مهندسی سیستم و بهره‌وری

مهندسی سیستم و بهره‌وری

ارائه مدل ریاضی جهت بررسی مزیت‌های اقتصادی راهبردهای نگهداری و تعمیرات

نوع مقاله : پژوهشی

نویسندگان
حسین شمس 1
غلامرضا هاشم زاده خوراسگانی 2
قنبر عباس پور اسفدن 3
حسن فارسیجانی 4
اشرف شاه‌منصوری 5
1 دانشجوی دکتری، گروه مدیریت صنعتی، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران
2 نویسنده مسئول: استاد، گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
3 دانشیار، گروه مدیریت صنعتی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
4 دانشیار، گروه مدیریت صنعتی و فناوری اطلاعات، دانشگاه شهید بهشتی، تهران، ایران
5 استادیار، گروه مدیریت تکنولوژی، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
10.22034/sep.2025.2051634.1264
چکیده
یکی از مهم‌ترین مفاهیم مدیریت در صنایع تولیدی و بزرگ مفهوم تعمیرونگهداشت است که تأثیر قابل‌توجهی بر بهره‌وری، عملکرد بهینه و همچنین هزینه‌های ناشی از شکست‌های ناگهانی در صنایع تولیدی دارد. بسیاری از مدیران حوزه نگهداری عقیده دارند استفاده از سیاست نگهداری پیش‌بینانه در مقام مقایسه با دیگر سیاست‌های نگهداری به دلیل مدت‌زمان بالاتر چرخه عمر تجهیزات از نگاه هزینه‌ای مناسب‌تر است، اما مستندات قابل اتکائی برای اثبات این عقیده در کسب‌وکارهای تولیدی وجود ندارد. هدف این مقاله طرح‌ریزی یک مدل ریاضی، جهت کمک به مدیران در فرآیند تصمیم‌گیری انتخاب مناسب‌ترین رویکرد نگهداری از منظر هزینه-فایده است. در این مطالعه، ما از توزیع احتمالی گاما برای تخمین زدن مدت‌زمان لازم برای روی دادن پیشامد خرابی در یک پمپ، قبل و پس از خرابی استفاده کردیم. با این کار، ما هزینه سه رویکرد مختلف نگهداری (اصلاحی، پیشگیرانه و پیش‌بینانه) را با در نظر گرفتن پارامترهای مختلف موردبررسی قرار دادیم. مشاهده شد که رویکرد اصلاحی به دلیل فقدان فرآیند نگهداری ازنظر چرخه عمر دارای کوتاه‌ترین مدت‌زمان و ازنظر هزینه دارای بیشترین مقدار است، در مقابل رویکرد پیش‌بینانه ازنظر چرخه عمر طولانی‌ترین مدت‌زمان و ازنظر هزینه دارای کمترین مقدار بود و رویکرد پیشگیرانه بین دو همتای خود قرار گرفت. مدل ریاضی موجود در این تحقیق به مدیران این حوزه جهت تصمیم‌گیری در مورد انتخاب مناسبت‌ترین سیاست نت کمک می‌کند.

تازه های تحقیق

  • یک چارچوب جدید برای تجزیه‌وتحلیل سود  هزینه  پیشنهاد شده است.
  • از فرآیند گاما برای مدل‌سازی فرآیند تخریب در دو حالت با و بدون فرسایش استفاده شد.
  • هدف دستیابی به بهینه‌ترین سیاست نگهداری است. 

کلیدواژه‌ها
راهبردهای نگهداری
توزیع گاما
فرآیند تخریب
تجزیه و تحلیل سود-هزینه
مدل ریاضی
موضوعات

عنوان مقاله English

Presentation of a Mathematical Model to Examine the Economic Advantages of Maintenance Strategies

نویسندگان English

Hossein Shams 1
Gholam Reza Hashemzadeh Khorasgani 2
Ghanbar Abbaspour Esfadan 3
Hassan Farsijani 4
Ashraf Shahmansouri 5
1 Ph.D. Student, Department of Industrial Management, Research and Science Branch, Islamic Azad University, Tehran, Iran
2 Corresponding author: Professor, Department of Industrial Management, South Tehran Branch, Islamic Azad University, Tehran, Iran
3 Associate Professor, Department of Industrial Management, South Tehran Branch, Islamic Azad University, Tehran, Iran
4 Associate Professor, Department of Industrial Management and Information Technology, Shahid Beheshti University, Tehran, Iran
5 Assistant Professor, Department of Technology Management, South Tehran Branch, Islamic Azad University, Tehran, Iran
چکیده English

One of the most important management concepts in large and manufacturing industries is the concept of maintenance, which has a significant impact on productivity, optimal performance, and costs due to sudden failures in manufacturing industries. Many maintenance managers believe that using a proactive maintenance policy is more cost-effective than other maintenance policies due to the longer life cycle of the equipment, but there is no reliable evidence to prove this belief in manufacturing businesses. The purpose of this paper is to design a mathematical model to help managers in the decision-making process of choosing the most appropriate maintenance approach from a cost-benefit perspective. In this study, we used the gamma probability distribution to estimate the time required for a failure event to occur in a pump, before and after the failure. In this work, we examined the cost of three different maintenance approaches (corrective, preventive, and predictive) by considering different parameters. It was observed that the corrective approach, due to the lack of a maintenance process, had the shortest life cycle duration and the highest cost, while the predictive approach had the longest life cycle duration and the lowest cost, and the preventive approach was placed between its two counterparts. The mathematical model in this study helps managers in this field to decide on the most appropriate network policy.

کلیدواژه‌ها English

Maintenance strategies
Gamma distribution
Destruction modeling
Profit-cost analysis
Mathematical model

Copyright © Hossein Shams, Gholam Reza Hashemzadeh Khorasgani, Ghanbar Abbaspour Esfadan, Hassan Farsijani, Ashraf Shahmansouri

 

License

This article is released under the Creative Commons Attribution (CC BY 4.0) license. Anyone is free to copy, share, translate, and adapt this article for any purpose, whether commercial or non-commercial, as long as proper citation is given to the authors and original publication.

Ahmad, A., Ahmad, S. P., & Ahmed, A. (2016). Length-biased weighted Lomax distribution: Statistical properties and application. Pakistan Journal of Statistics and Operation Research, 12(2), 245–255. https://doi.org/10.18187/pjsor.v12i2.1178
Albin, S. L., & Chao, S. (1992). Preventive replacement in systems with dependent components. IEEE Transactions on Reliability, 41(2), 230–238. https://doi.org/10.1109/24.257786
Ahuja, I. P. S., & Khamba, J. S. (2008). Total productive maintenance: Literature review and directions. International Journal of Quality & Reliability Management, 25(7), 709–756. https://doi.org/10.1108/02656710810890890
Alsyouf, I. (2004). Cost effective maintenance for competitive advantages [Doctoral dissertation, Växjö University]. Växjö University Press.
Barajas, L. G., & Srinivasa, N. (2008). Real-time diagnostics, prognostics and health management for large-scale manufacturing maintenance systems. In International Manufacturing Science and Engineering Conference (Vol. 48524, pp. 85–94). American Society of Mechanical Engineers. https://doi.org/10.1115/MSEC_ICMP2008-72511
Bevilacqua, M., & Braglia, M. (2000). The analytic hierarchy process applied to maintenance strategy selection. Reliability Engineering & System Safety, 70(1), 71–83. https://doi.org/10.1016/S0951-8320(00)00047-8
Bhattacharjee, M. C. (1987). New results for the Brown-Proschan model of imperfect repair. Journal of Statistical Planning and Inference, 16, 305–316. https://doi.org/10.1016/0378-3758(87)90083-8
Bloch-Mercier, S. (2002). A preventive maintenance policy with sequential checking procedure for a Markov deteriorating system. European Journal of Operational Research, 142(3), 548–576. https://doi.org/10.1016/S0377-2217(01)00310-1
Chen, N., Ye, Z. S., Xiang, Y., & Zhang, L. (2015). Condition-based maintenance using the inverse Gaussian degradation model. European Journal of Operational Research, 243(1), 190–199. https://doi.org/10.1016/j.ejor.2014.11.029
Chen, C. T., Chen, Y. W., & Yuan, J. (2003). On a dynamic preventive maintenance policy for a system under inspection. Reliability Engineering & System Safety, 80(1), 41–47. https://doi.org/10.1016/S0951-8320(02)00238-7
Dieulle, L., Bérenguer, C., Grall, A., & Roussignol, M. (2003). Sequential condition-based maintenance scheduling for a deteriorating system. European Journal of Operational Research, 150(2), 451–461. https://doi.org/10.1016/S0377-2217(02)00593-3
Eti, M. C., Ogaji, S. O. T., & Probert, S. D. (2006). Reducing the cost of preventive maintenance (PM) through adopting a proactive reliability-focused culture. Applied Energy, 83(11), 1235–1248. https://doi.org/10.1016/j.apenergy.2006.01.002
Gong, X., & Qiao, W. (2014). Current-based mechanical fault detection for direct-drive wind turbines via synchronous sampling and impulse detection. IEEE Transactions on Industrial Electronics, 62(3), 1693–1702. https://doi.org/10.1109/TIE.2014.2363440
Grall, A., Dieulle, L., Bérenguer, C., & Roussignol, M. (2002). Continuous-time predictive-maintenance scheduling for a deteriorating system. IEEE Transactions on Reliability, 51(2), 141–150. https://doi.org/10.1109/TR.2002.1011518
Hu, J., & Chen, P. (2020). Predictive maintenance of systems subject to hard failure based on proportional hazards model. Reliability Engineering & System Safety, 196, 106707. https://doi.org/10.1016/j.ress.2019.106707
Hisada, K., & Arizino, I. (2002). Reliability tests for Weibull distribution with varying shape-parameter, based on complete data. IEEE Transactions on Reliability, 51(3), 331–336. https://doi.org/10.1109/TR.2002.801845
Kouedeu, A. F., Kenné, J. P., Dejax, P., Songmene, V., & Polotski, V. (2015). Production and maintenance planning for a failure-prone deteriorating manufacturing system: A hierarchical control approach. The International Journal of Advanced Manufacturing Technology, 76(5–8), 1607–1619. https://doi.org/10.1007/s00170-014-6175-y
Liao, H., Elsayed, E. A., & Chan, L. Y. (2006). Maintenance of continuously monitored degrading systems. European Journal of Operational Research, 175(2), 821–835. https://doi.org/10.1016/j.ejor.2005.05.017
Montanari, G. C., Mazzanti, G., Cacciari, M., & Fothergill, J. C. (1997). Optimum estimators for the Weibull distribution of censored data. Singly-censored tests [electrical breakdown test data]. IEEE Transactions on Dielectrics and Electrical Insulation, 4(4), 462–469. https://doi.org/10.1109/94.625364
Murthy, D. N. P., Bulmer, M., & Eccleston, J. A. (2004). Weibull model selection for reliability modelling. Reliability Engineering & System Safety, 86(3), 257–267. https://doi.org/10.1016/j.ress.2004.01.014
Orhan, M., & Celik, M. (2024). A literature review and future research agenda on fault detection and diagnosis studies in marine machinery systems. Proceedings of the Institution of Mechanical Engineers, Part M: Journal of Engineering for the Maritime Environment, 238(1), 3–21. https://doi.org/10.1177/14750902221149291
Ramos, P. L., Nascimento, D. C., Cocolo, C., Nicola, M. J., Alonso, C., Ribeiro, L. G., ... & Louzada, F. (2018). Reliability-centered maintenance: Analyzing failure in harvest sugarcane machine using some generalizations of the Weibull distribution. Modelling and Simulation in Engineering, 2018, 1241856. https://doi.org/10.1155/2018/1241856
Roohanizadeh, Z., Baloui Jamkhaneh, E., & Deiri, E. (2023). The reliability analysis based on the generalized intuitionistic fuzzy two-parameter Pareto distribution. Soft Computing, 27(6), 3095–3113. https://doi.org/10.1007/s00500-022-07494-x
Van Noortwijk, J. M. (2009). A survey of the application of gamma processes in maintenance. Reliability Engineering & System Safety, 94(1), 2–21. https://doi.org/10.1016/j.ress.2007.03.019
Wu, H., Huang, A., & Sutherland, J. W. (2022). Layer-wise relevance propagation for interpreting LSTM-RNN decisions in predictive maintenance. The International Journal of Advanced Manufacturing Technology, 118(1–2), 1–16. https://doi.org/10.1007/s00170-021-07911-9
Xie, L., & Li, H. (2023). How to integrate digital twin and virtual reality in robotics systems? Design and implementation for providing robotics maintenance services in data centers. arXiv:2312.13076. https://doi.org/10.48550/arXiv.2312.13076
Yeh, L. (1988). A note on the optimal replacement problem. Advances in Applied Probability, 20(2), 479–482. https://doi.org/10.2307/1427402
Yang, L., Liu, Q., Xia, T., Ye, C., & Li, J. (2022). Preventive maintenance strategy optimization in manufacturing system considering energy efficiency and quality cost. Energies, 15(21), 8237. https://doi.org/10.3390/en15218237

  • تاریخ دریافت 08 بهمن 1403
  • تاریخ بازنگری 06 اسفند 1403
  • تاریخ پذیرش 16 اسفند 1403
  • تاریخ اولین انتشار 16 اسفند 1403
  • تاریخ انتشار 01 شهریور 1404