توسعه یک مدل ریاضی جهت تعیین اندازه بهینه بافر و تخصیص افزونگی در سیستم‌های تولیدی سری-موازی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران

2 استاد، گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبائی، تهران، ایران

3 گروه مدیریت صنعتی، دانشکده مدیریت و حسابداری، دانشگاه علامه طباطبایی، تهران، ایران

4 گروه مهندسی صنایع، دانشکده مهندسی صنایع و مکانیک، دانشگاه آزاد اسلامی، قزوین، ایران

چکیده

مسئله مورد بررسی در این تحقیق، در نظر گرفتن مسائل تخصیص افزونگی و تخصیص بافر به‌صورت هم‌زمان در یک سیستم تولیدی سری-موازی است. هدف از انجام این تحقیق، بهبود دسترس‌پذیری، هزینه‌های کلی سیستم و ظرفیت بافرها از طریق تعیین میزان بهینه بافرهای بین ماشین‌آلات، انتخاب ماشین‌آلات با قابلیت اطمینان بالا و تخصیص آن‌ها و تدوین یک برنامه مناسب تعمیرات و نگهداری است.در این تحقیق از رویکرد ترکیبی شبیه‌سازی، طراحی آزمایش‌ها و شبکه عصبی به‌منظور برآورد اهداف دسترس‌پذیری و هزینه هدف استفاده شد. به‌منظور تحلیل مدل پیشنهادی از یک مثال عددی استفاده شد و بر اساس متدلوژی پیشنهادی مورد تجزیه‌وتحلیل و بررسی قرار گرفت. مدل مربوط به مسئله مورد بررسی، توسط الگوریتم NSGA-II کد نویسی و حل شد و مجموعه جواب‌های پارتو به دست آمد.نتایج حاصل از تحقیق حاکی از اعتبار متدلوژی پیشنهادی برای مسئله مورد بررسی بود.

کلیدواژه‌ها


عنوان مقاله [English]

Developing a Mathematical Model to Determine the Optimum Buffer Size and Redundancy Allocation in Series-Parallel Production Systems 

نویسندگان [English]

  • Mojtaba Aghaei 1
  • Maghsoud Amiri 2
  • Mohammad Taghi Taghavifard 3
  • Parham Azimi 4
1 Ph.D. student, Industrial Management, Operation research, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran.     
2 Prof., Department of Industrial Management, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran. 
3   Prof.Department of Industrial Management, Faculty of Management and Accounting, Allameh Tabataba’i University, Tehran, Iran   
4 Assistant Prof, Faculty of Industrial and Mechanical Engineering, Qazvin Branch, Islamic Azad University, Qazvin, Iran.   
چکیده [English]

 The issue studied in this paper, considering redundancy allocation and buffer allocation problems simultaneously in a series-parallel production system. The purpose of this research is to improve the availability, total system costs and buffer capacity through determining the optimal buffers size between work stations, selecting high reliability machines and assigning them to work stations, and developing a proper maintenance and repair plan. In this paper, the preventive and emergency repairs to machines are allowed and their cost is considered in the cost function. Furthermore, it is assumed that machine failure rates are random and follows a distribution function such as Weibul. Given these assumptions, it is very difficult to obtain the availability and cost functions via mathematical relations, explicitly. Thus, a hybrid simulation, design of experiments, and neural network approach are applied to estimate the availability and cost functions. In order to analyze the proposed model, a numerical example was used
 and based on the proposed methodology, was analyzed and evaluated. The model related to the problem was coded and solved by the NSGA-II algorithm and the Pareto set of answers was obtained. The results of the research indicated the validity of the proposed methodology for the problem under study. 

کلیدواژه‌ها [English]

  • Buffer size
  • design experiments
  • Neural Network
  • Redundancy allocation
  • Simulation
  •  
 [1] Groover M. P. (2010). Fundamentals of Modern Manufacturing: Materials, Processes, and Systems. John Wiley & Sons.
[2] A.K. Tsadiras, C.T. Papadopoulos, M.E.J. O’Kelly. An artificial neural network based decision support system for solving the buffer allocation problem in reliable production lines. Computers & Industrial Engineering 66 (2013) 1150–1162.
[3] Mariano C.H and Pece C.A.Z. (2015). Simulation Optimization Approach to Solve a Complex Multi-objective Redundancy Allocation Problem. Applied Simulation and Optimization, Springer Cham Heidelberg, Newyork.
[4] Yelkenci Kose, S., & Kilincci, O. (2015). Hybrid approach for buffer allocation in open serial production lines, Computers & Operations Research. Computers and Operations Research; 60(c):67-78.
[5] Ernest Koenigsberg, 1959. "Production Lines and Internal Storage:A Review," Management Science, Informs,5(4), 410-433.
[6] Gershwin, S. B., & Schor, J. E. (2000). Efficient algorithms for buffer space allocation. Annals of Operations Research, (93), 117–144.
[7] Manitz, M. (2008). Queuing model based analysis of assembly lines with finite buffers and general services times. Comput Oper Res, 35(8), 2520–2536.
[8] Amiri, M., & Mohtashami, A. (2012). Buffer allocation in unreliable production lines based on design of experiments, simulation, and genetic algorithm. Int J Adv Manuf Technol,(62), 371–383.
[9] Costa, A., Alfieri, A., & Fichera, S. (2015). A parallel tabu search for solving the primal buffer allocation problem in serial production systems, Computers & Operations Research, (64):97-112.
 
[10] امیری, مقصود و علی محتشمی، ۱۳۹۳، حداکثر کردن نرخ تولید از طریق تعیین اندازه بهینه موجودی های بافر با استفاده از رویکرد تلفیقی متدولوژی سطح پاسخ و الگوریتم ژنتیک، فصلنامه بین المللی مهندسی صنایع و مدیریت تولید 25 (2).167-184.
[11] Chern, M. S. (1992). On the computational complexity of reliability redundancy allocation in a series system. Oper Res Lett, (11), 309–315.
[12] Ida, K., Gen, M. and Yokota, T. (1994). System Reliability Optimization with Several Failure Modes by Genetic Algorithm, Proceeding of the 16th International Conference on Computers and Industrial Engineering, Ashikaga of Japan,82.
[13] Yokota, T., Gen, M. and Ida, K. (1995). System Reliability of Optimization Problems with Several Failure Modes by Genetic Algorithm, Japanese Journal of Fuzzy Theory and systems.; Vol. 7, pp. 117-135.
[14] Tavakkoli-Moghaddam, R., Safari, J., Sassani, F. (2008). Reliability optimization of series-parallel systems with a choice of redundancy strategies using a genetic algorithm. Reliability Engineering & System Safety, 93 (4), 550-556.
[15] Chambari, A., Rahmati, S.H., Najafi A.A., & Karimi, A. (2012). A bi-objective model to optimize reliability and cost of system with a choice of redundancy strategies. Computers & Industrial Engineering, 63(1):109–119.
[16] Jiansheng G., Zutong, W., Mingfa, Z., Ying, W. (2014).Uncertain multi-objective redundancy allocation problem of repairable systems based on artificial bee colony algorithm. Chinese Journal of Aeronautics, 27(6): 1477–1487.
[17] Zoulfaghari, H., Zeinal Hamadani, A., & Abouei Ardakan, M. (2014). Bi-objective redundancy allocation problem for a system with mixed repairable and non-repairable components. ISA Transactions. 53: 17–24.
[18] Abouei Ardakan, M., Zeinal Hamadani, A. & Alinaghian, M. (2015). Optimizing bi-objective redundancy allocation problem with a mixed redundancy strategy. ISA Transactions; 55; 116–128.
[19] Kayedpour, F., Amiri, A., Rafizadeh, M., & ShahryariNia, A. (2016). Multi-objective redundancy allocation problem for a system with repairable components considering instantaneous availability and strategy selection. Reliability Engineering & System Safety, 160.132-151.
[20] Heydari M and Sullivan KM. (2018). An Integrated Approach to Redundancy Allocation and Test Planning for Reliability Growth.Computers & Operations Research. 92, 182-193.
[21] محتشمی، علی. یک روش تلفیقی جدید جهت تخصیص افزونگی در سیستم‌های تولیدی با استفاده از اصلاح‌شدهMOPSO وNSGA-II . فصلنامه علمی­ پژوهشی مطالعات مدیریت صنعتی، سال دوازدهم، شماره 33، تابستان 1393.صفحات 97 – 124.
[22] شریفی، مانی؛ دشتی ملجائی، کامران و چراغی، قاسم(1395). بهینه‌سازی همزمان قابلیت اطمینان و هزینه‌ی طراحی در سیستم‌های سری ـ موازی k-o‌u‌t-o‌f-n با در نظرگرفتن نرخ خرابی وابسته به تعداد اجزای در حال کار. مهندسی صنایع و مدیریت، دوره 32(1)، شماره 2(1)، 141-148.
[23] عزیزمحمدی ،روزبه؛ امیری،مقصود؛ توکلی مقدم، رضا و مشاط زادگان، حمیدرضا.ارائه مدلی برای حل مسئله تخصیص افزونگی قابلیت اطمینان به‌وسیله یک الگوریتم رقابتی تلفیقی چندهدفه. فصلنامه علمی­ پژوهشی مطالعات مدیریت صنعتی، سال چهاردهم، شماره ،42، پاییز 1395، صفحات 103 تا 121.
[24] عظیمی، پرهام و هادی نژاد، فرهاد.(1395). ارائه مدل بهینه سازی چند هدفه در مساله تخصیص افزونگی سیستم- های تعمیرپذیر، با بهره گیری از تکنیک های تصمیم گیری چند معیاره، طراحی آزمایشات و شبیه سازی.مطالعات مدیریت صنعتی، دوره 14، شماره 41، 137-165.
[25] فاروقی، هیوا و سلگی، زهرا.(1396). بهینه‌سازی مسئله چند ‌هدفه تخصیص افزونگی و قابلیت اطمینان در سیستم‌های چند‌ وضعیته سری- موازی، مهندسی و مدیریت کیفیت، دوره 7، شماره 3، ، 176-185.
[26] Alrabghi, A., & Tiwari, A. (2016). A novel approach for modeling complex maintenance systems using discrete event simulation. Reliability Engineering and System Safety, 154, 160–170.
[27] Rigdon S.E & Basu A.P.(2000). Statistical Methods for the Reliability of Repairable Systems.Wiley series in probability and statistics.
[28] Stenström, C., Parida, A., & Kumar, U. (2016). Measuring and monitoring operational availability of rail infrastructure. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 230(5), 1457–1468. 
[29] Yahyatabar A., & Najafi A.A.(2016). A quadratic reproduction based Invasive Weed Optimization algorithm to minimize periodic preventive maintenance cost for series-parallel systems. Computers & Industrial Engineering.v(110), 436-461.
[30] M.Okasha Nader & M.Frangopol Dan  Lifetime-oriented multi-objective optimization of structural maintenance considering system reliability, redundancy and life-cycle cost using GA. Structural Safety V(31), I(6),  460-474.
[31] Zheng, Z., Zhou, W., Zheng, Y., & Wu, Y. (2016). Optimal maintenance policy for a system with preventive repair and two types of failures, Computers & Industrial Engineering. 98:102-112.
[32]ربانی، علی؛ زارع، حبیب و بهنیا، فروغ.(1392) .ارائه الگوی مناسب جهت پیاده سازی سیستم نگهداری و تعمیرات در کارخانجات خطوط تولید پیوسته با رویکرد مدل های تصمیم گیری و برنامه ریزی آرمانی فازی. فصلنامه علمی – پژوهشی مطالعات مدیریت صنعتی – سال یازدهم، شماره 31 ، صفحات 85-100.
[33]ربانی، مسعود؛ افرازه، محمدحسین؛ امینی، ساسان؛ فرخی اصل، حامد.(1395). برنامه ریزی یکپارچه تولید و نگهداری و تعمیرات با درنظر گرفتن دورههای یکسان نت. روشهای عددی در مهندسی، سال 36 ،شمارة 2 ، صفحات 63-78.
[33] Mohtashami, A. (2014). A new hybrid method for buffer sizing and machine allocation in unreliable production and assembly lines with general distribution time-dependent parameters. Int J Adv Manuf Technol. 74:1577–1593.
[34] P. Pourkarim Guilani, P. Azimi, S.T.A. Niaki, S.A. Akhavan Niaki. (2016). Redundancy allocation problem of a system with increasing failure rates of components based on Weibull distribution: A simulation-based optimization approach. Reliability Engineering and System Safety. 152;187–196.
[35] Attar, A., Raissi, S., & Khalili-Damghani, K. (2017). A simulation-based optimization approach for free distributed repairable multi-state availability-redundancy allocation problems. Reliability Engineering and System Safety,157, 177–191.
[36] Lavoie Ph.,  Jean-Pierre, K. &  Gharbi, A. (2009).Optimization of production control policies in failure-prone homogenous transfer lines. IIE Transactions 41(3):209-222.
[37] Montgomery, D.C.  (2012). Design and Analysis of Experiments, 8th Edition, Wiley.
[38] Esfe, M. H.,  Razi, P.,  Hajmohammad, M. H.,  Rostamian, S. H., Sami Sarsam, W.,  Akbar Abbasian Arani, A., & Dahari, M. (2017). Optimization, modeling and accurate prediction of thermal conductivity and dynamic viscosity of stabilized ethylene glycol and water mixture Al2O3 nanofluids by NSGA-II using ANN. International Communications in Heat and Mass Transfer, 82, 154-160.
[39] Huang, M., Guang, C., Pao, L., & Chou, Y. (2002). Buffer allocation in flow shop-type production system with general arrival and service patterns. Comput Oper Res, 29(2), 103–121.
[40] Deb, K.(2002). A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II. IEEE Transaction on Evolutionary Computation, VOL. 6, NO. 2.182-197.
[41] Coello Coello C.A., Lamont G.B. & Van Veldhuizen D.A. (2007). Evolutionary Algorithms for Solving Multi-Objective Problems. Second Edition. Springer Science & Business Media.
[42] Pasandideh, S.H.R., Akhavan Niaki, S.T., & Asadi, K. (2015). Bi-objective optimization of a multi-product multi-period three-echelon supply chain problem under uncertain environments: NSGA-II and NRGA. Information Science, 292, 57–74.
[43] Pierreval H., & Durieux S .(2003).Robust simulation with a base environmental scenario. European Journal of Operational Research 182(2):783-793
[44] Chang, Kuo-Hao., & Kuo P.Y. (2018). An efficient simulation optimization method for the generalized redundancy allocation problem.