Robust design of maintenance scheduling considering engineering insurance using genetic algorithm
محل انتشار: دهمین کنفرانس بین المللی مهندسی صنایع
سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: انگلیسی
مشاهده: 897
فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IIEC10_364
تاریخ نمایه سازی: 10 شهریور 1393
چکیده مقاله:
Preventive maintenance is a broad term that encompasses a set of activities aimed at improving the overall reliability and availability of a system. Designers of preventive maintenance schedules attempt to minimize the overall cost of system operation. There is no substitue for perfection in maintenance to ensure zero breakdown in machine, therefore it is necessary to get a machinery breakdown insurance against the risks that might occur at business. previous researches don’t consider the effect of engineering insurance on maintenance scheduling while it affect the cost function of maintenance scheduling seriously. Engineering insurance pays for all repair costs of machinery, therefore the cost function of maintenance scheduling is affected. This paper presents a new cost function for maintenance scheduling, as well as uncertainty in the cost parameters related to cost function is very common in application, so we use scenario-based approach for robust design of maintenance scheduling. Then, genetic algorithm for obtaining optimal solution of the proposed robust model is developed and effectiveness of this model is illustrated through a numerical example.
کلیدواژه ها:
نویسندگان
Somayeh Molaei
M.Sc. student, Department of Industrial Engineering Amirkabir University of TechnologyTehran,Iran,
Kaveh Mohammad cyrus
Assistant Professor, Department of Industrial Engineering Amirkabir University of Technology Tehran,Iran,
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :