ارائه یک مدل ریاضی جهت برنامه‌ریزی نگهداری و تعمیرات برمبنای اطلاعات نمودارهای کنترل با رویکرد زنجیره مارکوف

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استاد گروه مهندسی صنایع، دانشکده مهندسی، دانشگاه کردستان،‌ سنندج، ایران

2 استادیار گروه مهندسی صنایع، دانشکدۀ مدیریت مهندسی، دانشگاه صنعتی کرمانشاه، کرمانشاه، ایران

3 کارشناسی ارشد مهندسی صنایع، گروه مهندسی صنایع، دانشکدۀ مهندسی، دانشگاه کردستان،‌ سنندج، ایران

10.22084/ier.2024.5571

چکیده

کنترل فرآیند آماری (SPC) و برنامه‌های مدیریت نگهداری ‌و تعمیرات (نت) دو تکنیک کلیدی برای کنترل فرآیندهای تولیدی است که هدف هردو دستیابی به کیفیت بهینه و کاهش هزینه‌های مرتبط می‌باشد؛ لذا بررسی مدل‌های یکپارچه‌ی نمودارهای کنترل و مدیریت نگهداری ‌و تعمیرات کارآمدتر است. در این مقاله یک مدل یکپارچه نت و کنترل کیفیت توسعه داده شده است. جهت پایش واریانس فرآیند و تعیین شیفت از حالت تحت کنترل به حالت خارج از کنترل از نمودارهای کنترل کیفیت آماری استفاده می‌شود به‌طوری‌که پایش واریانس فرآیند همانند پایش وضعیت در سیاست‌های نت مبتنی‌بر شرایط عمل می‌کند. برخلاف تحقیقات مشابه در زمینه مدل‌های یکپارچه نت و کیفیت، در این تحقیق فرض می‌شود که انحراف‌های بادلیل و زوال فرآیند بر میانگین فرآیند  تأثیرگذار نیست بلکه واریانس فرآیند را تحت  تأثیر قرار خواهد داد و براین مبنا از رویکرد زنجیره مارکوف استفاده شده و مدل توسعه داده شده است. مدل ارائه شده پارامترهای نمودار کنترل پایش واریانس (اندازه نمونه، فواصل نمونه‌گیری و حدود کنترل) را به توجه به بهینه‌سازی هزینه‌های عملیاتی سیستم به‌صورت بهینه مشخص می‌کند. مثال‌ها و تحلیل‌های عددی ارائه شده بیانگر این است که مدل ارائه شده به‌طور مؤثری پارامترهای نمودار کنترل را مشخص می‌کند به‌طوری‌که در کنار حداقل‌سازی هزینه توام نت و کیفیت، نمودار مذکور از خصوصیات آماری مطلوبی هم برخوردار می‌باشد.

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

A Mathematical Model for Maintenance Planning based on the Information of Control Charts Using Markov Chains Approach

نویسندگان [English]

  • Hiwa Farughi 1
  • Hasan Rasay 2
  • Somaye Ramazani 3
1 Assistant Professor, Department of Engineering, University of Kurdistan, Sanandaj, Iran
2 Assistant Professor, Department of Engineering, University of Kurdistan, Sanandaj, Iran
3 M.A. Industrial Engineering, Department of Engineering, University of Kurdistan, Sanandaj, Iran
چکیده [English]

Statistical process control (SPC) and maintenance are two key elements for controlling production systems while the aim of both is improving quality and reducing operational costs. Hence, studying integrated models of maintenance and SPC has recently attracted attentions of researchers. The principal goal of these models is to coordinate the decisions of maintenance and quality control so that the integrated models provide better performance in comparison with stand-alone maintenance/quality control models. In this paper, a production system with two operational states plus a failure state is considered. It is assumed assignable causes only affect variance of the process and mean does not affect.  Based on Markov chains properties, a mathematical model is derived to minimize the joint costs of maintenance and quality control.  The model optimally determines the parameters of the control chart, i.e., sample size, time interval of sampling and coefficient of control chart, in order to minimize the expected cost per time unit. While in most previous integrated models of maintenance and quality control, it was assumed that process deterioration and occurrence of assignable causes only affect the process mean, in this paper, assignable cause changes the process variance. The numerical examples and sensitivity analyses reveal that the proposed model optimaly determines the control chart parameters so that the costs of maintenance and quality can be minimized, and the control chart has suitable statistical properties.

کلیدواژه‌ها [English]

  • Markov Chain
  • Maintenance
  • Control Charts
  • Condition Monitoring
  • Variance Monitoring

مراجع

  • Rasay, H.; Naderkhani, F. & F. Azizi, (2022). “Opportunistic maintenance integrated model for a two-stage manufacturing process”. International Journal of Advanced Manufacturing Technology, vol. 119, no. 11–12, pp. 8173–8191, doi: 10.1007/s00170-021-08571-5.
  • Azizi F. & Salari, N., (2023). “A novel condition-based maintenance framework for parallel manufacturing systems based on bivariate birth/birth–death processes”. Reliab Eng Syst Saf, vol. 229, p. 108798, doi: 10.1016/j.ress.2022.108798.
  • Ahmad, R. & Kamaruddin, S., (2012). “An overview of time-based and condition-based maintenance in industrial application”. Comput Ind Eng, vol. 63, no. 1, pp. 135–149, 2012, doi: 10.1016/j.cie.2012.02.002.
  • Ding, S. & Kamaruddin, S., (2015). “Maintenance policy optimization — literature review and directions”. international journal of advanced manufacturing technology, vol. 76, pp. 1263–1283, doi: 10.1007/s00170-014-6341-2.
  • Rasay, H.; Fallahnezhad, M. S. & Zaremehrjerdi, Y., (2019). “An integrated model of statistical process control and maintenance planning for a two-stage dependent process under general deterioration”. European Journal of Industrial Engineering, vol. 13, no. 2, doi: 10.1504/EJIE.2019.098508.
  • Panagiotidou, S. & Tagaras, G., (2012). “Optimal integrated process control and maintenance under general deterioration”. Reliab Eng Syst Saf, vol. 104, pp. 58–70, doi: 10.1016/j.ress.2012.03.019.
  • Tasias, K. A. & Nenes, G., (2018). “Optimization of a fully adaptive quality and maintenance model in the presence of multiple location and scale quality shifts”. Appl Math Model, vol. 54, pp. 64–81, doi: 10.1016/j.apm.2017.09.014.
  • Mohammad Hadian, S.; Farughi, H. & Rasay, H., (2023). “Development of a simulation-based optimization approach to integrate the decisions of maintenance planning and safety stock determination in deteriorating manufacturing systems”. Comput Ind Eng, vol. 178, doi: 1016/j.cie.2023.109132.
  • Farahani, A. & Tohidi, H., (2021). “Integrated optimization of quality and maintenance: A literature review”. Comput Ind Eng, vol. 151, doi: 10.1016/j.cie.2020.106924.
  • Rasay, H.; Taghipour, S. & Sharifi, M., (2022). “An integrated Maintenance and Statistical Process Control Model for a Deteriorating Production Process”. Reliab Eng Syst Saf, vol. 228, p. 108774, doi: 10.1016/j.ress.2022.108774.
  • AlDurgam, M. M. & Duffuaa, S. O., (2013). “Optimal joint maintenance and operation policies to maximise Overall Systems Effectiveness”. Int J Prod Res, vol. 51, no. 5, pp. 1319–1330, doi: 10.1080/00207543.2012.659351.
  • Taji, J.; Farughi, H. & Rasay, H., (2023). “An integrated Markov chain model for the economic-statistical design of adaptive multivariate control charts and maintenance planning”. European J. of Industrial Engineering, vol. 17, no. 1, p. 1, doi: 10.1504/EJIE.2023.127739.
  • Panagiotidou, S. & Nenes, G., (2009). “An economically designed, integrated quality and maintenance model using an adaptive Shewhart chart”. Reliab Eng Syst Saf, vol. 94, no. 3, pp. 732–741, doi: 10.1016/j.ress.2008.07.003.
  • Yousefi, N.; Tsianikas, S. & Coit, D. W., (2022). “Dynamic maintenance model for a repairable multi-component system using deep reinforcement learning”. Qual Eng, vol. 34, no. 1, pp. 16–35, doi: 10.1080/08982112.2021.1977950.
  • Yin, H.; Zhang, G.; Zhu, H.; Deng, Y. & He, F., (2015). “An integrated model of statistical process control and maintenance based on the delayed monitoring”. Reliab Eng Syst Saf, vol. 133, pp. 323–333, doi: 10.1016/j.ress.2014.09.020.
  • Shrivastava, D.; Kulkarni, M. S. & Vrat, P., (2016). “Integrated design of preventive maintenance and quality control policy parameters with CUSUM chart”. International Journal of Advanced Manufacturing Technology, vol. 82, no. 9–12, pp. 2101–2112, doi: 10.1007/s00170-015-7502-7.
  • Charongrattanasakul, P. & Pongpullponsak, A., (2011). “Minimizing the cost of integrated systems approach to process control and maintenance model by EWMA control chart using genetic algorithm”. Expert Syst Appl, vol. 38, no. 5, pp. 5178–5186, doi: 10.1016/j.eswa.2010.10.044.
  • Abouei Ardakan, M.; Zeinal Hamadani, A.; Sima, M. & Reihaneh, M., (2016). “A hybrid model for economic design of MEWMA control chart under maintenance policies”. The International Journal of Advanced Manufacturing Technology, vol. 83, no. 9–12, pp. 2101–2110, doi: 10.1007/s00170-015-7716-8.
  • Liu, L.; Jiang, L. & Zhang, D., (2017). “An integrated model of statistical process control and condition-based maintenance for deteriorating systems”. Journal of the Operational Research Society, pp. 1–9, doi: 10.1057/s41274-016-0175-2.
  • Rasay, H.; Hadian, S. M.; Naderkhani, F. & Azizi, F., (2023). “Optimal condition based maintenance using attribute Bayesian control chart”. Proc Inst Mech Eng O J Risk Reliab, doi: 10.1177/1748006X231174960.
  • Xiang, Y., (2013). “Joint optimization of X -bar control chart and preventive maintenance policies: A discrete-time Markov chain approach”. Eur J Oper Res, vol. 229, no. 2, pp. 382–390, doi: 10.1016/j.ejor.2013.02.041.
  • Naderkhani, ZG, F.& Makis, V., (2015). “Optimal condition-based maintenance policy for a partially observable system with two sampling intervals”. International Journal of Advanced Manufacturing Technology, vol. 78, no. 5–8, pp. 795–805, doi: 10.1007/s00170-014-6651-4.
نشریه پژوهش های مهندسی صنایع در سیستم های تولید
دوره 11، شماره 23
اسفند 1402
صفحه 161-173

فایل ها

هم رسانی

ارجاع به این مقاله

آمار