دانلود مقاله ISI انگلیسی شماره 95808
ترجمه فارسی عنوان مقاله

مکانیسم بهینه سازی مبنی بر شبیه سازی تکاملی چند منظوره برای یک مسئله ی نگهداری پایایی محور تصادفی

عنوان انگلیسی
Multi-objective evolutionary simulation based optimization mechanism for a novel stochastic reliability centered maintenance problem
کد مقاله سال انتشار تعداد صفحات مقاله انگلیسی
95808 2018 38 صفحه PDF
منبع

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

Journal : Swarm and Evolutionary Computation, Available online 23 March 2018

فهرست مطالب ترجمه فارسی
چکیده

کلمات کلیدی

1- مقدمه و مرور ادبیات

1-1 یکپارچه سازی مسائل نگهداری و تولید کلی.

1-2. ادغام مسئله برنامه ریزی تولید وظیفه منعطف و نگهداری

1-3 تحلیل خلا، انگیزه ها، و اهداف تحقیق

جدول 1 مرور ادبیات ادغام برنامه ریزی و نگهداری

2- مسئله مشترک پیشنهادی

شکل 1 فعالیت های نگهداری مطابق با سطح پایایی

شکل 2 مدل اصلاح پایایی پیشنهادی در هر زمان نمونه شبیه سازی

3- الگوریتم بهینه سازی مبنی بر شبیه سازی چند منظوره (MSBO)

شکل 3 مثال FJSP با سه کار، چهار ماشین و نه عملیات

3-1 ساختار راه حل و طرح های همسایگی پایه ای

شکل 4 ساختار راه حل طبق شکل 3

شکل 5 عملگر ساختار مجاورت SSV هیبرید پیشنهادی

شکل 6 عملگر ساختار مجاورت MASV پیشنهادی

3-2 MOBBO 

شکل 7 ساختار مجاورت پیشنهادی دنباله

شکل 8 ساختار مجاورت پیشنهادی وظیفه

3-3- PESA

3-4 NSGAIII

3-5 MOEAD

3-6 عامل شبیه سازی الگوریتم

شکل 9 شبه کد کلی قسمت شبیه سازی پیشنهادی MSBO30 پایان

شکل 10 پایایی و هزینه پیشنهادی تابع به روز رسانی و تصمیم نگهداری  

شکل 11 ماشین پیشنهادی و تابع تعیین وضعیت وظیفه

4- یافته های محاسباتی

جدول 2 مشخصه های مسائل تست تولید شده

4-1 خروجی های الگوریتم ها

جدول 3 مقایسه یافته ها برای MOBBO پیشنهادی با MOGA در داده BR

شکل 12 اطلاعات دقیق معیارهای مختلف برای مسائل تست مختلف 1 تا 10

جدول 4 مقایسه آماری الگوریتم های پیشنهادی

شکل 13 مقایسه سطح معناداری (0.05) با مقادیر p متریک ها  

شکل 14 طرح های کادری تست های آماری

جدول 5 الگوریتم های مشابه مطابق با روش Fisher

شکل 15 یک نمونه جلوی پارتو الگوریتم های FJSP1

شکل 16 سطح پایایی بلادرنگ (R(t)) طبق تکامل چارت Gant برای یک راه حل نمونه از جبهه پارتو شکل 15

شکل 17 یک نمونه جلوی پارتو الگوریتم های FJSP5

شکل 18 سطح پایایی بلادرنگ (R(t)) طبق تکامل چارت Gant برای یک راه حل نمونه از جبهه پارتو شکل 17

شکل 19 یک نمونه جلوی پارتو الگوریتم های FJSP5

4-2بحث 

شکل 20 سطح پایایی بلادرنگ (R(t)) مطابق با تکامل چارت Gant برای یک راه حل نمونه از جبهه پارتو شکل 19

5- نتیجه گیری
ترجمه چکیده
این تحقیق یک مکانیسم نگهداری پایایی محور تصادفی جدید RCM)) را در مسئله تولید و نگهداری مشترک چند منظوره جدید ایجاد می کند. RCM در این مسئله یکپارچه شده، عاملی است که عملکردهای نگهداری یک مسئله برنامه ریزی – تولید پیچیده تصادفی یعنی مسئله برنامه ریزی انعطاف پذیر تولید وظیفه (FJSP) را نظارت کرده و مدیریت می کند. RCM جدید توسعه یافته از رویکرد نگهداری مبنی بر شرایط تصادفی (CBM) سود می برد که مبنی بر طرح تکان دهنده تصادفی ماشین ها طی زمان پروسه شان کار می کند. این رویکرد فعالیت های نگهداری، از قبیل نگهداری بازدارنده و اصلاحی را طبق کاهش درجه پایایی سیستم بعد از شوک ها فعال می کند و فقط طبق بازه های از پیش تعیین شده نیست. علاوه بر زمان های فعال سازی نگهداری، مدت های نگهداری انواع مختلف نیز به صورت تصادفی مدلسازی می شوند. علاوه براین، انواع مختلف هزینه های نگهداری تصادفی نیز در راستای پایایی سیستم و زمان تکمیل (Cmax) در نظر گرفته می شوند. علاوه براین، از آنجاییکه این مسئله به کلاس NP-Hard مسائل بهینه سازی تعلق دارد، چهار الگوریتم بهینه سازی مبنی بر شبیه سازی چند منظوره (SBO) به نام الگوریتم بهینه سازی مبنی بر زیست جغرافی چند منظوره (MOBBO) ؛ الگوریتم انتخاب مبنی بر شکل دهی پارتو (PESA) ، ورژن جدید الگوریتم ژنتیک مرتب سازی غیر مغلوب (NSGAIII) و الگوریتم تکاملی چند منظوره مبنی بر تجزیه (MOEAD) برای حل مسئله مهم استفاده می شوند. یک رویکرد تجسمی جدید همراه با چارت Gant نیز برای بحث کل طرح RCM، به صورت سیستماتیک پیشنهاد می شود. مسائل آزمون مخلف، آزمون های آماری و خروجی ها این مسئله و عملکرد الگوریتم ها را آشکارا توضیح می دهند.
ترجمه مقدمه
امروزه، برنامه ریزی تولید و فعالیت های نگهداری به طور همزمان و یکپارچه ناگزیر هستند. فعالیت های نگهداری بر اصطلاحات کلی مدیریت تولید از قبیل پایایی، عدم دسترسی یا هزینه تاثیر می گذارند. برای یک مثال ساده، برنامه نگهداری ناکارآمد می تواند هزینه ها را تا یک سوم به دلیل فعالیت های غیر ضروری یا نامناسب افزایش دهد [1]. علاوه براین، تکنولوژی های ظهور اخیر، از قبیل سامانه بازشناسی با امواج رادیویی (RFID) ، سنسورهای مختلف، سیستم میکرو الکترو مکانیکی (MEMS)، ارتباط مخابراتی بی سیم، سامانه نظارت و گردآوری داده (SCADA) و دستگاه های اطلاعاتی نهفته شده محصول (PEID) [2] مدیران تولید را برای نظارت و کنترل سیستم های نگهداری شان به صورت کارآمدتر توانمند می کنند. علاوه براین، نگهداری و پایایی حوزه تحقیق وسیعی را در مدلسازی و بهینه سازی پوشش می دهد [3-8]. این نکته تعجب برانگیز است که اکثر مسائل تولید و برنامه ریزی در ادبیات، عدم دسترسی ماشین را در نظر نمی گیرند یا مدل های نگهداری را خیلی ساده می گیرند. بنابراین، تحقق و تقویت مسائل تولید-برنامه ریزی با به کار بردن پایایی و نگهداری مد نظر می باشد. نگهداری پایایی محور (RCM) یک فلسفه جذاب در حوزه نگهداری و پایایی است. RCM یک رفتار سیستماتیک از تعیین موثرترین رویکرد نگهداری از محدوده وسیع رویکردهاست که شامل نگهداری اصلاحی (CM) ، نگهداری مهاری (PM) یا نظارت بلادرنگ (RTM) می گردد که پایایی دستگاه یا سیستم را در چرخه عمر طراحی اش با پایین ترین هزینه افزایش می دهد. معمولا در RCM یک مکانیسم نگهداری مبنی بر شرایط (CBM) پایایی بلادرنگ سیستم را به طور پیوسته نظارت می کند و ترتیب مناسب فعالیت های نگهداری را تعیین می کند [8]. باقی این بخش برنامه ریزی مشترک نگهداری و ادبیات برنامه ریزی تولید را با جزئیات مرور می کند.
پیش نمایش مقاله
پیش نمایش مقاله  مکانیسم بهینه سازی مبنی بر شبیه سازی تکاملی چند منظوره برای یک مسئله ی نگهداری پایایی محور تصادفی

چکیده انگلیسی

This research develops a novel stochastic reliability-centered maintenance (RCM) mechanism within a new multi-objective joint maintenance and production planning problem. RCM in this integrated problem is an agent that monitors and manages the maintenance functions of a stochastic complex production-planning problem, namely flexible job shop scheduling problem (FJSP). The novel developed RCM takes benefit of stochastic condition based maintenance (CBM) approach that works based on stochastic shocking scheme of machines during their process time. It activates the maintenance activities, including preventive and corrective maintenance, according to the degradation level of system reliability after shocks and not merely according to the predetermined intervals. In addition to the maintenance activation times, the maintenance durations of different kinds are also modeled stochastically. Furthermore, different types of stochastic maintenance costs are also considered alongside system reliability and complementation time (Cmax). Moreover, as the problem belongs to the NP-Hard class of optimization problems, four multi-objective simulation based optimization (SBO) algorithms, called multi-objective biogeography based optimization (MOBBO) algorithm, Pareto envelope-based selection algorithm (PESA), new version of non-dominated sorting genetic algorithm (NSGAIII) and multi-objective evolutionary algorithm based on decomposition (MOEAD) are employed to solve the underlying problem. A novel visualization approach joint by Gant chart is also proposed to discuss the whole RCM scheme, systematically. Different test problems, statistical tests and outputs explain the problem and algorithms' performance explicitly.