研究的热点。
技术实现思路
本专利技术提出了一种基于企业资产管理系统和GA-BP预测设备寿命的方法，通过对企业资产管理系统的数据和业务分析，从资产管理系统中提取出影响设备寿命的因素，并从数据库抽取相关数据构建GA-BP预测模型，对企业设备寿命进行预测。本专利技术采用的技术方案为基于企业资产管理系统和GA-BP的企业设备寿命预测方法，该预测方法基于预测模型进行实现，预测模型的构建过程为如下：1)分析某企业资产管理系统业务流程和数据流向；2)提取抽象出影响设备寿命的因素；3)从数据库抽取数据构建数据集；4)构建BP神经网络模型用于预测；5)用遗传算法优化BP模型，构建GA-BP预测模型；6)根据实验结果优化GA-BP模型；实现该方法的步骤如下：步骤1，分析某企业资产管理系统业务流程和数据流向。一般来讲，企业设备全生命周期包括前期管理、中期管理和后期管理。前期管理包括预算编制、采购计划、资产申请、审核、采购、验收等。中期管理包含资产入库、库存管理、使用、变更、借出归还、调拨。后期管理包含设备报废、处置等。某企业资产管理系统资产综合管控的功能模块包括预算管理，设备选型，验收建账，资产调拨，资产闲置，资产追加，资产启用，资产封存，资产报废，资产处置，资产出售，资产台账等，系统通过工作流审批的方式，以审批单的形式完成对整个资产全生命周期的管理和监控。系统业务的流程是通过工单审批的方式进行的，业务的进行在不同的部门不同的角色审批过程中进行，工单的审批结果会在系统中留存，以历史单据的形式存在于数据库中。步骤2，提取抽象出影响设备寿命的因素。建立设备寿命预测模型，首先要对于设备的寿命给出定义和计算方法，根据系统数据和实际生活经验，定义设备寿命的起点为设备的出厂日期，终点为报废日期。影响设备寿命的因素的选取主要从以下三个方面选取：(1)设备自身的因素：包括设备的厂商，价格，类别，型号等因素(2)设备的工作环境：设备工作所属部门，所属车间，功能位置等因素(3)设备生命周期过程记录：设备闲置时间，设备封存时间，设备调拨过程等步骤3，从数据库抽取数据构建数据集。根据数据存储和流向分析和影响因素确定，数据提取主要在台账表，设备启用、闲置、封存、调拨、报废表通过设备编码连接提取相关数据项，某资产价值管理系统采用B/S架构，数据库采用关系型数据库oracle，模型数据来自某资产管理系统数据库部分测试数据，采用SQL多表联合查询的方式进行数据提取。对于数据提取后的数据缺失问题，采用直接丢弃或者根据相似数据项补齐的处理方式，尽量使数据趋于真实。最后将提取出的数据进行整合和计算，转换成满足特征项的数据，共计抽取整理可用数据5000条。步骤4，构建BP神经网络模型用于预测。(1)初步确定网络结构由数据集的结构来看，预测模型的建立是一个13个输入，1个输出的回归预测问题，所以BP神经网络的输入层为13，输出层为1。从理论上来讲，隐藏层的节点数和层数越多，模型的预测效果越好，但与此同时增加的是需要计算的参数个数成倍增长，必然的会导致模型训练时间增长。根据Kolmogrov定理，一个三层BP网络就可以解决一般问题了，因为它可以解决任意的m维到n维的映射，同时根据预实验，多层隐藏层神经网络与单层相比，并没有对预测结果的准确度并有多大提升，单层的神经网络的最优准确率已经达到了很高的水平，所以模型选用单层隐藏层的神经网络结构。对于隐藏层的节点数目选取，根据经验公式(1)(2)其中h为所要选取的隐含层神经节点数，m为输入层神经节点数，n为输出层神经节点数，α为[1,10]之间的常数。根据上述经验公式初步确定隐含层节点数在[5,9]之间选取，然后根据实验结果和节点最少原则确定最佳网络结构。(2)激活函数和初始学习率选择根据研究，目前relu是应用最广泛的激活函数，并根据relu有了很多改进的relu激活函数，像leaky_relu、relu6等，所以选取relu为实验的初始激活函数，由于relu对于学习率比较敏感，所以设置学习率从比较小的0.01开始。(3)初始权重阈值设定大量实验数据表明，BP网络模型的初始权值选定很大程度上影响网络模型的训练速度和收敛性，由于神经网络本身就有容易陷入局部最优化的缺点，所以初始权重和阈值的设定，会导致因为初始权重的数值在训练过程中陷入局部最优化。根据研究，由He等人所写的论文推导了ReLU神经元的权重初始化问题，得出的结论是神经元的方差需要是2.0/n(n为神经网络的输入数量)，即权重初始化选取为在的正态分布范围取随机值，这是目前在神经网络中使用相关神经网络的建议。(4)确定网络衡量标准模型采用2个衡量标准，一个是用于BP算法的loss函数(用于训练集，训练集为数据的80％)，一个是用于衡量预测准确度的Accuracy函数(用于测试集，测试集为数据的20％)，loss越小表示训练集预测的均方差越小，神经网络的越趋向于整体最优，A本文档来自技高网...

【技术保护点】
1.基于企业资产管理系统和GA‑BP的企业设备寿命预测方法，该预测方法基于预测模型进行实现，其特征在于，实现该方法的步骤如下：步骤1，分析企业资产管理系统业务流程和数据流向；企业设备全生命周期包括前期管理、中期管理和后期管理；前期管理包括预算编制、采购计划、资产申请、审核、采购、验收；中期管理包含资产入库、库存管理、使用、变更、借出归还、调拨；后期管理包含设备报废、处置；企业资产管理系统资产综合管控的功能模块包括预算管理，设备选型，验收建账，资产调拨，资产闲置，资产追加，资产启用，资产封存，资产报废，资产处置，资产出售，资产台账等，系统通过工作流审批的方式，以审批单的形式完成对整个资产全生命周期的管理和监控；系统业务的流程是通过工单审批的方式进行的，业务的进行在不同的部门不同的角色审批过程中进行，工单的审批结果会在系统中留存，以历史单据的形式存在于数据库中；步骤2，提取抽象出影响设备寿命的因素；建立设备寿命预测模型，首先要对于设备的寿命给出定义和计算方法，根据系统数据和实际生活经验，定义设备寿命的起点为设备的出厂日期，终点为报废日期；影响设备寿命的因素的选取从以下三个方面选取：(1)设备自身的因素：包括设备的厂商，价格，类别，型号因素；(2)设备的工作环境：设备工作所属部门，所属车间，功能位置因素；(3)设备生命周期过程记录：设备闲置时间，设备封存时间，设备调拨过程；步骤3，从数据库抽取数据构建数据集；根据数据存储和流向分析和影响因素确定，数据提取在台账表，设备启用、闲置、封存、调拨、报废表通过设备编码连接提取相关数据项，资产价值管理系统采用B/S架构，数据库采用关系型数据库oracle，模型数据来自某资产管理系统数据库部分测试数据，采用SQL多表联合查询的方式进行数据提取；对于数据提取后的数据缺失问题，采用直接丢弃或者根据相似数据项补齐的处理方式，尽量使数据趋于真实；最后将提取出的数据进行整合和计算，转换成满足特征项的数据，共计抽取整理用数据5000条；步骤4，构建BP神经网络模型用于预测；(1)初步确定网络结构由数据集的结构来看，预测模型的建立是一个13个输入，1个输出的回归预测问题，所以BP神经网络的输入层为13，输出层为1；模型选用单层隐藏层的神经网络结构；对于隐藏层的节点数目选取，根据经验公式(1)、(2)...

【技术特征摘要】
1.基于企业资产管理系统和GA-BP的企业设备寿命预测方法，该预测方法基于预测模型进行实现，其特征在于，实现该方法的步骤如下：步骤1，分析企业资产管理系统业务流程和数据流向；企业设备全生命周期包括前期管理、中期管理和后期管理；前期管理包括预算编制、采购计划、资产申请、审核、采购、验收；中期管理包含资产入库、库存管理、使用、变更、借出归还、调拨；后期管理包含设备报废、处置；企业资产管理系统资产综合管控的功能模块包括预算管理，设备选型，验收建账，资产调拨，资产闲置，资产追加，资产启用，资产封存，资产报废，资产处置，资产出售，资产台账等，系统通过工作流审批的方式，以审批单的形式完成对整个资产全生命周期的管理和监控；系统业务的流程是通过工单审批的方式进行的，业务的进行在不同的部门不同的角色审批过程中进行，工单的审批结果会在系统中留存，以历史单据的形式存在于数据库中；步骤2，提取抽象出影响设备寿命的因素；建立设备寿命预测模型，首先要对于设备的寿命给出定义和计算方法，根据系统数据和实际生活经验，定义设备寿命的起点为设备的出厂日期，终点为报废日期；影响设备寿命的因素的选取从以下三个方面选取：(1)设备自身的因素：包括设备的厂商，价格，类别，型号因素；(2)设备的工作环境：设备工作所属部门，所属车间，功能位置因素；(3)设备生命周期过程记录：设备闲置时间，设备封存时间，设备调拨过程；步骤3，从数据库抽取数据构建数据集；根据数据存储和流向分析和影响因素确定，数据提取在台账表，设备启用、闲置、封存、调拨、报废表通过设备编码连接提取相关数据项，资产价值管理系统采用B/S架构，数据库采用关系型数据库oracle，模型数据来自某资产管理系统数据库部分测试数据，采用SQL多表联合查询的方式进行数据提取；对于数据提取后的数据缺失问题，采用直接丢弃或者根据相似数据项补齐的处理方式，尽量使数据趋于真实；最后将提取出的数据进行整合和计算，转换成满足特征项的数据，共计抽取整理用数据5000条；步骤4，构建BP神经网络模型用于预测；(1)初步确定网络结构由数据集的结构来看，预测模型的建立是一个13个输入，1个输出的回归预测问题，所以BP神经网络的输入层为13，输出层为1；模型选用单层隐藏层的神经网络结构；对于隐藏层的节点数目选取，根据经验公式(1)、(2)其中h为所要选取的隐含层神经节点数，m为输入层神经节点数，n为输出层神经节点数，α为[1,10]之间的常数；根据公式初步确定隐含层节点数在[5,9]之间选取，然后根据实验结果和节点最少原则确定最佳网络结构；(2)激活函数和初始学习率选择根据研究，目前relu是应用最广泛的激活函数，并根据relu有了很多改进的relu激活函数，选取relu为实验的初始激活函数，由于relu对于学习率比较敏感，所以设置学习率从0.01开始；(3)初始权重阈值设定权重初始化选取为在的正态分布范围取随机值；(4)确定网络衡量标准模型采用2个衡量标准，一个是用于BP算法的loss函数，一个是用于衡量预测准确度的Accuracy函数，loss越小表示训练集预测的均方差越小，神经网络的越趋向于整体最优，Accuracy越小表示模型预测率越高；(5)数据归一化处理根据数据特征，采用0-1化的数据归一化方法，即通过遍历某项每一个数据，将最大值和最小值记录下来，并通过Max-Min作为基数即Min＝0，Max＝1进行数据的归一化处理，归一化公式如下：x'＝(x-X_min)/(X_max-X_min)(5)x'为归一化后的值，x为原始值，X_min为原始值最小值，X_max为最大值；根据Accuracy计算公式，在归一化的时候要把X_min设置比实际值小，避免除0出现计算错误；(6)实验确定最终网络结构根据初步确定的隐藏层节点个数，进行比较试验，试验结果如下，其中n为隐藏层节点数目，b为多次试验得到最佳结果的学习率，设置最大迭代次数为20000，目标正确率Accuracy<＝0.03；步骤5，用遗传算法优化BP模型，构建GA-BP预测模型；(1)遗传算法优化BP神经网络的思路由于BP神经网络权值阈值的随机初始化和BP神经网络自身容易陷入局部最优化的特点，使用GA的全局最优化特点来给出BP的全局最优的初始化权值和阈值，从而加快神经网络训练模型的效率；(2)染色体编码根据BP神经网络的初始权值和阈值的取值范围N(0,2.0/n)和神经网络权值和阈值是浮点数的特点，对染色体采用浮点数编码的方式；...

【专利技术属性】
技术研发人员：张涛，朱安虎，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11