ترجمه فارسی عنوان مقاله

ترکیب برنامه ریزی تولید و زمان بندی نگهداری پیشگیرانه غیر چرخه ای برای سیستم های چند حالتی

عنوان انگلیسی

Integrating non cyclical preventive maintenance scheduling and production planning for multi-state systems

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
23282	2014	12 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Reliability Engineering & System Safety, Volume 121, January 2014, Pages 175–186

فهرست مطالب ترجمه فارسی

چکیده

مقدمه

مدل ریاضی

توضیح مسئله

مدل

ارزیابی (Z CM)

نمودار 1. سیاست نگهداری برای مولفه j MSS

نمودار 2. ساختار ماتریس سیاست نگهداری

نمودار 3. نمونه ماتریس سیاست نگهداری برای n=4، T=5 و S=2

نمودار 4. ماتریس کاهش مقیاس Q برای n=4، T=5 و S=2.

روش راه حل

روش جستجوی جامع

الگوریتم آنیل شبیه سازی شده

نمودار 5. نمونه منطقه حرکت برای یک سیستم تولیدی با n=3، T=3 و S=2

نمودار 6. شبه کد آنیل شبیه سازی شده

نمونه های عددی

داده های مسئله

نمودار 7 سیستم سری- موازی سه مولفه دو حالتی

جدول 1: ویژگی های مولفه های سیستم تولید

جدول 2: درخواست محصولات

جدول 3: داده های هزینه محصولات

جدول 4: ماتریس سیاست نگهداری که هزینه های کل و نگهداری و ظرفیت های آنها

نتایج و بحث و گفتگو

جدول 5: برنامه تولید بهینه سازی هزینه نگهداری

جدول 6: برنامه تولید بهینه سازی هزینه کل

راه حل با روش جستجوی جامع

راه حل با الگوریتم آنیل شبیه سازی شده

جدول 7: زمان برآورد شده راه حل ES برای مسائل مختلف

نمودار 8. 10 مولفه سری-موازی MSS

مسائل مهم

نمونه 1

جدول 8: ویژگی های مولفه های n =10، T = 5 و S = 1

جدول 9: درخواست محصولات (n = 10، T =5 و S = 1)

نمونه 2

جدول 10: داده های هزینه محصولات ( n = 10، T = 5 و S = 1)

جدول 11: سیاست نگهداری برای بهترین راه حل به دست آمده توسط SA برای MSS (n = 10، T = 5 و S = 1)

مدل توسعه یافته

جدول 12 : بهترین برنامه تولید به دست آمده توسط الگوریتم SA ( n = 10، T = 5 و S = 1)

جدول 13: سیاست نگهداری برای بهترین راه حل به دست آمده توسط SA برای MSS ( n = 10، T = 5 و S = 1)

انگیزه ها

مدل اصلاح شده

نمونه عددی

جدول 14: بهترین برنامه تولید به دست آمده توسط الگوریتم SA (n = 10، T = 5 و S = 2)

جدول 15: سیاست های نگهداری بهینه برای مقادیر مختلف درصد کاهش

نتیجه گیری

ترجمه کلمات کلیدی

تعمیر و نگهداری پیشگیرانه - حداقل تعمیر - برنامه ریزی تولید - بهینه سازی - سیستم های چند حالته - فرا اکتشافی -

کلمات کلیدی انگلیسی

Preventive maintenance,Minimal repair,Production planning,Optimization,Multi-state systems,Meta-heuristics,

ترجمه چکیده

این مقاله نگهداری پیشگیرانه غیر چرخه ای را با برنامه ریزی تولید تاکتیکی در سیستم های چند حالتی ترکیب می کند. سیاست نگهداری جایگزین های پیشگیرانه غیر چرخه ای مولفه ها و حداقل تعمیر در مولفه های ناموفق را بیان می کند. این مدل به طور همزمان لحظات مناسب برای نگهداری پیشگیرانه و تصمیمات برنامه ریزی تولید را ارائه می دهد. درحالی که این مقاله درخواست تمام محصولات را در تمام افق برنامه ریزی برآورده می کند میزان تولید و استراتژی نگهداری پیشگیرانه سیستمی را تعیین می کند که مجموع هزینه های تعمیرات اصلاحی و پیشگیرانه، هزینه های راه اندازی، هزینه های نگهداری، هزینه های سفارش تحویل نشده و هزینه های تولید را کاهش می دهد. این مدل ابتدا با مقایسه نتایج چندین محصول متعدد که در بر گیرنده مسائل میزان تولید است حل می شود. سپس، الگوریتم آنیل شبیه سازی شده از طریق آزمایش های عددی برای مسائل عمده توسعه می یابد و نشان داده می شود.

ترجمه مقدمه

برنامه ریزی تولید و زمان بندی نگهداری دو فعالیت مهمی هستند که به طور قابل توجهی می توانند به مدیریت بهتر کسب و کار در صنعت کمک کنند. این فعالیت ها مستقیما در منابع و تجهیزات مشابه عمل می کنند. رابطه آنها با توجه به تفاوت های بین اهداف نگهداری و تولید به ویژه اگر برنامه ریزی تولید و نگهداری به طور مجزا انجام شود متقابلا به عنوان رابطه مغایر مورد بررسی قرار می گیرد. بنا به گفته بریکی و همکاران [7] با توجه به عدم دسترسی به تجهیزات اگر خدمات تولید زمان مورد نیاز برای فعالیت های نگهداری را مورد بررسی قرار ندهد ممکن است این مغایرت ها منجر به درخواست ناخوشایندی در تولید می شود. ادغام فعالیت های برنامه ریزی و نگهداری می تواند از مغایرت ها اجتناب کند. نویسندگان در مقاله آگزاف و همکاران [2] و چانگتال [13] مزایای ادغام برنامه ریزی تولید و نگهداری را بیان کردند. ارتباط و همکاری بین این دو بخش کلیدهای اصلی انجام برنامه ریزی موفق در سیستم های تولید هستند. بسیاری از تحقیقات مربوط به برنامه ریزی منسجم تولید و نگهداری به ویژه در طول چند سال اخیر را می توان در منابع پیدا کرد. این موضوع در این مدل های منسجم در نظر گرفته می شود که زمان های شروع وظایف نگهداری پیشگیرانه (PM) و همچنین مشاغل تولید متغیرهای تصمیم گیری هستند و هر دو (نگهداری و تولید) به طور مشترک زمان بندی می شوند [7]. بودای و همکاران [10] این مسائل را در چهار گروه دسته بندی کردند: مدل های سطح بالا، مدل های میزان تولید اقتصادی، مدل های سیستم های تولیدی با بافر، و مدل های بهینه سازی تولید/نگهداری. بسیاری از مسائل در گروه آخر جایی که کار ما واقع شده است در منابع ارائه شده اند. اکثر این مدل ها برای بهینه سازی ترکیب هزینه های تولید و/یا نگهداری، بازه زمانی تولید و یا قابلیت دسترسی (عدم دسترسی) به سیستم تلاش می کنند. بریکی و همکاران [7] مدلی را نشان دادند که به طور همزمان بازه زمانی تولید و عدم دسترسی سیستم به سیستم هایی با دستگاه های موازی را کاهش می دهد. این مدل با الگوریتم های ژنتیکی حل می شود. بریکی و همکاران [8] با استفاده از الگوریتم کلونی مورچگان نتایج به دست آمده را بهبود بخشیدند. بن علی و همکاران [5] موضوع زمان بندی کار در کارگاه را براساس ادوار عدم دسترسی دوره ای به وظایف نگهداری بررسی کردند. این موضوع با توسعه الگوریتم ژنتیک نخبه سالاری چند هدفی که هزینه کل نگهداری و بازه زمانی تولید را به حداقل می رساند حل می شود. چانگ و همکاران [13] مدلی را ارائه کردند که با گزینه اعتبار مبنی بر تابع پذیرش شبکه های چند کارگاهی بازه زمانی تولید را نیز بهینه سازی می کند. استراتژی نگهداری برای سیاست های نگهداری کامل و ناقص ارائه می شود. مرادی و همکاران [26] یک مدل بهینه سازی دو هدفه را مورد بررسی قرار دادند که به طور همزمان بازه زمانی تولید و عدم دسترسی به سیستم را به حداقل می رساند که تصمیمات تولید در آن مشاغل مناسب n را به دستگاه های m اختصاص می دهند و تصمیمات نگهداری لحظات فوری فعالیت های PM را تعیین می کنند. پان و همکاران [31] مدل زمان بندی منسجمی را ارائه کردند که برنامه ریزی نگهداری پیشگیرانه و زمان بندی تولید برای یک دستگاه واحد را به منظور به حداقل رساندن حداکثر تاخیر موزون ادغام می کند. کاسادی و کوتانگولو [11] و سورتراکول و همکاران [36] مدل منسجم زمان بندی تولید و برنامه ریزی نگهداری را برای دستگاه واحدی مطرح کردند که کل وزن زمان اتمام مورد انتطار برای یافتن اقدامات بهینه PM و توالی شغلی را به حداقل می رساند. یو-لان و همکاران [43] این تحقیقات را توسعه دادند که در آن اقدامات PM می تواند (به جای فواصل برابر) براساس فواصل انعطاف پذیر اجرا شود که منجر به راه حل های موثرتری می شود. جین و همکاران [18] مدلی را ارائه کردند که براساس درخواست نامعلوم با استفاده از روش «گزینه» مالی مقدار بهینه فعالیت های نگهداری پیشگیرانه را برای به حداکثر رساندن سود متوسط ارائه کردند. اصطلاحات ∆E از دست دادن انرژی الگوریتم آنیل شبیه سازی شده δ_j عامل کاهش مولفه j(j=1,…,n) زمانی که اقدامات PM در آغاز ادوار برنامه ریزی تولید اجرا می شود. AG ماتریس سن n×TS که سن موثر هر مولفه j را در آغاز هر دوره برنامه ریزی نگهداری ارائه می کند. A ماتریس n×T که قابلیت دسترسی به هر مولفه j را در طول هر دوره برنامه ریزی تولید t(t=1,…,T) ارائه می کند. CMR ماتریس قطری حداقل هزینه تعمیر n×n که در آن 〖CMR〗_jj (j=1,…,n) هزینه حداقل تعمیر برای مولفه j است. CPR ماتریس قطری هزینه جایگزینی پیشگیرانه n×n که در آن 〖CPR〗_jj (j=1,…,n) هزینه جایگزینی پیشگیرانه برای مولفه j است. M ماتریس n×TS که تعداد شکست مورد انتظار هر مولفه j را در طول هر دوره برنامه ریزی نگهداری ارائه می کند. P_j^tتوزیع احتمالی هر مولفه j در طول دوره برنامه ریزی t(j=1,…n و t=1,…,T). Q ماتریس کاهش مقیاس قطری گروهی TS×T R ماتریس قطری کاهش هزینه n×n در صورتی که اقدامات PM در آغاز دوره برنامه ریزی تولید انجام شوند. TMR ماتریس قطری حداقل زمان تعمیر n×n که در آن 〖TMR〗_jj (j=1,…,n) حداقل زمان تعمیر برای مولفه j است. TPR ماتریس قطری زمان جایگزینی پیشگیرانه که در آن 〖TPR〗_jj (j=1,…,n) زمان جایگزینی پیشگیرانه برای مولفه j است. πpt هزینه تولید یک واحد محصول p در دوره .t τ طول دوره برنامه ریزی نگهداری. τ^tsدوره برنامه ریزی نگهداری sام دوره برنامه ریزی تولید t(t=1,…,T و s=1,…,S). A_j^tsقابلیت دسترسی به مولفه j در طول زمان برنامه ریزی نگهداری τ^ts (j=1,…,n,t=1,…,T,s=1,…,S). a_j^tsتابع سن مولفه j در پایان زمان برنامه ریزی نگهداری τ^ts (j=1,…,n,t=1,…,T,s=1,…,S). b_pt هزینه سفارش تحویل نشده (فرصت ضرر و حق کسب و کار) به ازای هر واحد تولید p در پایان دوره t C خنک سازی ثابت الگوریتم آنیلینگ بدل CM هزینه کا نگهداری CT هزینه های کل نگهداری و تولید d_pt درخواست محصول p که باید در پایان دوره t برآورده شود. E انرژی تابع هدف الگوریتم آنیل شبیه سازی شده f_j (0) G_j g_k G_MSS^t H h_pt j K k L M_j (t) M_j^ts N n P p 〖prob〗_k q_ts^i r_j (0) S s 〖Set〗_pt T t T_e T_max T_min w z_j^ts Z B_pt I_pt x_pt y_pt تابع طول عمر j(j=1,…,n) نرخ تولید اسمی مولفه j نرخ تولید اسمی مولفه j نرخ تولید برای حالت ( k,(1≤k≤k ظرفیت تولید قابل دسترس MSS در طول دوره افق برنامه ریزی t افق برنامه ریزی فهرست موجودی هزینه نگهداری کالا به ازای هر واحد تولید p در پایان دوره t شاخص مولفه (1≤j≤n) تعداد محدود نرخ های تولید حالت سیستم (1≤k≤K) طول دوره های برنامه ریزی تولید t تعداد شکست ها/تعمیرات مورد انتظار مولفه j در فاصله زمانی [0,t]. تعداد شکست های مورد انتظار مولفه j در طول دوره برنامه ریزی نگهداری τ^ts (j=1,…,n,t=1,…,T,s=1,…,S تعداد ترکیب های احتمالی ماتریس سیاست نگهداری Z تعداد مولفه ها مجموعه محصولات محصول p∈P احتمال حالت یکنواخت حالت k,(1≤k≤K) متغیر دو حالتی برابر با 1 در صورتی که t=i و 0 است در غیر این صورت t=1,…,T,s=1,…,S و i=1,…,T) تابع خطر مولفه j(j=1,…,n) تعداد دوره های فرعی برابر با فاصله L شاخص دوره برنامه ریزی نگهداری (1≤s≤S) هزینه ثابت راه اندازی تولید محصول p در دوره t تعداد دوره های برنامه ریزی تولید زمان برنامه ریزی تولید، (1≤t≤T) درجه حرارت فرایند خنک سازی آنیل شبیه سازی شده حداکثر دمای الگوریتم آنیل شبیه سازی شده حداقل دمای الگوریتم آنیل شبیه سازی شده مقدار تصادفی حاصل از فاصله زمانی [0,1] متغیر دو حالتی برابر با 1 است اگر PR در آغاز زمان برنامه ریزی نگهداری τ^ts در مولفه j انجام شود در غیر این صورت 0 است متغیرهای تصمیم گیری ماتریس دوحالتی که سیاست جایگزینی پیشگیرانه سیستم را ارائه می کند. سطح سفارش تحویل نشده محصول p در پایان دوره t سطح فهرست موجودی محصول p در پایان دوره t مقدار محصول p که باید در دوره t تولید شود متغیر دوحالتی که برابر با 1 است اگر راه اندازی محصول در پایان دوره t رخ دهد در غیر اینصورت 0 است. چلبی و همکاران [12] یک مدل ریاضی را برای بخش واحدی ارائه کردند که به طور همزمان مقدار بهینه میزان تولید و فاصله جایگزینی پیشگیرانه بهینه را با محدودیت های عدم تطابق تعیین می کند. هاجج و همکاران [17] با بازدارنده های قرارداد فرعی موضوع زمان بندی نگهداری و برنامه ریزی تولید احتمالی سیستم تولید دستگاه و یک محصول واحد را بررسی کردند. عشایری و همکاران [14] مدلی را ارائه کردند که هزینه های کل تولید و نگهداری را در محیط گسسته چند دستگاه با درخواست قطعی بهینه سازی می کند. وینستین و چانگ [42] در یک محیط سلسله مراتبی بر روی مدل منسجم برنامه ریزی تولید و نگهداری که در آنجا در سطوح متراکم و غیرمتراکم درمورد برنامه ریزی تولید و نگهداری تصمیم گیری می شود کار کردند. کودرت و همکاران [14] الگوی چند عاملی و منطق فازی را به منظور جلوگیری از تعارض برای تولید تعاونی/زمان بندی نگهداشت به کار بردند. بن منصور و همکاران [6] روش مبتنی بر شبیه سازی را برای تولید مشترک و برنامه ریزی نگهداشت پیشگیرانه را برای دستگاه مستعد شکست درست سر وقت در محیط ارائه کردند. آگزاف و همکاران [2] مدل برنامه ریزی تولید نگهداشت دوره ای غیرخطی مختلط و مدل خطی مختلط را برای موضوع کلی برنامه ریزی تولید و نگهداری پیشگیرانه مطرح کردند. هر دو مدل براساس تجزیه لاگرانژی با الگوریتم تقریبی حل می شوند. ناجید و همکاران [27] این تحقیقات را توسعه دادند و مدل منسجمی را ارائه کردند که در آن اقدامات نگهداری پیشگیرانه در ویندوز زمان برنامه ریزی می شود و کمبود تقاضا زمانی امکان پذیر است که ظرفیت برآورده ساختن تمام درخواست ها امکان پذیر نیست. سیتومپال و آگزاف [35] مدل (غیر چرخه ای) عمومی سلسله مراتبی را توسعه دادند. نویسندگان فعالیت های نگهداری پیشگیرانه را در برنامه ریزی کلی ادغام می کنند، در حالی که نگهداری اصلاحی و عدم قطعیت به دلیل خرابی دستگاه در سطح مشروح برنامه ریزی به عهده گرفته می شود. تمام مقالات ذکر شده در بالا فرض می کنند که ممکن است سیستم تولید تنها دو سطح عملکرد (عملکرد کامل یا شکست کامل) را تجربه کند. در مقاله اخیر مدل برنامه ریزی چرخه ای PM و تولید منسجم را برای سیستم های چند حالتی ارائه کردیم. این مقاله بر خلاف مقالات موجود فرض می کند که ممکن است سیستم تولید طیف وسیعی از سطوح عملکرد را از عملکرد کامل تا شکست کامل تجربه کند که واقعی تر است. کار قبلی خود را به منظور PM غیر چرخه ای برای یک دستگاه واحد در مقاله فتوحی و نور الفات [16] (یعنی نور الفات و همکاران [30]) توسعه دادیم. نویسندگان در مقاله نور الفات و شتله [28] به ادغام تولید، فهرست موجودی کالا و برنامه ریزی نگهداری یک شبکه موازی با مولفه های وابسته پرداختند. مقاله موجود مدل منسجمی را برای PM غیر چرخه ای و برنامه ریزی تولید تاکتیکی را برای سیستم های چند حالتی مطرح می کند. این مدل یک سیاست نگهداری را برای هر مولفه ارائه می کند که در آن اقدامات نگهداری می تواند در آغاز و یا داخل هر دوره برنامه ریزی تولید انجام شود. نوع دیگری از مقالات موجود وجود دارد که به بهینه سازی مشترک می پردازد. نویسندگان در مقاله لویتین و لیسنیانسکی [22] موضوع مشترک بهینه سازی زمان بندی جایگزینی و افزونگی تعمیم داده شده به سیستم های چند حالتی را تدوین کردند. نویسندگان در مقاله لویتین و لیسنیانسکی [23] موضوع بهینه سازی نگهداری پیشگیرانه سیستم های چند حالتی را در نظر گرفتند که در آن اعتبار به عنوان توانایی برآورده ساختن تقاضای تولید مورد نظر تعریف می شود. نویسندگان در مقاله راسکوویست و همکاران [33] روش برنامه ریزی نگهداری ارزش محور را ارائه کردند و آن را به روشی برای کارخانه تولیدی اعمال کردند. نویسندگان در مقاله واتن و اون [40] اهمیت خطرات مربوط به ایمنی و نگهداری را بیان کردند و روشی را برای بهینه سازی نگهداری ارائه کردند که در آن مسائل ایمنی اهمیت دارند. نویسندگان در مقاله کووینگ و همکاران [15] مدل سازی متغیری از مبادله بین بهره وری و ایمنی را در سیستم های حساس مهندسی ارائه کردند. نویسندگان در مقاله واتن و همکاران [41] یک مدل کلی را برای بهینه سازی نگهداری ارائه کردند. آنها به منظور شناسایی زمان بندی نگهداری بهینه روشی را برای مولفه های سیستم تولیدی توسعه دادند. ایمنی، اهداف بهداشتی و زیست محیطی، هزینه های نگهداری و هزینه های تولید زیان دیده همه در نظر گرفته می شوند و در نتیجه نگهداری باتوجه به اهداف مختلف بهینه سازی می شود. در نهایت، نویسندگان در مقاله نور الفات و همکاران [29] مدل بهینه سازی برنامه ریزی نگهداری پیشگیرانه و افزونگی مشترک را برای سری موازی سیستم های تغییر یافته چند حالتی تدوین کردند. یک رویکرد ذهنی نیز برای حل موضوع تدوین شده مطرح می شود. این رویکرد ذهنی براساس ترکیبی از تفکیک فضا، الگوریتم های ژنتیک (GA) و پژوهش تابو (TS) است. این روش پس از تقسیم فضای پژوهشی به مجموعه ای از زیر مجموعه های گسسته از GA برای انتخاب فضاهای فرعی استفاده می کند و TS را به هر فضای فرعی منتخب اعمال می کند. به اعتقاد ما اگرچه مقالات ذکر شده در بالا به بهینه سازی مشترک می پردازند مقاله موجود اولین مقاله ای است که مدل منسجمی را برای PM غیر چرخه ای و برنامه ریزی تولید تاکتیکی را برای سیستم های چند حالتی توسعه می دهد. این مدل جدید ابتدا با مقایسه نتایج چندین محصول متعدد حل می شود که مسائل میزان تولید را توانمند می سازد. سپس، الگوریتم آنیل شبیه سازی شده برای مسائل عمده توسعه می یابد. آنیل شبیه سازی شده (SA) به بیشتر مسائل برنامه ریزی نگهداری و تولید اعمال می شود. (SA) با توجه به کاربرد عملیات خنک سازی قابل قیاس برای تبدیل یک راه حل ضعیف و نامنظم به یک راه حل مطلوب و منظم که می تواند تابع هدف را بهینه سازی کند در بهینه سازی ترکیبی انجام می شود [37]. (SA) می تواند در زمان محاسبه منطقی به حل مسائل گسترده با کیفیت خوب کمک کند. تگهم و همکاران [38] به دلیل محدوده تحقیقاتی برنامه ریزی تولید الگوریتم SA را به منظور حل برنامه ریزی تولید عدد صحیح خطی مختلط برای مرحله چاپ جلد کتاب به کار بردند. اتخاذ الگوریتم های SA در زمان بندی پروژه با منابع محدود در مقاله بولیمن و لیکوک [9] ارائه شده است. لوکیل و همکاران [25] الگوریتم SA را برای حل موضوع زمان بندی تولید برای کارگاه نمونه سازی انعطاف پذیر با محدودیت های روند و تولید انبوه مطرح کردند. شان و همکاران [34] با ترکیب روش های GA و SA بهره وری راه حل پژوهشی را برای توالی مونتاژ محصول بهبود بخشیدند. تانگ [37] به منظور تعیین تصمیم ماتریس میزان تولید دو حالتی بهینه روش SA را برای موضوع میزان تولید اعمال کرد. لئو [20] در برنامه ریزی نگهداری SA ترکیب شده با GA را برای حل موضوع زمان بندی نگهداری به کار برد که هزینه عملیانی و اعتبار را بهینه سازی می کند. نویسندگان در مقاله رضا و آل ترکی [32] از طریق مطالعه مقایسه ای گسترده بهره وری و عملکرد روش SA را برای موضوع زمان بندی نگهداری مطرح کردند که بازه زمانی تولید کلی را کاهش می دهد. زمانی که نمونه های مورد مطالعه بزرگ هستند این اجراهای موفق الگوریتم های SA روش SA پیشنهادی را به منظور حل موضوع بهینه سازی تدوین شده برای مسائل برنامه ریزی تولید و نگهداری برانگیخته می سازد. این مقاله به شرح زیر سازماندهی می شود. بخش بعدی یک مدل ریاضی و ویژگی های آن را ارائه می کند. بخش 3 سیاست نگهداری و روش شناسی مورد استفاده را به منظور برآورد پارامترهای مدل توضیح می دهد. روش جستجوی جامع و روش آنیل شبیه سازی شده برای حل مدل برنامه ریزی نگهداری و تولید منسجم پیشنهادی در بخش 4 ارائه می شود. نمونه های عددی در بخش 5 ارائه می شوند که با هر دو روش راه حل حل می شوند. مدل پیشنهادی در بخش 6 توسعه می یابد. در نهایت تصمیم گیری ها در بخش 7 ارائه می شوند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

This paper integrates noncyclical preventive maintenance with tactical production planning in multi-state systems. The maintenance policy suggests noncyclical preventive replacements of components, and minimal repair on failed components. The model gives simultaneously the appropriate instants for preventive maintenance, and production planning decisions. It determines an integrated lot-sizing and preventive maintenance strategy of the system that will minimize the sum of preventive and corrective maintenance costs, setup costs, holding costs, backorder costs, and production costs, while satisfying the demand for all products over the entire horizon. The model is first solved by comparing the results of several multi-products capacitated lot-sizing problems. Then, for large-size problems, a simulated annealing algorithm is developed and illustrated through numerical experiments.

مقدمه انگلیسی

Maintenance scheduling and production planning are two important activities which can significantly contribute to better business management in industry. These activities directly operate on the same resources and equipment. Due to the difference between maintenance and production purposes, their relationship has been considered as mutually in conflict, especially if the production and maintenance planning are done separately. According to Berrichi et al. [7], the conflicts may result in an unsatisfied demand in production, due to equipment unavailability if the production service does not respect the time needed for maintenance activities. Integration of maintenance and planning activities can avoid conflicts. In Aghezzaf et al. [2] and Chung et al. [13], the authors have shown the benefits of integrating maintenance and production planning. Communication and collaboration between the two departments are the main keys to doing successful planning in production systems. Much research related to integrated production and maintenance planning can be found in the literature, especially during the last few years. In these integrated models, it is considered that the beginning times of preventive maintenance (PM) tasks are decision variables, as well as production jobs, and both (maintenance and production) are jointly scheduled [7]. Budai et al. [10] classified these problems into four categories: high level models, the economic manufacturing quantity models, models of production systems with buffers, and production/maintenance optimization models. In the last category, where our work is situated, many problems have been presented in the literature. Most of these models aim to optimize a combination of maintenance and/or production costs, production makespan or system availability (or unavailability). Berrichi et al. [7] suggested a model minimizing, simultaneously, the makespan for production and the system unavailability for systems with parallel machines. The model was solved by genetic algorithms. Berrichi et al. [8] improved the obtained results by using an ant colony algorithm. Ben Ali et al. [5] studied a job-shop scheduling problem under periodic unavailability periods for maintenance tasks. The problem was solved by developing an elitist multi-objective genetic algorithm minimizing makespan and total maintenance cost. Chung et al. [13] presented a model also optimizing the production makespan, with a reliability option based on the acceptability function for multi-factory networks. The maintenance strategy is suggested for both perfect and imperfect maintenance policies. A bi-objective optimization model minimizing simultaneously the production makespan and the system unavailability is considered by Moradi et al. [26], where production decisions assign the appropriate n jobs to m machines and maintenance decisions determine the instants of PM activities. Pan et al. [31] suggested an integrated scheduling model incorporating both production scheduling and preventive maintenance planning for a single machine in order to minimize the maximum weighted tardiness. Cassady and Kutangolu [11] and Sortrakul et al. [36] proposed an integrated maintenance planning and production scheduling model for a single machine minimizing the total weighted expected completion time to find the optimal PM actions and job sequence. Yu-Lan et al. [43] extended these researches where PM actions can be performed under flexible intervals (instead of equal intervals) which leads to more efficient solutions. Jin et al. [18] presented a model determining the optimal number of preventive maintenance activities in order to maximize the average profit under uncertain demand by using the financial “option” approach. A mathematical model for a single unit determining simultaneously the optimal value of lot size and the optimal preventive replacement interval with non-conformity constraints is suggested by Chelbi et al. [12]. Hajej et al. [17] investigated stochastic production planning and the maintenance scheduling problem for a single product and a single machine production system with subcontracting constraints. Ashayeri et al. [4] proposed a model optimizing total maintenance and production costs in discrete multi-machine environment with deterministic demand. Weinstein and Chung [42] worked on an integrated production and maintenance planning model in a hierarchical environment, where decisions about maintenance and production planning are made in aggregate and disaggregate levels. Coudert et al. [14] used a multi-agent paradigm and fuzzy logic for a cooperative production/maintenance scheduling to avoid conflict. A simulation-based approach is presented by Benmansour et al. [6] for joint production and preventive maintenance planning for a failure-prone machine in just-in-time context. Aghezzaf et al. [2] proposed a mixed non-linear periodic maintenance and production planning model, and a mixed linear model for a general preventive maintenance and production planning problem. Both models are solved with an approximate algorithm based on Lagrangian decomposition. Najid et al. [27] extended these researches and suggested an integrated model where preventive maintenance actions are planned in time windows and demand shortage is allowed when capacity is not sufficient to meet all demand. A hierarchical general (non-cyclic) model is developed by Sitompul and Aghezzaf [35]. The authors integrated preventive maintenance activities into the aggregate planning, while corrective maintenance and uncertainty due to machine breakdowns are tackled in the detailed level planning. All the above mentioned papers assume that the production system may experience only two performance levels (perfect functioning or complete failure). In a recent contribution [30], we presented an integrated production and cyclical PM planning model for multi-state systems. Unlike the existing papers, this contribution assumes that the production system may experience a range of performance levels from perfect functioning to complete failure, which is more realistic. In Fitouhi and Nourelfath [16], we have extended our previous work (i.e. Nourelfath et al. [30]) to noncyclical PM for a single machine. In Nourelfath and Châtelet [28], the authors have dealt with the integration of production, inventory and maintenance planning for a parallel system with dependent components. The present paper proposes an integrated model for noncyclical PM and tactical production planning for multi-state systems. The model suggests a maintenance policy for each component where maintenance actions can be carried out at the beginning or inside any production planning period. There are others existing papers dealing with joint optimization. In Levitin and Lisnianski [22], the authors formulated the joint redundancy and replacement schedule optimization problem generalized to multi-state system. In Levitin and Lisnianski [23], the authors considered a preventive maintenance optimization problem for multi-state systems, for which the reliability is defined as the ability to satisfy given production demand. The authors of Rosqvist et al. [33] presented a value-driven maintenance planning approach and applied it to approach to a production plant. In Vatn and Aven [40], the authors have shown the importance of linking maintenance and safety risks, and presented an approach to maintenance optimization where safety issues are important. The authors of Cowing et al. [15] presented a dynamic modeling of the trade-off between productivity and safety in critical engineering systems. In Vatn et al. [41], the authors presented an overall model for maintenance optimization. They developed an approach for identifying the optimal maintenance schedule for the components of a production system. Safety, health and environment objectives, maintenance costs and costs of lost production are all taken into account, and maintenance is thus optimized with respect to several objectives. Finally, in Nourelfath et al. [29], the authors have formulated a joint redundancy and imperfect preventive maintenance planning optimization model for seriesparallel multi-state degraded systems. A heuristic approach was also proposed to solve the formulated problem. This heuristic is based on a combination of space partitioning, genetic algorithms (GA) and tabu search (TS). After dividing the search space into a set of disjoint subsets, this approach uses GA to select the subspaces, and applies TS to each selected sub-space. Although the above cited papers deal with joint optimization, to the best of our knowledge, the present paper is the first to develop an integrated model for noncyclical PM and tactical production planning for multi-state systems. This new model will be first solved by comparing the results of several multi-product capacitated lot-sizing problems. Then, for large-size problems, a simulated annealing algorithm will be developed. Simulated Annealing (SA) has been applied to many production and maintenance planning problems. The SA performs in combinational optimization due to the use of analogous cooling operation for transforming a poor, unordered solution into an ordered and desirable solution, which can optimize the objective function [37]. SA can contribute to solve large scale problems with good quality in a reasonable computing time [32]. For the production planning research area, Teghem et al. [38] used SA algorithm in order to solve a mixed linear integer production planning for a book cover printing process. An adaptation of SA algorithms in project scheduling with limited resource was presented in Bouleimen and Lecocq [9]. Loukil et al. [25] proposed a SA algorithm to solve a production scheduling problem for flexible job-shop with batch production and process constraints. Shan et al. [34] improved the efficiency of solution research for a production assembly sequence by combining GA and SA approaches. Tang [37] applied the SA approach for a lot sizing problem to determine the optimal binary lot-sizing matrix decision. In maintenance planning, Leou [20] used the SA combined with GA for solving a maintenance scheduling problem optimizing reliability and operation cost. In Raza and Al-Turki [32], the authors have shown, through a large scale comparative study, the efficiency and the performance of SA approach for a maintenance scheduling problem minimizing total makespan. These successful implementations of SA algorithms for production and maintenance planning problems have motivated the proposed SA approach to solve the formulated optimization problem when the studied examples are large. This paper is organized as follows. The next section presents the mathematical model, and its characteristics. Section 3 explains the maintenance policy, and methodology used to estimate the model parameters. An exhaustive search method and a simulated annealing approach are presented in Section 4 to solve the proposed integrated production and maintenance planning model. Numerical examples are presented in Section 5, which is solved with both solution methods. The proposed model is extended in Section 6. Finally, conclusions are given in Section 7.

نتیجه گیری انگلیسی

In this paper, we presented an integrated model for production and general preventive maintenance planning for multi-state systems. For the production side, the model generates, for each product and each production planning period, the quantity of inventory, backorder, items to produce and also the instant of set-up. For the maintenance side, for each component, we proposed the instant of each preventive maintenance action which can be carried out during the production planning period. A Matrix based methodology was used in order to estimate model parameters such as system availability and the general capacity. The proposed model was solved by the ES method and SA. The exhaustive search method gives the optimal solution however, due to computing time and the high number of combinations, it can only be used for small production systems. The SA method reduces the solution time. It was also shown that the integration of acyclical maintenance and production planning improves the total production and maintenance costs. The paper discussed the merit of allowing preventive maintenance actions only at the beginning or inside the production planning period through a modified model and a numerical example. Future work will extend the model presented in this paper to deal with the case of systems containing dependent components.