توسعه چارچوب داده محور برای بهینه سازی قابلیت اطمینان و هزینه نگهداری ناوگان بلدوزرها با الگوریتم ژنتیک چندهدفه (NSGA-II) و روش مونت کارلو

خرابی تجهیزات سنگین موجب توقف عملیات، افزایش هزینه های پنهان، کاهش بهره وری و افت قابلیت اعتماد سیستم می گردد. با توجه به هزینه های بالای خرابی و حساسیت عملیاتی این تجهیزات، برنامه ریزی بهینه ی نگهداری و تعمیرات پیشگیرانه (PM) ضرورتی اساسی در صنایع سنگین به ویژه ماشین آلات عمرانی و معدنی است. هدف از این پژوهش توسعه ی یک چارچوب هوشمند و داده محور برای بهینه سازی برنامه ی نگهداری ناوگان بلدوزرها در شرایط کاری سخت می باشد. در گام نخست داده های واقعی خرابی و تعمیرات شامل زمان وقوع خرابی، مدت تعمیر و هزینه های مرتبط جمع آوری شده و شاخص های قابلیت اعتماد نظیر میانگین زمان بین خرابی ها (MTBF) و میانگین زمان تعمیر (MTTR) استخراج گردید. سپس با بهره گیری از الگوریتم ژنتیک چندهدفه (NSGA-II)، دو تابع هدف حداقل سازی هزینه کل و حداکثرسازی قابلیت دسترسی سیستم به صورت هم زمان بهینه سازی شدند. به منظور بررسی پایداری نتایج در حضور عدم قطعیت داده ها از شبیه سازی مونت کارلو استفاده گردید و پاسخ های مقاوم شناسایی شد. یافته ها نشان داد که مدل پیشنهادی منجر به افزایش قابلیت دسترسی ناوگان تا بیش از ۸۳ و کاهش میانگین هزینه های نگهداری حدود ۱۵% گردید. در نهایت با استفاده از نتایج بهینه تقویم سرویس دوره ای هر ماشین طراحی شد که امکان برنامه ریزی پیشگیرانه و تصمیم گیری اقتصادی را برای مدیران فراهم می سازد.

کلیدواژه ها:

بهینه سازی نگهداری و تعمیرات پیشگیرانه ، قابلیت اطمینان ، میانگین زمان بین خرابی ها (MTBF) ، میانگین زمان تعمیر (MTTR) ، الگوریتم ژنتیک چندهدفه (NSGA-II) ، شبیه سازی مونت کارلو