ارائه مدل ترکیبی دو هدفه زمانبندی تولید، با محدودیت منابع ای با رویکرد نگهداری و تعمیرات پیشگیرانه

شریف زادگان, محمد; سهرابی, طهمورث; جعفرنژاد چقوشی, احمد

doi:10.22105/dmor.2021.278207.1343

نوع مقاله : مقاله پژوهشی

نویسندگان

¹ گروه مدیریت صنعتی، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

² گروه مدیریت صنعتی، دانشگاه تهران، تهران، ایران.

https://doi.org/10.22105/dmor.2021.278207.1343

چکیده

هدف: شرایط پیچیده حاکم بر صنایع و افزایش روزافزون هزینه‌های تجهیزات و ماشین‌آلات تولیدی و رقابت‌پذیری در کسب سهم بازار، نقش و اهمیت برنامه‌ریزی تولید و نگهداری و تعمیرات با دیگر بخش‌های صنعت را نشان می‌دهد. یکپارچه‌سازی این‌گونه تصمیمات در راستای کاهش هزینه‌ها و افزایش کیفیت می‌تواند گام‌های اساسی را ایجاد نماید. حفظ و ایجاد در تداوم فعالیت‌های تولیدی درگرو برنامه‌ریزی دقیق و صحیح فعالیت‌های تولید و نگهداری و تعمیرات و چگونگی پشتیبانی از این فرآیندها می‌باشد. نیاز به یکپارچگی و پیوستگی در برنامه‌ریزی هم‌زمان این‌گونه از فعالیت‌ها باعث عدم دوباره‌کاری‌ها و موازی کاری ها و موانع و تاخیرات و ناهماهنگی‌ها در سطوح مختلف تولید می‌شود.
روش‌شناسی پژوهش: در این تحقیق یک مدل ریاضی دو هدفه برنامه‌ریزی تولید و تعمیرات با محدودیت منابع، در شرایط عدم قطعیت ارائه‌شده است.
یافته ها: نتایج حاصل از مقایسه حل دقیق و فرا ابتکاری نشان از بهبود در تولیدات شرکت و استفاده بهینه از منابع مادی و انسانی شده است. تحلیل حساسیت انجام‌شده نشان‌ می‌دهد که نرخ خرابی ماشین قبل و پس از نگه‌داری و تعمیرات پیشگیرانه، تأثیر بسیار زیادی روی مقدار تابع هدف مدل ریاضی دارد. نتایج نشان می‌دهد که متوسط خطای الگوریتم مورچه تنها 3 درصد می‌باشد. این در حالی است که متوسط زمان حل در گمز 45 هزار ثانیه است درصورتی‌که متوسط زمان حل الگوریتم مورچه حدود 354 ثانیه می‌باشد.
اصالت/ارزش افزوده علمی: این موضوع نشان می‌دهد که الگوریتم مورچه با صرف زمان بسیار کمتری، مقدار خطای بسیار اندکی دارد و لذا کارایی این روش حل به‌خوبی قابل تبیین است.

کلیدواژه‌ها

موضوعات

مدل‌سازی ریاضی/ تصادفی/ پویا/احتمالی/فازی

عنوان مقاله [English]

Provide a hybrid model of two production scheduling objectives, with limited resources with a preventive maintenance approach

نویسندگان [English]

Mohamad Sharifzadegan ¹
Tahmourth Sohrabi ¹
Ahmad Jafarnejad Chaghoshi, ²

¹ Department of Management, Central Tehran Branch, Islamic Azad University, Tehran, Iran.

² Department of Industrial Management, University of Tehran, Tehran, Iran.

چکیده [English]

Purpose: The complex conditions prevailing in the industries and the increasing costs of production equipment and machinery and competitiveness in gaining market share, show the role and importance of production planning and maintenance with other parts of the industry. Integrating such decisions can take fundamental steps to reduce costs and increase quality. Maintaining and creating the continuity of production activities depends on accurate and correct planning of production, maintenance activities and how to support these processes. The need for integration and coherence in the simultaneous planning of such activities causes a lack of rework and parallel work and obstacles and delays and inconsistencies at different levels of production.
Methodology: In this research, a two-objective mathematical model of production planning and repairs with limited resources is presented in conditions of uncertainty.
Findings: The results of comparing accurate and meta-innovative solutions show the improvement in the company's products and the optimal use of material and human resources. Sensitivity analysis also shows that the failure rate of the machine before and after preventive maintenance has a great impact on the value of the objective function of the mathematical model. The results show that the average error of the ant algorithm is only 3%. This is while the average solving time in GAMZ is 45,000 seconds, while the average solving time of the ant algorithm is about 354 seconds.
Originality/Value: This shows that the ant algorithm has a very small amount of error with much less time and therefore the efficiency of this solution method can be well explained.

کلیدواژه‌ها [English]

Keywords: Production planning
preventive maintenance
mathematical model
multi-objective ant algorithm

مراجع

Akbari, M. (2017). Scheduling of temporary employees with variable productivity. Management research in Iran, 21(3), 25-37. (In Persian). https://www.sid.ir/fa/Journal/ViewPaper.aspx?id=318611

Bensmain, Y., Dahane, M., Bennekrouf, M., & Sari, Z. (2019). Preventive remanufacturing planning of production equipment under operational and imperfect maintenance constraints: a hybrid genetic algorithm based approach. Reliability engineering & system safety, 185, 546-566. https://doi.org/10.1016/j.ress.2018.09.001

Berrichi, A., Amodeo, L., Yalaoui, F., Châtelet, E., & Mezghiche, M. (2009). Bi-objective optimization algorithms for joint production and maintenance scheduling: application to the parallel machine problem. Journal of intelligent manufacturing, 20(4), 389. https://doi.org/10.1007/s10845-008-0113-5

Bouslah, B., Gharbi, A., & Pellerin, R. (2016). Integrated production, sampling quality control and maintenance of deteriorating production systems with AOQL constraint. Omega, 61, 110-126. https://doi.org/10.1016/j.omega.2015.07.012

Chica, M., Cordón, O., Damas, S., & Bautista, J. (2011). A new diversity induction mechanism for a multi-objective ant colony algorithm to solve a real-world time and space assembly line balancing problem. Memetic computing, 3(1), 15-24. https://doi.org/10.1007/s12293-010-0035-6

Dorigo, M. & Stützele, T. (2004). Ant colony optimization. MIT Press .https://mitpress.mit.edu/books/ant-colony-optimization

Ekin, T. (2018). Integrated maintenance and production planning with endogenous uncertain yield. Reliability engineering & system safety, 179, 52-61. https://doi.org/10.1016/j.ress.2017.07.011

Ertogral, K., & Öztürk, F. S. (2019). An integrated production scheduling and workforce capacity planning model for the maintenance and repair operations in airline industry. Computers & industrial engineering, 127, 832-840. https://doi.org/10.1016/j.cie.2018.11.022

Ettaye, G., El Barkany, A., & El Khalfi, A. (2017). Modeling and optimization a production/maintenance integrated planning. International journal of engineering research in Africa, 28, 169-181. https://doi.org/10.4028/www.scientific.net/JERA.28.169

Glawar, R., Karner, M., Nemeth, T., Matyas, K., & Sihn, W. (2018). An approach for the integration of anticipative maintenance strategies within a production planning and control model. Procedia CIRP, 67, 46-51. https://doi.org/10.1016/j.procir.2017.12.174

Goli, A., Tirkolaee, E. B., Malmir, B., Bian, G. B., & Sangaiah, A. K. (2019). A multi-objective invasive weed optimization algorithm for robust aggregate production planning under uncertain seasonal demand. Computing, 101(6), 499-529. https://doi.org/10.1007/s00607-018-00692-2

Hamrol, A. (2018). A new look at some aspects of maintenance and improvement of production processes. Management and production engineering review, 9(1), 34-43. https://journals.pan.pl/dlibra/publication/119398/edition/103877/content

Jaber, M. Y., Givi, Z. S., & Neumann, W. P. (2013). Incorporating human fatigue and recovery into the learning–forgetting process. Applied mathematical modelling, 37(12-13), 7287-7299. https://doi.org/10.1016/j.apm.2013.02.028

Liao, G. L. (2013). Joint production and maintenance strategy for economic production quantity model with imperfect production processes. Journal of intelligent manufacturing, 24(6), 1229-1240. https://doi.org/10.1007/s10845-012-0658-1

Liu, Q., Dong, M., Chen, F. F., Lv, W., & Ye, C. (2019). Single-machine-based joint optimization of predictive maintenance planning and production scheduling. Robotics and computer-integrated manufacturing, 55, 173-182. https://doi.org/10.1016/j.rcim.2018.09.007

Mishra, A. K., Shrivastava, D., & Gupta, H. (2021). Group preventive maintenance model for multi-unit series system: a tlbo algorithm-based approach. Recent advances in mechanical engineering (pp. 61-69). Springer, Singapore. https://doi.org/10.1007/978-981-15-8704-7_7

Mora, A. M., Merelo, J. J., Laredo, J. L. J., Millán, C., & Torrecillas, J. (2009). CHAC, A MOACO algorithm for computation of bi‐criteria military unit path in the battlefield: presentation and first results. International journal of intelligent systems, 24(7), 818-843. https://doi.org/10.1002/int.20362

Nourelfath, M., Nahas, N., & Ben-Daya, M. (2016). Integrated preventive maintenance and production decisions for imperfect processes. Reliability engineering & system safety, 148, 21-31. https://doi.org/10.1016/j.ress.2015.11.015

Samimi, E., & Sydow, J. (2021). Human resource management in project-based organizations: revisiting the permanency assumption. The international journal of human resource management, 32(1), 49-83.

https://doi.org/10.1080/09585192.2020.1783346

Samimi, E., & Sydow, J. (2020). Human resource management in project-based organizations: revisiting the permanency assumption. The international journal of human resource management, 32(18), 49-83. DOI:10.1080/09585192.2020.1783346

Sana, S. S. (2012). Preventive maintenance and optimal buffer inventory for products sold with warranty in an imperfect production system. International journal of production research, 50(23), 6763-6774. https://doi.org/10.1080/00207543.2011.623838

Schreiber, M., Klöber-Koch, J., Richter, C., & Reinhart, G. (2018). Integrated production and maintenance planning for cyber-physical production systems. Procedia CIRP, 72, 934-939. https://doi.org/10.1016/j.procir.2018.03.144

Wang, L., Lu, Z., & Ren, Y. (2020). Integrated production planning and condition-based maintenance considering uncertain demand and random failures. Proceedings of the institution of mechanical engineers, part b: journal of engineering manufacture, 234(1-2), 310-323.

Wang, T., Zhao, Y., & Zhu, X. (2021). Advanced production plan system of military manufacturing enterprises based on linear programming model. Journal of physics: conference series, 1732(1), p. 012017). IOP Publishing.

Yalaoui, A., Chaabi, K., & Yalaoui, F. (2014). Integrated production planning and preventive maintenance in deteriorating production systems. Information sciences, 278, 841-861. https://doi.org/10.1016/j.ins.2014.03.097

Zheng, J., Yang, H., Wu, Q., & Wang, Z. (2020). A two-stage integrating optimization of production scheduling, maintenance and quality. Proceedings of the institution of mechanical engineers, part b: journal of engineering manufacture, 234(11), 1448-1459.

Smith, R., & Hawkins, B. (2004). Lean maintenance: reduce costs, improve quality, and increase market share. Elsevier.

Moubray, J. (1997). Reliability centered maintenance. Elsevier.

تصمیم گیری و تحقیق در عملیات

ارائه مدل ترکیبی دو هدفه زمانبندی تولید، با محدودیت منابع ای با رویکرد نگهداری و تعمیرات پیشگیرانه

مراجع

مراجع

دوره 6، شماره ویژه
بهمن 1400
صفحه 1-17

ارائه مدل ترکیبی دو هدفه زمانبندی تولید، با محدودیت منابع ای با رویکرد نگهداری و تعمیرات پیشگیرانه

مراجع

مراجع

دوره 6، شماره ویژهبهمن 1400صفحه 1-17

دوره 6، شماره ویژه
بهمن 1400
صفحه 1-17