基于GA_PSO的系统预防性维修策略优化模型

科学技术创新2020.33
基于GA_PSO 的系统预防性维修策略优化模型
曹运龙郭文兵杨伟强
(河南理工大学,河南焦作454003)
1概述
当前制造企业急需思考的一个问题,如何保证对复杂的制造系统进行维护时,以确保其可靠性、经济性和安全性。

目前,大多数维护都是在事后,当系统发生故障了才会去维护,这种方式暴露着效率低、成本高等问题。

与过去相比,可靠性现在是一个更加令人关注的问题,因为现代工程和制造系统的日益复杂性和自动化程度逐渐提升,已导致其对故障的敏感性急剧增加。

提升系统的可靠性方法有各组件可靠性的提升;并行安装冗余组件;将各组件和安装冗余组件结合;用可替换的组件进行替换。

如何快速建立竞争性质量体系是值得思考的问题。

这就要求企业必须以最快的生产速度、低生产成本、高质量产品来占据市场。

考虑到生产系统的复杂性和多变性,这就要求生产系统能够做到低维修次数,生产出高可靠性产品。

所以必须对生产系统做出预防性维修,为决策者提供优化策略。

预防性维护策略研究最先由M o r imu r a [1]
提出,其最重要工作是需要对前N 个故障进行少量维修,并在N 次故障后进行等效更换。

对于预防性维护的研究中,有研究维护与设备的状态的联系、维修与维修成本的关系以及维修与决策的关系[2]。

对于维修与设备的关系一般用寿命的减少[3-5],失效概率减少和功能的退化方法概述[6-8]。

预防性维修策略由预防的类型和预防的次数共同决定的。

它也决定了系统在运行中的可靠性,因此合理的制定系统的预防性维修准则,直接影响系统的是否达到设计的经济性和可靠性。

综上所述,为了制定有效的预防性维修策略,从而避免系统因为反复的维修而降低可靠度和增加维修成本;在系统发生反复故障之前进行预防性的维修,由此来减少系统随时发生故障的次数。

本文旨在研究预防性维修活动与系统故障率与可靠度之间的关系,构建设计费用、维修费用、制造费用、待工费用函数,以系统故障维修成本最小为目标函数,以系统的可靠度为决策变量的模型,最后引入遗传-粒子群算法对模型进行优化求解。

以求找到最佳的预防性维修次数。

2问题描述与假设
在实际生产制造中,对于那些生产系统比较复杂,但制造成本较高的系统,如若发生经常性故障,其造成的损失也是不可估量的。

如果系统发生故障的规律是有迹可循的,因此我们的维修人员就可以在系统的相关设备或元器件发生故障之前就可以将其维修或换下,这样就可以极大的延长系统寿命周期。

基于国内外学者对于预测故障率的研究,韩帮军[9]等提出等效役龄的概念,揭示了生产系统预防性维修周期与故障率的递推
关系。

该模型能够反映生产设备维修成本与维修周期之间的关系在可修复的时间段内,可以揭示预防性维修活动与设备故障之间的动态变化规律。

我们知道,系统在维修前可靠性一般比较低,但进行预防性维修后,可靠性又上升,这就说明,系统的可靠性出现了跳跃性。

根据张芳[10]对于基于多目标优化的电气设备预防性维修模型的研究,我们引入跳跃函数。

在实际生产制造中,系统退化服从w e ib u l l 分布。

其中m 为w e ib u l l 函数的形状参数,它决定着函数递增或递减性。

当
时,系统故障率呈现递减的趋势;当m >1时,系统的故
障率呈递呈趋势,但经过预防性维修后系统的故障率又出现递减的趋势。

从系统有限保障维修期限内出发,对系统进行预防性维修成本进行分析。

除了维修费用,设计费用和制造费用以及待工费用也需要纳入考虑。

下面分别从讨论系统的设计费用、制造费用、维修费用以及待工费用。

3GA_PSO 系统预防性维修成本优化模型
根据实际生产需求,系统在每一个预防性维修周期内系统的可靠度都不得低于实际的设计值,因此系统在预防性周期内成本的优化应该在有可靠度约束进行。

因此以系统在预防性周期内维修成本最小为目标函数,在系统可靠度约束下和预防性次数最小的条件下,建立以下多目标优化模型:
模型中涉及到线性规划和非线性规划,本文利用遗传-粒子群算法来求解多目标优化的预防性维修模型的优化。

以形状参数m 、尺度参数、预防性维修次数n 、预防性周期T i 、预防性维修时间为决策变量,以预防性维修总成本最小和预防性维修次数最小为目标函数进行优化求解。

大量研究表明,GA_PSO 优化算法,迭代收敛性最佳,系统趋于稳定性较快。

因
摘要:针对生产制造系统中对系统的维护不足和维护过剩等问题,考虑预防性维修活动对系统可靠性和维修成本的影响,建立预防性维修计划策略。

通过研究预防性维修活动和系统故障率与可靠度之间的关系,建立系统预防性维修成本和预防性维修次数模型,分析预防性维修活动对维修成本和系统可靠性的影响,基于遗传_粒子群算法对模型进行优化求解。

最后。

以某汽车零部件制造系统为例,验证该模型的可行性,结果表明,该方法具有有效性及经济性,对实际系统的维护具有一定的指导意义。

关键词:可靠性;遗传算法;预防性维修;粒子群算法中图分类号:TH17文献标识码:A 文章编号:2096-4390(2020)
33-0044-02
(1)(2)(3)(4)(5)
44--
2020.33科学技术创新
此该优化算法对于模型寻优有着加速的作用。

4预防性维修算例分析
以某汽车零部件制造系统为研究对象,以该加工中心维修部维修记录为基础,进行统计分析,从而验证所建模型的可靠性。

该生产系统的设备器件加工比较复杂,元器件更换成本较高。

在高负荷运行情况下,倘若不进行控制,生产过程中由于产生的摩擦损伤和腐蚀损伤极易使的元器件报废,因此造成设备维护成本急剧上升。

假设我们在元器件没有达到使用寿命之前就将其更换或进行预防性维护,就能延长其使用寿命,进而来提高系统的高效运行和和保证生产的连续性。

通常w e ib u l l 函数的形状参数都是由根据实际生产过程中工程经验和统计的历史数据来确定,由该生产维护数据统计研究表明,考虑m =2.5,对预防性维修次数和系统的维修成本和策略进行综合优化。

根据以往研究者们的经验,这里假设每次进行预防性维修活动时,系统的役龄回退因子不变。

即
=0.9,i =1,2,3,…n 。

图1预防性维修次数与可靠度的关系
图2寻优迭代过程
图3维修次数与维修成本的关系
从图1、图2、图3可以看出合理的预防性维修活动可以有效的降低系统的维修成本,增加系统的可靠度。

但过度的预防性维修也会增加维修成本。

5结论
综合分析了预防性维修活动对系统的维修成本和系统可靠性的影响。

通过构建系统的预防性维修成本模型,以系统的维修费用和可靠度为评价指标,以预防性维修次数和预防性维修周期为约束条件。

基于遗传-粒子群算法寻找最佳预防性维修次数,相较于等周期维护,更具有效性和适用性,对于系统维护的决策者有一定的工程实用性。

但在实际生产运作中人为的失误也会导致系统的加速失效,以及没有考虑人误对预防性维修活动影响。

这将是下一步的研究工作。

参考文献
[1]Morimura H.On some preventive maintenance policies for IFR.[J].Journal of the Operations Research Society of Japan,1963,12(3).
[2]Shafiee M ,Chukova S.Maintenance models in warranty:A literature review [J].European Journal of Operational Research,2013,229(3):561-572.
[3]石慧,曾建潮.基于寿命预测的预防性维护维修策略[J].计算机集成制造系统,2014,20(005):1133-1140.
[4]石慧,曾建潮.考虑非完美维修的实时剩余寿命预测及维修决策模型[J].计算机集成制造系统,2014,20(09):2259-2266.
[5]Gustavo L.Gilardoni a,Maria Luiza Guerra de Toledo a,Marta A.Freitas b Dynamics of an optimal maintenance policy for imperfect repair models [J].European Journal of Operational Research,2016,248(3):1104-1112.
[6]裴洪,胡昌华,司小胜.不完美维护下基于剩余寿命预测信息的设备维护决策模型[J].自动化学报,2018,044(004):719-729[7]Li Y ,Peng R ,Kucukkoc I ,et al.System reliability optimization for an assembly line under uncertain random environment [J].Computers &Industrial Engineering,2020,146:106-540.
[8]陈光宇,郑舒扬,冯毅.可靠性约束下系统全寿命周期成本优化建模[J].系统工程学报,2015,30(04):442-450.
[9]韩帮军,范秀敏,马登哲.基于可靠度约束的预防性维修策略的优化研究[J].机械工程学报,2003(06):106-109.
[10]张芳基于多目标优化的电气设备预防性维修模型[J].电气应用,2018,
037(023):74-80.
45--。