بهينه سازي تركيبي موجودي قطعات يدكي و فعاليت هاي نگهداري و تعميرات

Joint Optimization of Spare Parts and Condition Based Maintenance Using Monte Carlo Approach

امروزه با توجه به شرايط رقابتي موجود، شركت ها تلاش مي كنند به منظور كاهش هزينه هاي خود، سطح موجودي خود را كاهش دهند. در مديريت و كنترل موجودي در سازمان‌ها، بايد يك توازن بين سطح موجودي قطعات يدكي و هزينه و ريسك ناشي از عدم وجود قطعه به هنگام نياز برقرار نمود. واضح است كه اين سطح از موجودي قطعات يدكي متاثر از خصوصيات دستگاه‌ها و قابليت اطمينان آنها است. به‌طور كلي در صنايع مختلف،سياست‌هاي نگهداري و تعميرات و تعيين ميزان موجودي قطعات يدكي به صورت جداگانه انجام مي‌شوند. در اين مقاله، از شبيه سازي مونت كارلو به منظور بهينه سازي تركيبي فعاليت هاي نگهداري و تعميرات مبتني بر وضعيت و موجودي قطعات يدكي استفاده شده است. از الگوريتم ژنتيك باينري به منظور پيدا كردن مقادير بهينه متغيرهاي تصميم استفاده گرديده است. در اين سياست؛ فواصل بازرسيT))، حداكثر موجودي قطعات يدكي(S)، نقطه سفارش مجدد موجودي قطعات يدكي(s)، سرحد فرسايش به منظور انجام تعويض پيشگيرانهLp)) و نيروي انساني مورد نياز براي انجام تعويض‌هاي اصلاحي و پيشگيرانه (labor)بهينه مي‌شود. در مطالعه موردي براي شبيه‌سازي رويدادهاي مختلف تعميراتي، از بانك اطلاعاتي آناليز روغن يك شركت عمراني شامل 8000 داده آناليز روغن استفاده شده است. شبيه سازي مونت كارلو مورد نظر و همچنين الگوريتم ژنتيك در نرم افزار Matlabكد نويسي شده است و در پايان نتايج حاصل از شبيه سازي مطالعه موردي آورده شده است.

Today according to the competitive conditions, companies try to reduce their inventory level to diminish the costs. In companies inventory management and control should establish a balance between inventory level of spare parts, cost and the risk that arising from absence of part when is needed. It is clear that this level of spare parts inventory affected by facility characteristics and its reliabilities. As a whole in the various industries, maintenance policies and determination of spare parts inventory level individually performed. In this paper is used Monte Carlo simulation to combinatorial optimize the condition based maintenance activities and spare parts inventory. Used binary genetic algorithm to find the optimal values of decision variables. In this optimize policy inspection intervals (T), maximum of spare parts inventory(S), spare parts renewed order point(s), frontier erosion to perform preventive replacement(LP) and human resource required to performing corrective and preventive replacements(labor). In the case study for maintenance events simulation used the oil analysis database of a construction company that included about 8000 data of oil analysis. Intended Monte Carlo simulation and also genetic algorithm coded in Matlab Software and finally the result of simulation is brought.