Separare

Rapporti scientifici volume 13, numero articolo: 9309 (2023) Citare questo articolo

Dettagli sulle metriche

Questo documento discute un problema di pianificazione di una singola macchina con attività di manutenzione periodica ed effetto di apprendimento basato sulla posizione per ridurre al minimo il makespan. Per ottenere soluzioni esatte di problemi su piccola scala, viene formulato un nuovo modello di programmazione binaria intera a due stadi. Inoltre, viene proposto anche un algoritmo branch and bound che combina il metodo del confine e le regole di potatura. Secondo la proprietà della soluzione ottima, viene costruito uno speciale intorno di ricerca. Viene proposto un algoritmo di ricerca ibrido genetico-tabu basato su meccanismo genetico con la tecnica tabu come operatore per risolvere problemi su media e larga scala. Inoltre, per migliorare l'efficienza dell'algoritmo genetico e dell'algoritmo di ricerca ibrido genetico-tabu, viene utilizzato il metodo Taguchi per la regolazione dei parametri. Inoltre, vengono condotti esperimenti computazionali per confrontare l'efficienza e le prestazioni di questi algoritmi.

Nella pianificazione delle macchine tradizionale, è comune presupporre che tutte le macchine siano sempre disponibili durante il periodo di pianificazione. Tuttavia, tale presupposto non è vero nelle industrie di processo e nei sistemi di produzione reali. In molti casi, le macchine devono essere spente durante la pianificazione per una serie di motivi, come la manutenzione preventiva, la riparazione per guasti, ecc. Pertanto, un modello di pianificazione realistico dovrebbe considerare le attività di manutenzione.

Le attività di manutenzione si dividono in manutenzione correttiva e manutenzione preventiva1. La manutenzione correttiva viene eseguita dopo che si è verificato un guasto, mentre la manutenzione preventiva è programmata in anticipo. Rispetto alla manutenzione preventiva, la manutenzione correttiva costa di più e provoca conseguenze più gravi. Pertanto, è fondamentale evitare la manutenzione correttiva. L'implementazione di attività di manutenzione preventiva può ridurre efficacemente la probabilità di guasto. In altre parole, la manutenzione preventiva può migliorare la disponibilità delle macchine.

Le attività di manutenzione preventiva comprendono la sostituzione di parti della macchina, l'ispezione, la pulizia, la lubrificazione, il rifornimento di carburante e così via. Negli ultimi trent’anni, nella letteratura sulla pianificazione, sono numerosi i ricercatori che discutono di manutenzione preventiva. Lee e Liman hanno studiato la pianificazione di una singola macchina vincolata dalla manutenzione programmata per ridurre al minimo il tempo di flusso totale e hanno chiarito che il problema è il tempo polinomiale non deterministico completo (NP-completo)2. Lee ha discusso un vincolo di disponibilità nei problemi di pianificazione di macchine parallele e di macchine singole con varie misure di prestazione3. Successivamente, Qi et al. ha esteso il problema di cui sopra per considerare contemporaneamente le attività di manutenzione della macchina e la pianificazione del lavoro4. Inoltre, Qi ha studiato il problema della pianificazione di una singola macchina in caso di manutenzione multipla e ha analizzato le prestazioni degli algoritmi euristici5. Zammori et al. focalizzato sulla programmazione di una singola macchina con tempi di setup dipendenti dalla sequenza e attività di manutenzione simultanee6. Chen et al. affrontato il problema della programmazione di una singola macchina derivato da un'officina di produzione di rotori in cui la manutenzione preventiva con diversa efficacia di miglioramento7.

Recentemente, i problemi di schedulazione di singole macchine considerando le attività di manutenzione preventiva e i criteri di makespan hanno ricevuto notevole attenzione. Ji et al. ha studiato il problema con i lavori non ripristinabili e ha analizzato il rapporto nel caso peggiore dell'algoritmo con il tempo di elaborazione più lungo8. Wong et al. ha impiegato un algoritmo genetico (GA) per ridurre al minimo il makespan9. Ángel-Bello et al.10,11 e Pacheco et al.12,13 hanno sviluppato diversi approcci euristici e algoritmi di intelligence per risolvere il problema con manutenzione preventiva e tempi di impostazione dipendenti dalla sequenza. Risultati di ricerche più recenti a questo riguardo si possono trovare anche in14,15,16,17,18.

In circostanze di schedulazione deterministica, si presuppone solitamente che i tempi di elaborazione dei lavori siano noti e fissati durante il periodo di schedulazione. Tuttavia, in molti sistemi di produzione reali, i lavoratori accumulano esperienza e migliorano le competenze dopo aver svolto ripetutamente compiti uguali o simili, con una conseguente riduzione dei tempi di lavorazione effettivi. Questo fenomeno è chiamato effetto di apprendimento. Biskup19 e Cheng e Wang20 hanno applicato per la prima volta in modo indipendente l’effetto di apprendimento alla pianificazione di una singola macchina. Biskup ha dimostrato che la schedulazione di una singola macchina con effetto di apprendimento basato sulla posizione è risolvibile in tempo polinomiale quando il tempo di flusso totale o la deviazione dalla data di scadenza comune è minimizzato19. Mosheiov e Sidney hanno presentato un modello generale dell'effetto di apprendimento basato sulla posizione estendendo il modello Biskup e hanno analizzato la complessità dei problemi di pianificazione con vari criteri in vari ambienti macchina21. Wu e Lee hanno ulteriormente esteso il modello dell'effetto di apprendimento, in cui il tempo di elaborazione effettivo è correlato alla propria posizione e al tempo di elaborazione totale dei lavori attualmente elaborati22. Successivamente, Biskup ha effettuato una revisione completa sulla pianificazione con effetti di apprendimento23. Ricerche più recenti sullo scheduling di singole macchine con effetti di apprendimento, vedi24,25,26.