ГЕНЕТИЧЕСКИЙ АЛГОРИТМ ОПТИМИЗАЦИИ ГРАФИКА ПЛАНОВО-ПРЕДУПРЕДИТЕЛЬНОГО РЕМОНТА ПРОМЫШЛЕННОГО ОБОРУДОВАНИЯ

 

Генетический алгоритм оптимизации графика

планово-предупредительного

ремонта промышленного оборудования

Шабельникова А.Ю., Васильев Д.А.

Научный руководитель: Васильев Д.А., к.т.н.

Саратовский государственный технический университет, индекс 410054, Россия,

г. Саратов, ул. Политехническая, д.77

E-mail: [email protected]


Современное оборудование промышленных предприятий имеет достаточно высокие расчетные показатели надежности. Однако в процессе эксплуатации под воздействием различных факторов, условий и режимов работы исходное состояние оборудования непрерывно ухудшается, снижается его эксплуатационная надежность и увеличивается вероятность возникновения отказов.

В настоящее время в промышленности для ведения производственной эксплуатации и поддержания технического состояния оборудования в соответствии с требованиями нормативно-технической документации применяется система планово-предупредительного ремонта (ППР). Однако во многих случаях эта система не обеспечивает принятие оптимальных решений. Это объясняется тем, что график ППР строится по нормативным данным. В связи с этим, возможна ситуация, когда одновременно в ремонт будет выведено достаточно большое количество оборудований и  в силу ограниченности в ресурсах, предприятие может не справиться с организацией проведения всех ремонтных работ. Поэтому без учета ограничений (материальных, временных, трудовых) на используемые ресурсы нельзя обеспечить надежную эксплуатацию оборудования при существующей системе ППР.

В данной статье предлагается на основе генетического алгоритма [1] получить наиболее оптимальный состав оборудования, выводимого в ремонт на текущий месяц (год), с учетом всех ограничений на используемые ресурсы предприятия.

Генетические алгоритмы (ГА) представляют собой методы оптимизации, основанные на концепциях естественного отбора и генетики.

ГА работают с совокупностью особей (популяцией), каждая из которых представляет возможное решение задачи. Для решения задачи оптимизации графика ППР каждая особь популяции (Z) кодируется одной хромосомой (G), определяющей состав выводимого в ремонт оборудования. Количество ген, образующих хромосому определяются числом оборудования n, представленного в план-графике ППР на текущий месяц (год).

Оценка качества выбора состава оборудования для вывода его в ремонт или на техническое обслуживание осуществляется по векторному критерию , составляющие которого определяются выражениями: , , где F1Z – функция оценки общей сложности ремонтов оборудований из текущего списка, рассчитываемая для особи Z; F2Z – функция оценки степени участия оборудований в технологическом процессе для Z-й особи популяции; Ci - коэффициент, задающий степень сложности ремонта i-го оборудования, определяющийся видом ремонта (капитальный ремонт, средний ремонт, малый ремонт, техническое обслуживание); Si - коэффициент, задающий степень участия i-го оборудования в технологическом процессе; n – количество оборудования, включенного в план-график ремонта на текущий месяц (год).

Целевая функция FZ рассчитывается для каждой особи (списка оборудования, выводимого в ремонт) популяции, для нахождения которой применима свертка критериев вида:

(1)

где ?1, ?2 – коэффициенты, определяющие значимость критериев F1Z и F2Z соответственно и устанавливающиеся лицом, принимающим решения, на этапе формирования и оптимизации план-графика ремонта оборудования.

Оптимизация осуществляется в области допустимых состояний системы с учетом ограничений:

- на материальные ресурсы:

    (2)

где A – суммарный материальный ресурс, необходимый для проведения всех ремонтных работ, связанный с обеспечением их материалами; ai – материальный ресурс, необходимый для проведения ремонтных работ  i-го оборудования;

- на временные ресурсы:

  (3)

где TТП  – общее время на технологическую подготовку к ремонтным работам, включающее время на изготовление специального оборудования и приспособлений для ремонтных работ; tТПi – время, необходимое на технологическую подготовку к ремонтным работам i-го оборудования;

- на трудовые ресурсы:

(4)

где Wk – имеющееся количество рабочих для проведения k-го вида ремонтных работ; wik- количество рабочих, задействованных в k-м виде ремонтных работ i-го оборудования; M – количество видов ремонтных работ.

Поэтому каждое оборудование (ген хромосомы) связано с набором параметров (Ci, Si, ai, tТПi, wik) задачи.

При создании исходной популяции в хромосому каждой особи на место гена оборудования (GiZ) случайным образом записывается число из двоичного множества D, определяющее факт присутствия или отсутствия оборудования в списке. После получения исходной популяции начинается ее развитие и размножение, т.е. движение к оптимуму (1). Для этого применяют процедуры скрещивания и мутации. Процедура скрещивания заключается в следующем: из текущего поколения особей случайно выбираются две различные особи и далее каждый ген хромосомы потомка с одинаковой вероятностью  принимает значение соответствующего гена либо одного, либо другого родителя. Затем для потомка вычисляются параметры Апот, Тпот, Wпот. После чего проверяется допустимость полученного решения. Если полученное решение удовлетворяет ограничениям задачи (2) – (4) – потомок выживает (полученное решение является допустимым), в противном случае потомок погибает (полученное решение считается неудовлетворительным). В случае, если эти условия для полученного потомка выполняются, то производится сравнение целевой функции потомка Fпот с целевой функцией наихудшей особи FH текущего поколения.

В случае, когда целевая функция потомка меньше целевой функции наихудшей особи, полученный потомок погибает (не приближает к оптимальному решению), иначе выживает и записывается в следующее поколение (поколение потомков), а в текущем поколении родителей уничтожается наихудшая особь (с наименьшей целевой функцией).

Таким образом, при скрещивании особей популяции текущее поколение родителей убывает, а следующее поколение потомков возрастает.

В процессе эволюции возможна такая ситуация, когда среди всех генов особей популяции может не оказаться того гена, который соответствует оптимальному решению. С целью исключения этого применяется процедура мутации, которая заключается в следующем: из текущего поколения случайным образом выбирается некоторая особь GL, параметры этой особи (AL, TтпL, WkL, GiL) записываются в некоторый буфер памяти, из хромосомы данной особи случайно выбирается ген, значение которого изменяется путем инвертирования его значения, в результате этого образуется особь GL* – мутант особи GL, далее рассчитываются параметры мутанта (AL*, TтпL*, WkL*, GiL*), причем, если выполняются условия представленные системой, то считается, что произошла «хорошая мутация» и особь GL, приобретая характеристики и параметры образованного мутанта, остается в текущем поколении особей, качественно улучшая данное поколение.

Если условия не выполняются, то мутация отменяется, «плохая мутация», и из буфера памяти возвращаются исходные значения выбранной для мутации особи.

Последовательное выполнение процедур скрещивания и мутации дает новое поколение особей (потомков, представляющих новые сочетания оборудований, выводимых в ремонт), которое качественно превосходит предыдущее поколение потомков (находится ближе к оптимальному решению).

Таким образом, для задачи выбора оптимального состава оборудования, выводимого в ремонт, каждое новое поколение содержит списки, выбранных оборудований, позволяющих качественно улучшить проведение ремонтных работ и технического обслуживания.

В предложенном алгоритме процесс развития текущего поколения особей организован таким образом, что при наблюдении последовательности длиной w из подряд идущих неудачных скрещиваний, развитие текущего поколения прекращается и осуществляется переход к следующему поколению. Это позволяет получать качественно лучшие поколения потомков, снизить их размерность, достигая при этом приемлемые по точности результаты работы алгоритма. При этом уменьшается время, затрачиваемое на решение поставленной задачи, что является существенным при большой ее размерности (большом количестве оборудования).

Предлагаемый в статье метод решения задачи выбора оптимального состава оборудования, выводимого в ремонт, позволят повысить эффективность организации системы планово-предупредительного ремонта оборудования на промышленных предприятиях и может быть использован в других сферах производственно-хозяйственной деятельности при решении оптимизационных задач.

 

Литература

1.   Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков: Изд-во «ОСНОВА», 1997. 112 с.


 


Генетический алгоритм оптимизации графика планово-предупредительного ремонта промышленного оборудования Шабельникова А.Ю., Васильев Д.А. Научный руководи

Больше работ по теме:

КОНТАКТНЫЙ EMAIL: [email protected]

Скачать реферат © 2017 | Пользовательское соглашение

Скачать      Реферат

ПРОФЕССИОНАЛЬНАЯ ПОМОЩЬ СТУДЕНТАМ