Solteiro

Scientific Reports volume 13, Número do artigo: 9309 (2023) Citar este artigo

Detalhes das métricas

Este artigo discute um problema de escalonamento de máquina única com atividades de manutenção periódica e efeito de aprendizado baseado em posição para minimizar o makespan. Para obter soluções exatas de problemas de pequena escala, um novo modelo de programação inteira binária de dois estágios é formulado. Além disso, também é proposto um algoritmo branch and bound combinando método de contorno e regras de poda. De acordo com a propriedade da solução ótima, uma vizinhança especial de busca é construída. Um algoritmo híbrido de busca genética-tabu baseado em mecanismo genético com técnica tabu como operador é proposto para resolver problemas de média e grande escala. Além disso, para melhorar a eficiência do algoritmo genético e do algoritmo híbrido de busca tabu, o método de Taguchi é usado para ajuste de parâmetros. Além disso, experimentos computacionais são realizados para comparar a eficiência e o desempenho desses algoritmos.

Na programação tradicional de máquinas, é comum assumir que todas as máquinas estão sempre disponíveis durante o período de programação. No entanto, tal suposição não é verdadeira em indústrias de processo reais e sistemas de manufatura. Em muitos casos, as máquinas precisam ser desligadas durante a programação devido a vários motivos, como manutenção preventiva, reparo de pane, etc. Portanto, um modelo realista de programação deve considerar as atividades de manutenção.

As atividades de manutenção são divididas em manutenção corretiva e manutenção preventiva1. A manutenção corretiva é realizada após a ocorrência de uma pane, enquanto a manutenção preventiva é agendada com antecedência. Em comparação com a manutenção preventiva, a manutenção corretiva custa mais e causa consequências mais graves. Por isso, é fundamental evitar manutenções corretivas. A implementação de atividades de manutenção preventiva pode efetivamente diminuir a probabilidade de quebra. Em outras palavras, a manutenção preventiva pode melhorar a disponibilidade das máquinas.

As atividades de manutenção preventiva incluem a substituição de peças da máquina, inspeção, limpeza, lubrificação, reabastecimento e assim por diante. Nos últimos trinta anos, muitos pesquisadores discutiram a manutenção preventiva na literatura de programação. Lee e Liman estudaram a programação de uma única máquina restrita pela manutenção programada para minimizar o tempo total de fluxo e elucidaram que o problema é não determinístico de tempo polinomial completo (NP-completo)2. Lee discutiu uma restrição de disponibilidade em problemas de programação de máquina paralela e de máquina única com várias medidas de desempenho3. Posteriormente, Qi et al. estendeu o problema acima para considerar atividades de manutenção de máquinas e agendamento de tarefas ao mesmo tempo4. Além disso, Qi pesquisou o problema de escalonamento de máquina única sob multimanutenção e analisou o desempenho de algoritmos heurísticos5. Zammori et ai. focado na programação de uma única máquina com tempos de configuração dependentes da sequência e tarefas de manutenção simultaneamente6. Chen et ai. abordou o problema de programação de uma única máquina derivado de uma oficina de produção de rotores em que a manutenção preventiva com eficácia de melhoria diferente7.

Recentemente, os problemas de programação de uma única máquina considerando atividades de manutenção preventiva e critérios makespan receberam atenção considerável. Ji et al. estudaram o problema com tarefas não retomáveis ​​e analisaram a razão de pior caso do algoritmo de maior tempo de processamento8. Wong e outros. empregou algoritmo genético (AG) para minimizar o makespan9. Ángel-Bello et al.10,11 e Pacheco et al.12,13 desenvolveram diferentes abordagens heurísticas e algoritmos de inteligência para resolver o problema com manutenção preventiva e tempos de preparação dependentes da sequência. Resultados de pesquisas mais recentes a esse respeito também podem ser encontrados em14,15,16,17,18.

Em circunstâncias de programação determinística, geralmente assume-se que os tempos de processamento das tarefas são conhecidos e fixos durante o período de programação. No entanto, em muitos sistemas de manufatura reais, os trabalhadores acumulam experiência e aprimoram habilidades depois de lidar repetidamente com as mesmas tarefas ou tarefas semelhantes, resultando em uma redução no tempo real de processamento. Esse fenômeno é chamado de efeito de aprendizagem. Biskup19 e Cheng e Wang20 aplicaram de forma independente o efeito de aprendizagem ao escalonamento de uma única máquina pela primeira vez. Biskup demonstrou que o escalonamento de máquina única com efeito de aprendizado baseado em posição é solucionável em tempo polinomial quando o tempo de fluxo total ou o desvio da data de vencimento comum é minimizado19. Mosheiov e Sidney apresentaram um modelo geral de efeito de aprendizado baseado em posição estendendo o modelo Biskup e analisaram a complexidade de problemas de escalonamento com vários critérios em vários ambientes de máquina21. Wu e Lee estenderam ainda mais o modelo de efeito de aprendizado, no qual o tempo real de processamento está relacionado à sua posição e ao tempo total de processamento das tarefas atualmente processadas22. Posteriormente, Biskup fez uma revisão abrangente sobre escalonamento com efeitos de aprendizagem23. Pesquisas mais recentes sobre escalonamento de máquina única com efeitos de aprendizado, consulte24,25,26.