Одинокий

Том 13 научных докладов, номер статьи: 9309 (2023) Цитировать эту статью

Подробности о метриках

В этой статье обсуждается проблема планирования одной машины с периодическими мероприятиями по техническому обслуживанию и эффектом обучения на основе позиции для минимизации продолжительности ремонта. Для получения точных решений мелкомасштабных задач сформулирована одна новая двухэтапная модель двоично-целочисленного программирования. Кроме того, также предлагается алгоритм ветвей и границ, сочетающий граничный метод и правила сокращения. По свойству оптимального решения строится специальная окрестность поиска. Предложен гибридный генетико-табу-алгоритм поиска, основанный на генетическом механизме с техникой табу в качестве оператора, для решения среднемасштабных и крупномасштабных задач. Кроме того, для повышения эффективности генетического алгоритма и гибридного алгоритма поиска с генетическими табу для настройки параметров используется метод Тагучи. Кроме того, проводятся вычислительные эксперименты для сравнения эффективности и производительности этих алгоритмов.

При традиционном планировании машин принято считать, что все машины всегда доступны в течение периода планирования. Однако такое предположение не справедливо для реальных перерабатывающих отраслей и производственных систем. Во многих случаях машины необходимо останавливать во время планирования по ряду причин, таких как профилактическое обслуживание, ремонт после поломки и т. д. Поэтому реалистичная модель планирования должна учитывать мероприятия по техническому обслуживанию.

Работы по техническому обслуживанию делятся на корректирующее и профилактическое обслуживание1. Корректирующее обслуживание проводится после того, как произошла поломка, а профилактическое обслуживание планируется заранее. По сравнению с профилактическим обслуживанием корректирующее обслуживание обходится дороже и вызывает более серьезные последствия. Поэтому крайне важно избегать корректирующего технического обслуживания. Проведение профилактических мероприятий по техническому обслуживанию может эффективно снизить вероятность поломки. Другими словами, профилактическое обслуживание может повысить эксплуатационную готовность машин.

Мероприятия по профилактическому техническому обслуживанию включают замену деталей машины, осмотр, очистку, смазку, заправку топливом и так далее. За последние тридцать лет многие исследователи обсуждали профилактическое обслуживание в литературе по планированию. Ли и Лиман изучили планирование с использованием одной машины, ограниченное плановым обслуживанием, чтобы минимизировать общее время потока, и выяснили, что проблема заключается в недетерминированном полиномиальном выполнении (NP-полном)2. Ли обсудил ограничение доступности в задачах планирования параллельных машин и одной машины с различными показателями производительности3. Впоследствии Ци и соавт. расширили вышеуказанную проблему, чтобы одновременно учитывать деятельность по техническому обслуживанию оборудования и планирование работ4. Кроме того, Ци исследовал проблему планирования одной машины при одновременном обслуживании и проанализировал производительность эвристических алгоритмов5. Заммори и др. основное внимание уделялось планированию работы одной машины с одновременным выполнением задач по настройке и обслуживанию в зависимости от последовательности6. Чен и др. решил проблему планирования отдельной машины, возникшую в цехе по производству роторов, в котором профилактическое обслуживание с различной эффективностью улучшения7.

В последнее время значительное внимание уделяется проблемам планирования работы одной машины, учитывающим мероприятия по профилактическому техническому обслуживанию и критериям простоя. Джи и др. изучил проблему с невозобновляемыми заданиями и проанализировал коэффициент наихудшего случая алгоритма с наибольшим временем обработки8. Вонг и др. использовал генетический алгоритм (ГА) для минимизации времени выполнения9. Анхель-Белло и др.10,11 и Пачеко и др.12,13 разработали различные эвристические подходы и интеллектуальные алгоритмы для решения проблемы с профилактическим обслуживанием и временем настройки, зависящим от последовательности. Более поздние результаты исследований в этом отношении также можно найти в14,15,16,17,18.

В условиях детерминированного планирования обычно предполагается, что время обработки заданий известно и фиксировано в течение периода планирования. Однако во многих реальных производственных системах работники накапливают опыт и совершенствуют навыки после неоднократного выполнения одних и тех же или похожих задач, что приводит к сокращению фактического времени обработки. Это явление называется эффектом обучения. Бискап19, Ченг и Ван20 независимо друг от друга впервые применили эффект обучения к планированию на одной машине. Бискап продемонстрировал, что планирование с использованием одной машины с эффектом обучения на основе позиции решается за полиномиальное время, когда общее время выполнения или отклонение от общего срока выполнения минимизировано19. Мошеев и Сидни представили общую модель эффекта обучения на основе позиции, расширив модель Бискапа, и проанализировали сложность задач планирования с различными критериями в различных машинных средах21. Ву и Ли дополнительно расширили модель эффекта обучения, в которой фактическое время обработки связано с его положением и общим временем обработки обрабатываемых в данный момент заданий22. После этого Бискап сделал всесторонний обзор планирования с эффектом обучения23. Более поздние исследования планирования на одной машине с эффектом обучения см. 24,25,26.