مدلي براي بهينه سازي زمانبندي نگهداري و تعميرات پيشگيرانه براي سيستم‌هاي چند جزيي با استفاده از الگوريتم ژنتيك

Providing a model to optimize preventive maintenance schedules for multi-component systems using GA

در اين مقاله يك مدل بهينه زمانبندي نگهداري و تعميرات (نت) پيشگيرانه غير ادواري براي سيستم‌هاي چند جزيي (سري - موازي) ، بر مبناي حداكثر قابليت دسترسي اجزاي سيستم (كه تعيين بازه بازرسي بهينه را به همراه دارد) ارايه شده است. همچنين در اين مقاله علاوه بر تامين سطح قابليت اطمينان مورد نياز سيستم و ارضاي ساير محدوديت‌هاي سيستمي (فعاليت‌هاي نت و منابع در دسترس)، كل هزينه‌هاي (مستقيم و غير مستقيم) مرتبط با نت كمينه شده و برخي از فعاليت‌هاي نت شامل بازرسي و سرويس ساده، تعميرات پيشگيرانه و تعويض پيشگيرانه براي هر جزء پيشنهاد شده است. از آنجا كه مدل پيشنهادي داراي ساختاري پيچيده است، لذا به منظور حل آن از الگوريتم فراابتكاري ژنتيك (G.A) استفاده و نتايج ارايه گرديده است. در پايان، كارايي و استفاده از اين مدل، در قالب يك مطالعه موردي، براي يك سيستم 10 جزيي سري - موازي (نزديك به واقعيت) نشان داده شده است.

In this paper, a non-periodic preventive maintenance scheduling optimization model for multi-component systems is provided based on the maximum availability of system components. In addition to providing the required level of system reliability and satisfy other system constraints (maintenance activities and available resources), total costs (direct and indirect) associated with minimal maintenance and, if necessary, one of the maintenance activities include in inspected and serviced simple, preventive repair and preventive replacement for each component, is proposed. Each of these activities uses various sources and regarding the position of the repairing component, effects differently on the reliability of the system. The costs considered include in direct costs (simple service, repair and replacement) as well as indirect costs (out of order and random failures). Since the proposed model has a complex structure, in order to solve the problem, the Genetic Algorithm (G.A) has been used and the results is presented. In the end, performance and use of this model, for a 10-part series - parallel is presented in the form of a case study.