Escolar Documentos
Profissional Documentos
Cultura Documentos
momento. Vrios estudos nesta rea tambm foram realizados para resolver
este problema nas ltimas dcadas. No entanto, as maiorias desses estudos
no levam em conta a necessidades de produo.
Apesar de a relao interdependente entre a produo e programao de
planejamento de manuteno, as duas atividades so geralmente
planejados e executados separadamente nos sistemas de fabrico reais.
Durante muitos anos, a relao entre produo e manuteno tem sido
considerada como um conflito na deciso de gesto. Esta situao stills o
mesmo por causa da falta de comunicao sobre os requisitos de
programao de cada funo (Weinstein e Chung 1999). Os conflitos podem
resultar numa insatisfeita demanda na produo devido s interrupes
vindo as manutenes preventivas (PM) ou mquinas quebradas se o
servio de produo no respeita a perodos esperados do PM. Para evitar
esses conflitos, propomos neste trabalho um modelo multi-objetivo
integrado, tendo em conta a confiabilidade das mquinas para o aspecto
PM. Este modelo permite que o tomador de deciso tenha compromisso de
ter solues reunidas na melhor de dois critrios, um relacionado com a
produo e outro para PM. O trabalho est organizado da seguinte forma: a
seo Reviso da literatura d um levantamento de problemas de
programao tendo em conta manuteno preventiva. Seo "Modelagem
do problema integrado, descreve o modelo integrado da co-produo e
programao de manuteno proposto e o mtodo para avaliar a
indisponibilidade do sistema. A soluo mtodos propostos so
apresentados na seo "Soluo de Mtodo . Seo Teste e resultados"
experimentos com o dois mtodos meta-heursticos so apresentados na
seo "Mtodo de Resoluo. Finalmente, a seo "concluses, conclui o
papel e d as pesquisas futuras.
Literatura
A literatura de programao de mquina tomando em conta a manuteno
pode ser classificada em duas categorias: a abordagem determinstica (ou
sequencial) e a abordagem estocstica (ou integrada). Na literatura
scheduling, um trabalho chamado de no preferencial se um trabalho
deve ser reprocessado totalmente aps a sua manuteno, se o tratamento
interrompido pela atividade da manuteno da mquina.
Na abordagem determinstica (ou sequencial), os intervalos de tempode
aes de PM so conhecidos e prefixados. A maior parte da literatura
pesquisada com manuteno adota essa abordagem comumente chamada
de programao com mquinas de restries de disponibilidade. Todas as
formaes e oficinas conhecidas foram abordadas pelos pesquisadores: uma
nica mquina, mquinas paralelas, flow shop, job shop, open shop e
sistemas hbridos. Considerando o nmero significativo de trabalhos
realizados nesta categoria, ns s analisamos o caso mquina paralelas.
Para o critrio de makespan, (Lee, 1991) tem demonstrado que o problema
de minimizar o makespan com restries de disponibilidade da no
preferencia de caso NP -hard. Ele estudou o problema quando algumas
Na verdade, os autores observaram que o tempo de processamento tornase intolervel quando o nmero de postos de trabalho superior a oito, que
no prtico. (Ruiz et al . 2007) propem um mtodo integrado para
problema flow shop permutacional para minimizar o makespan. Os autores
utilizaram modelos de confiabilidade para determinar o perodo de
manuteno, mantendo um nvel mnimo de confiabilidade durante o
horizonte de planejamento. No entanto, o perodo de manuteno
estabelecido sem ter em conta os requisitos de produo. Eles so fixados
com antecedncia para cada mquina separadamente, uma vez por todas.
Em seguida, a confiabilidade das mquinas considerada como restrio
para otimizar apenas um critrio relacionado a produo.
Para aes de manuteno em uma sequncia de produo, os autores
utilizaram uma estratgia conhecida como preservao da estratgia desde
as tarefas de manuteno esto sempre avanado quando h sobreposio
com os trabalhos de produo. A longo prazo, este critrio aumentar
certamente os custos de manuteno. Neste momento, podemos notar que
todos esses estudos s esto interessado em um critrio sempre
relacionada com o aspecto da produo. In (Kaabi et al. 2003), a funo
objetivo uma soma ponderada de dois critrios: atraso total para o
aspecto de produo e a soma dos atrasos para aspecto de manuteno. Os
autores no usaram modelos de confiabilidade em seus estudos, mas a
nica de ter tentado analisar conjuntamente o aspecto relacionado com a
produo e a um aspecto de manuteno. Eles adotaram a funo escalar
como funo de aptido para selecionar solues. Este mtodo fcil de
implementar, transformando o problema em uma nica otimizao. No
entanto, neste artigo, os pesos das duas funes objetivos so fixados
durante a execuo do algoritmo, dirigir com apenas uma soluo. Nesse
estudo, no foi feita precauo para evitar certas desvantagens conhecidas
deste mtodo. Alm disso, se a frente de Pareto no convexa em seguida,
as reas cncavas da frente permanecem inacessveis mesmo se os valores
de peso so alteradas.
Os servios de manuteno e produo devem colaborar para alcanar um
objetivo comum, o de sistema de maximizao de produtividade. Para isso,
ambos os objetivos de manuteno e produo devem ser considerados
com o mesmo nvel de importncia. No entanto, os critrios relacionados
produo so geralmente antagonistas com as de manuteno: a reduo
de um levanta o outro e vice-versa. Assim, uma soluo de a produo
conjunta e problema de manuteno deve ser um trade-off { Tradeoff ou tradeoff uma expresso que define uma situao em que h conflito de escolha. Ele
se caracteriza em uma ao econmica que visa resoluo de problema mas acarreta outro,
obrigando uma escolha. Ocorre quando se abre mo de algum bem ou servio distinto para se
obter outro bem ou servio distinto} entre os objetivos dos dois servios. Mtodos
A(t ) P (
)
M est operando em um tempo t
A(t ) 1 A(t )
A disponibilidade de uma mquina Mi depende da sua taxa de falha i e sua
taxa de reparo i. Aqui, vamos considerar apenas mquinas cujas taxas de
falha i e reparao taxas i so constantes. Em outras palavras, ns
assumimos que o tempo at a falha (tempo de reparo) de uma mquina de
Mi representado por uma distribuio de probabilidade exponencial tendo
como parmetro a taxa de falha i (resp. reparao taxa parmetro i).
Tambm suposto que as aes de PM so usadas para restaurar a
mquina em uma condio "como novo". Ao levar em conta essas
hipteses, a partir do instante inicial t = 0, a disponibilidade de uma
mquina Mi em tempo t dado pela seguinte expresso (Ebeling, 1997;
Villemeur 1991):
Ai (t )
i
i
exp (i i ) t
i i i i
Ai (t )
i
i
E (t )
i i i i
AS (t ) 1 1 Ai (t )
i 1
AS (t ) 1 AS (t ) 1 Ai (t )
i 1
T 0, t1 , t2 ,..., ts , Cmax
0, t1 , t2 ,..., t s
Dado
onde
so os tempos onde ocorre o
incio das aes de PM para todas as mquinas. Uma vez que a
t0 0
[ti , ti 1 ] i 0,...,s
indisponibilidade acrescida para cada intervalo
com
t s 1 Cmax
, e assumido que uma mquina se torna "to bom quanto novo"
no final de cada ao PM, a indisponibilidade do sistema s computado
0, t1 , t2 ,..., ts 1
nos tempos
. O tempo de processamento de uma ao PM na
mquina M assumido como sendo o tempo mdio da ao preventiva, cujo
valor equivalente a 1/i (Adzapka et al. 2004).
F1 Cmax
, que o makespan
im
F2 max AS (t ) 1 Ai (t )
i 1
onde
t T
F2
e
funo
indisponibilidade do sistema.
Mtodo de soluo
Os mtodos de soluo, nos implementamos e comparados dois algoritmos
genticos. O primeiro baseado na funo escalar para a seleo dos pais.
A segunda a bem conhecida NSGA-II (algoritmo gentico de escolha no
dominada), que baseado no conceito de no dominncia. A primeira
escolha motivada pelo fato de que um nico estudo ter levado em conta
dois critrios utilizados na soma ponderada de objetivos como funo de
aptido. A escolha do NSGA-II justificada pela sua eficcia na otimizao
multi-objetivo. No entanto, o uso do modelo de soma ponderada com fixos
valores de peso, como utilizado em (Kaabi et ai. de 2003) no ser justo em
relao ao NSGA-II. Por isso, consideramos algoritmo gentico de soma
ponderada com os mesmos operadores e a vantagem que NSGA-II: mesma
seleo, cruzamento e operadores de mutao. Alm disso, uma estratgia
de elite ser utilizada para este algoritmo por adio de uma populao
secundria, onde solues de elite (non dominated) sero armazenadas.
O f2
f1
f2
( f1 ( x) f1 (y)
( x p y)
domina
se
f 2 ( x) f 2 (y))
e
( f1 ( x) f1 (y)
ou
f 2 ( x) f 2 (y))
. As soluoes no dominantes so obtidas com um algoritmo
evolucionario chamado Pareto front ou superficie tradoff.
No WSGA, a seguinte soma ponderada de dois objectivos usado como
funo de fitness
f ( x) 1 f1 ( x ) 2 f 2 ( x )
(7)
Onde
e
so pesos no negativos
satisfazem as seguintes relaes
i 0
1 2 1
para
i=1,2
(8)
A funo de fitness (7) sujeita as relaes (8) usado para selecionar um
par de novas solues a partir de um par de solues pais por cruzamento e
mutao. Os valores de peso so aleatoriamente especificados, sempre que
um par de solues pais selecionado. Que , quando N pares de soluoes
pais
so selecionados para gerar uma nova populao N, N pesos
diferentes casados so gerados aleatoriamente. Isto significa N direoes de
pesquisas so exploradas em uma nica gerao. No entanto, se os valores
de peso constante so usadas, o sentido de busca fixada. Tal como em
(Ishibuchi et ai. 2003), em WSGA usamos uma estratgia de elitista,
armazenando todas as solues no dominadas obtidos durante a sua
execuo numa populao secundria. Algumas solues no dominadas
so selecionadas aleatoriamente da populao secundria e suas cpias so
adicionados populao atual. Tendo NPOP como o tamanho da populao
e Nelite como o nmero de nondominated (isto , de elite) solues
adicionado populao atual. Usando estas anotaes, o algoritmo WSGA
pode ser escrito como se segue.
Algoritmo 1 WSGA
Passo 0: Gere randomicamente uma populao inicial do tamanho de Npop.
Passo 1: Avalie os objetivos de cada na populao atual. Em seguida,
atualize a populao secundria com as solues no dominadas obtidos a
partir da populao atual.
Passo 2: Selecione (Npop-Nelite) pares de pais, repetindo os procedimentos
a seguir:
a) Gerar os pesos
e
aleatoriamente.
b) Seleccionar um par de pais com base na funo de aptido escalar
(7). O torneio binrio seleo utilizada.
Passo 3: Realize operadores evolutivos (cruzamento e mutao) para cada
um dos pares selecionados (Npop-Nelite) de pais para gerar duas novas
solues para cada par.
Passo 4: Selecionar aleatoriamente N elite solues da populao
secundrio. Em seguida, adicione as suas cpias para as solues (NpopNelite) gerados no Passo 3 para construir uma populao de solues.
At que a condio de parada for atendida
NSGA-II um algoritmo evolutivo multi-objectivo elitista que calcula uma
aproximao do conjunto de solues no dominada, baseado no conceito
no dominante. A cada gerao um processo de classificao usado para
9: end enquanto
10: inclua em Pt+1 o (N-modulo(Pt+1)) de Fi segundo o procedimento de
aglomerao.
11: crie Qt+1 a partir de seleo, crossover e mutao
12: end enquanto
O seguinte procedimento (algoritmo 3) computa a distancia de aglomerao
para cada soluo i na populao S.
Algoritmo 3
Distancia de aglomerao(S)
1: L=|S| \\ numero de soluoes em S
2: para cada i,S [i]distance=0 \\ inicializa as distancias
3: para cada objetivo m
4: S=sort (S,m) \\ tipo usando cada funo objetivo
5: S[1]distance=S[L]distance=
P
P
( p p q)
3: Se
(q p p)
4: Seno se
np
phi faa
8: H=phi
9: Para cada q
Fi
Sp
1 2 0,1 1 2 0,5
,
. Deste modo, a durao das aces PM em ambas
as mquinas igual a 2 unidades de tempo. Suponha que temos que avaliar
o cromossomo.
C ( A, B)
|{b B / a A : a p b}|
|B|
C ( A, B) 1 C ( B, A)
simtrica, isto
, necessrio calcular C(B,A). Portanto,
A melhor que B se C(A,B)>C(B,A).
Resultados computacionais
Para a comparao entre os dois algoritmos usados para resolver o nosso
problema, geramos dez m-mquinas, n-trabalhos problemas em mquinas
paralelas. Usando o nmero de maquinas (m) e o nmero de trabalhos (n),
ns observamos para cada problema o par (m,n). O teste dos problemas
propostos so (2, 10), (2, 20), (3, 20), (3,40), (3, 60), (5, 20), (5, 40), (5, 60),
Tabela 3
A Tabela 4 d a melhor, a mdia, e os piores valores da mtrica C obtido
ao longo dos conjuntos das 540 solues. Como podemos ver a partir desta
tabela, os dois mtodos podem obter valores baixos para este critrio. Em
geral, o nmero de solues obtidas diminui medida que o nmero de
mquinas e aumentar as tarefas. Isto est relacionado com a especificao
de funo indisponibilidade e o facto de as mquinas esto em paralelo. Por
este critrio, NSGA-II supera significativamente WSGA com o nvel de
confiana de 99% pelo teste U de Mann-Whitney.
A Tabela 4 d a melhor, a mdia, e os piores valores da mtrica C obtido ao
longo dos conjuntos de solues 540. Para cada ensaio, no houve diferena
significativa em termos de H mtrica entre os dois mtodos com um nvel
de confiana de 99% pelo teste U de Mann-Whitney. Por outro lado, NSGA-II
supera claramente WSGA em termos de C mtrica, como podemos ver na
Tabela 6.
Tabela 4
Tabela 6
Alm disso, testamos o desempenho de cada algoritmo usando a
melhor combinao dos trs parmetros N pop , PC e Pm para cada problema
teste. Ns escolhemos a combinao dos parmetros de ter dado o melhor
conjunto de solues para cada problema teste para cada algoritmo na
Tabela 5. Os resultados obtidos por cada um algoritmo para cada problema
de ensaio utilizando o H mtrica ea mtrica C pode ser visto na Tabela 7 e 8,
respectivamente.
Tabela 5
Podemos ver na Tabela 7, que WSGA superou NSGA II por trs
problemas de teste em termos da mtrica H. Alm disso, WSGA obtm
resultados semelhantes aos NSGA-II para dois problemas de teste em
termos de C mtrica. No entanto, para os outros problemas de teste NSGA-II
amplamente supera o WSGA, particularmente em termos da mtrica C,
como podemos ver na Tabela 8.
Tabela 7.
Tabela 8.
Concluses
Neste trabalho, propomos um modelo integrado bi- objetivo para resolver o
problema de coproduo e programao de manuteno no caso de
mquina paralela. A fiabilidade do sistema de produo considerada como
um critrio de desempenho. Dois critrios importantes nos sistemas de
produo so bastante otimizado: o makespan e a indisponibilidade do
sistema. Propusemos um novo critrio para programar a manuteno de
aes preventivas dentro da sequncia de produo que permite encontrar
um certo equilbrio entre a indisponibilidade do sistema e os custos de
manuteno. Ns testamos dois algoritmos evolucionrios multi-objetivas
adaptadas ao nosso problema. As solues de Pareto obtidos so trocas
entre os dois objetivos, permitindo que o gerente para fazer dois tipos de
decises, ao mesmo tempo: Decidir qual mquina cada trabalho de
produo atribuda e decidir quando realizar aes de manuteno em
cada mquina de tal forma que os objetivos da ambos os servios so
simultaneamente otimizados. Avaliaes computacionais com dez
problemas de teste e um total de 5.400 casos mostraram que o algoritmo
gentico baseado no conceito de dominao oferecer solues muito
eficientes do que o baseado na funo escalar de acordo com duas medidas
de desempenho. Pretendemos estudar este problema, tendo em conta