Integrated decision on spare parts ordering and equipment maintenance under condition based maintenance strategy

• Autorzy: Wang Y. , Zhao J. , Cheng Z. , Yang Z.

Identyfikatory

DOI

10.17531/ein.2015.4.15

Warianty tytułu

PL

Zintegrowany system decyzyjny dotyczący zamawiania części zamiennych i utrzymania ruchu urządzeń w ramach strategii utrzymania zależnej od bieżącego stanu technicznego

• Języki publikacji: EN

Abstrakty

EN

Aiming to optimize the equipment maintenance and the spare parts ordering management jointly, a comprehensive decision model under condition based maintenance (CBM) policy is presented for a single equipment system with continuous and random deterioration. In this model, the equipment deterioration is a continuous Gamma process under a continuous condition monitoring, and the spare parts inventory is controlled by spare parts support probability. Firstly, a spare part support probability model was developed to determine the optimal spare parts stock level S, which is set to meet the requirement of a predetermined stockout probability. Secondly, the equipment replacement and spare parts ordering decision is made to optimize the equipment replacement and spare parts ordering jointly, which is based on the equipment deterioration leveland total operating cost of the system. Thirdly, an integrated decision simulation model is presented for evaluating cost rate, availability and stockout probability. Finally, a numerical example is given to illustrate the performance of this model. The results show that the optimal preventive maintenance threshold obtained from the proposed decision model can satisfy the spare parts support requirements under (S-1, S) inventory control strategy.

PL

Dążąc do jednoczesnej optymalizacji utrzymania ruchu urządzeń i zarządzania zamówieniami części zamiennych, zaproponowano kompleksowy model decyzyjny w ramach strategii utrzymania zależnej od bieżącego stanu technicznego (CBM) przeznaczony dla systemów z pojedynczym urządzeniem i ciągłym oraz losowym zużyciem. W niniejszym modelu, zużycie urządzenia jest ciągłym procesem Gamma z ciągłym monitorowaniem stanu, podczas gdy zapasy części zamiennych są kontrolowane poprzez prawdopodobieństwo wsparcia w zakresie części zamiennych. Po pierwsze, opracowano model prawdopodobieństwa wsparcia w zakresie części zamiennych w celu określenia optymalnego poziomu zapasów części zamiennych S, ustalonej aby spełnić wymogi określonego prawdopodobieństwa braku dostępności. Po drugie, przeprowadzono proces decyzyjny dotyczący wymiany urządzenia i zamawiania części zamiennych w celu jednoczesnej optymalizacji wymiany urządzenia i zamawiania części zamiennych, w oparciu o poziom zużycia urządzenia i całkowity koszt działania systemu. Po trzecie, zaprezentowano zintegrowany symulacyjny model decyzyjny dla oceny poziomu kosztów, dostępności i prawdopodobieństwa jej braku. Zasady niniejszego modelu zilustrowano przykładem numerycznym. Wyniki pokazują, że optymalny próg konserwacji zapobiegawczej uzyskany za pomocą proponowanego modelu decyzyjnego może spełnić wymagania dotyczące części zamiennych w ramach (S-1, S) strategii kontroli zapasów.

Słowa kluczowe

EN

spare parts; inventory control; ordering; condition based maintenance; Monte Carlo simulation

PL

części zamienne; kontrola zapasów; zamówienia; utrzymanie zależne od bieżącego stanu technicznego; symulacja Monte Carlo

• Wydawca: Polskie Naukowo-Techniczne Towarzystwo Eksploatacyjne
• Czasopismo: Eksploatacja i Niezawodność
• Rocznik: 2015
• Tom: Vol. 17, no. 4
• Strony: 591--599
• Opis fizyczny: Bibliogr. 19 poz., rys., tab.

Twórcy

autor

Wang Y.

• Department of Management Engineering Mechanical Engineering College Shijiazhuang 050003, P. R. China

autor

Zhao J.

• Department of Management Engineering Mechanical Engineering College Shijiazhuang 050003, P. R. China

autor

Cheng Z.

• Department of Management Engineering Mechanical Engineering College Shijiazhuang 050003, P. R. China

autor

Yang Z.

• Department of Management Engineering Mechanical Engineering College Shijiazhuang 050003, P. R. China

Bibliografia

• 1. Alenka B. Alenka. Joint optimization of block-replacement and periodic-review spare-provisioning policy. IEEE Transactions on Reliability 2003; 52(1): 112-117, http://dx.doi.org/10.1109/TR.2002.805790.
• 2. Dieulle L. Sequential condition-based maintenance scheduling for a deteriorating system. European Journal of Operational Research 2003; 150: 451-461, http://dx.doi.org/10.1016/S0377-2217(02)00593-3.
• 3. Dohi T. On the optimal ordering policies in maintenance theory: survey and applications. Applied Stochastic Models and Data Analysis 1998; 20(14): 309-321, http://dx.doi.org/10.1002/(SICI)1099-0747(199812)14:4<309::AID-ASM351>3.0.CO;2-R.
• 4. Gamma distribution [Online].Available: http: // www.brightonwebs.co.uk / distributions / Gamma.asp.
• 5. Grall A. A condition-based maintenance policy for stochastically deteriorating systems. Reliability Engineering and System Safety 2002; 76: 167-180, http://dx.doi.org/10.1016/S0951-8320(01)00148-X.
• 6. Grall A. Continuous time predictive maintenance scheduling for a deteriorating system. IEEE Transaction on Reliability 2002; 51: 141-150, http://dx.doi.org/10.1109/TR.2002.1011518.
• 7. Kawai H. An optimal ordering and replacement policy of a Markovian degradation system under complete observation: part I. Journal of the Operational Research Society of Japan 1983; 26(4): 279-291.
• 8. Kawai H. An optimal ordering and replacement policy of a Markovian degradation system under complete observation: part II. Journal of the Operational Research Society of Japan 1983; 26(4): 293-307.
• 9. Liao H T. Maintenance of continuously monitored degrading systems. European Journal of Operational Research 2006; 175: 821-835, http://dx.doi.org/10.1016/j.ejor.2005.05.017.
• 10. Liu Y, Huang H Z. Optimal replacement policy for multi-state system under imperfect maintenance. IEEE Transactions on Reliability 2010; 59(3): 483-495, http://dx.doi.org/10.1109/TR.2010.2051242.
• 11. Lin Y L. Application of random process. Beijing, China, Tsinghua university press, pp. 20-30, 2002.
• 12. Oner K B. Optimization of component reliability in the design phase of capital goods. European Journal of Operational Research 2010; 205(3): 615-624, http://dx.doi.org/10.1016/j.ejor.2010.01.030.
• 13. Park C. Padgett. Accelerated degradation models for failure based on geometric brownian motion and Gamma process. Life-time Data Analysis 2005; 11: 511-527, http://dx.doi.org/10.1007/s10985-005-5237-8.
• 14. Sheu S H. Griffith. Optimal age-replacement policy with age-dependent minimal-repair and random lead-time. IEEE Transaction on Reliability 2001; 50: 302-309, http://dx.doi.org/10.1109/24.974128.
• 15. Sheu S H. Chien. Optimal age-replacement policy of a system subject to shocks with random lead-time. European Journal of Operational Research 2004; 159: 132-144, http://dx.doi.org/10.1016/S0377-2217(03)00409-0.
• 16. Wang C H. Statistical inference for the process of generalized Gamma. Journal of East China University of Science and Technology (Natural Science Edition) 1995; 21(3): 392-399.
• 17. Wang L. Theory and application of maintenance decision models and methods. PhD thesis of Zhejiang University, 2007.
• 18. Wang Y B. Spare parts allocation optimization in a multi-echelon support system based on multi-objective particle swarm optimization method. Ekslpoatacja i Niezawodnosc - Maintenance and Reliability 2014; 16(1): 29–36.
• 19. Yoo Y K. Optimal joint spare stocking and block replacement policy. International Journal of Advance Manufacture Technology 2001; 18: 906–909, http://dx.doi.org/10.1007/PL00003959.