دانلود ترجمه مقاله بهینه سازی زمانبندی تعمیرات بر اساس همگام سازی تولید و نگهداری

1. مقدمه 2. شرح مسئله 3. رویکرد پیشنهادی بر اساس دسترس پذیری و هزینه 4. مدل پیش بینی ظرفیت مورد نیاز 5. توزیع فرصت ها و اکتساب وظایف PM 6. الگوریتم ACO برای توزیع PM در رابطه با فرصت ها 7. آزمایش ها و نتایج 8. بهینه سازی کلونی مورچه ها 9. بحث و بررسی 10. نتیجه گیری

چکیده – بررسی های صورت گرفته حاکی از آن است که برای بهبود اثربخشی و بهره وری، تعمیر و نگهداری تجهیزات تولید از اهمیت فزاینده ای برخوردار می باشد. همچنین نحوه ادغام و انجام تعمیرات متعدد در زمینه تولید به منظور پرداختن به مسائل نامشخص نیز مورد توجه قرار گرفته است. هدف از این مقاله ارائه یک رویکرد نوین در زمینه ادغام تعمیرات پیشگیرانه (PM) در برنامه ریزی تولید یک سامانه تولید پیچیده بر پایه دسترس پذیری و هزینه است. لازم به ذکر است که رویکرد پیشنهادی بر دو مرحله زیر وابسته است: در ابتدا از طریق الگوریتم ماشین‌ های یادگیری افراطی، توانایی هر یک از ماشین‌ها پیش‌بینی می‌شود. همچنین، بازه های فرصت طلبانه برای پیاده سازی وظایف PM بر مبنای تحلیل داده های تاریخی مورد محاسبه قرار گرفتند تا تأثیر کمتری بر تولید داشته باشند و بازه زمانی و مدت PM نیز تعیین شود. سپس، در این پژوهش با استفاده از الگوریتم بهینه‌ سازی کلونی مورچگان، برنامه ‌ریزی زمان ‌بندی و کمترین تعداد پرسنل تعمیر و نگهداری محقق می شود. در پایان، بر پایه مطالعه تجربی و توسط داده های تاریخی از سیستم پیاده سازی واقعی ساخت و سیستم تعمیر و نگهداری تجهیزات، امکان سنجی و مزایای این رویکرد مورد بررسی قرار گرفت. نتایج تجربی حاکی از کارایی رویکرد پیشنهادی، کاهش تعداد پرسنل بوده و همچنین وظایف مربوط به تعمیر و نگهداری را نیز تضمین می‌کند. از اینرو، می توان به این نتیجه دست یافت که برای بهبود بهره وری تولید شرکت، این رویکرد پیشنهادی از اثربخشی قابل ملاحظه ای برخوردار می باشد.

Equipment maintenance is momentous for improving production efficiency, how to integrate maintenance into production to address uncertain problems has attracted considerable attention. This paper addresses a novel approach for integrating preventive maintenance (PM) into production planning of a complex manufacturing system based on availability and cost. The proposed approach relies on two phases: firstly, this study predicts required capacity of each machine through extreme learning machine algorithm. Based on analyzing historical data, the opportunistic periods are calculated for implementing PM tasks to have less impact on production and obtain the PM interval and duration. Secondly, this study obtains the scheduling planning and the least number of maintenance personnel through an improved ant colony optimization algorithm. Finally, the feasibility and benefits of this approach are investigated based on empirical study by using historical data from real manufacturing execution system and equipment maintenance system. Experimental results demonstrate the effectiveness of proposed approach, reduce personnel number while guarantee the maintenance tasks. Therefore, the proposed approach is beneficial to improve the company's production efficiency.