Abstract




 
   

IJE TRANSACTIONS C: Aspects Vol. 31, No. 12 (December 2018) 1936-1942   

downloaded Downloaded: 0   viewed Viewed: 104

  PROVISION OF MODEL AND DECISION-MAKING ABOUT DECLINING PRODUCTION SYSTEMS USING STOCHASTIC DYNAMIC PROGRAMMING MODEL
 
S. Yazdanparast
 
( Received: May 26, 2018 – Accepted: October 26, 2018 )
 
 

Abstract    On the one hand, due to the increasing complexity of production and distribution such as increasing competitiveness of manufacturing enterprises, increasing product variety, customers' rapidly changing tastes, shortened life of products, complexity of demand forecast, and on the other hand, keys role of consumer and declining goods such as food, pharmaceutical, and health in gross national product of countries, development of management and control models of decline systems have been increasingly taken into account by both academic researchers and industrial managers as interesting topics. Classic economic production model assumes that the production equipment is always in perfect condition and all products are safe, but production machine of real production world may be uncontrolled leading to drastic increase on production rate of nonstandard products. Consider a machine which produces several parts per time interval. This machine, which is declined over time, needs maintenance and repair in order to reach new situation. The increased production rate of faulty parts by machine is the only available index of this decline. The more time intervals are left behind without maintenance, the likelihood that the machine is declined and produces more faulty items will be higher. Choices will be based on the decline rate of machine, type of review, and relevant costs. In this study, we are seeking to set system goal based on the rate of producing faulty parts and machine repair, and then optimize activities related to repair and its costs. Repair time and its frequency will be also effective. This study aims to find a way for calculating policies of optimal production, repair and replacement as well as preventive policies in order to prevent failure of production systems. We are seeking to find decision variables which minimize final cost containing the repair and replacement, maintenance and prevention of failure, etc. on the time horizon. The variables are investigated in a case study of Pishgam Arak part manufacturing Company, and then the optimal conditions will be obtained. The proposed model is based on semi-Markov decision process (SMDP), and thus the stochastic dynamic programming model is used to achieve optimal conditions.

 

Keywords    Machine replacement, stochastic dynamic programming, stochastic decline

 

چکیده    از یک طرف، به دلیل پیچیدگی های تولیدی و توزیع مانند افزایش رقابت شرکت های تولیدی، افزایش تنوع محصولات، سلیقه های سریع در حال تغییر مشتری، کوتاه شدن زندگی محصولات، پیچیدگی پیش بینی تقاضا، و از سوی دیگر، نقش کلید ها از کالاهای مصرفی و کاهش یافته مانند مواد غذایی، دارویی و سلامتی در محصولات ناخالص ملی کشور، توسعه مدیریت و مدل های کنترل سیستم های کاهش، به طور فزاینده ای توسط محققان دانشگاهی و مدیران صنعتی به عنوان موضوعات جالب مورد توجه قرار گرفته است. مدل تولید صنعتی کلاسیک فرض می کند که تجهیزات تولید همیشه در شرایط مطلوب است و تمام محصولات ایمن هستند، اما ماشین تولید دنیای تولید واقعی ممکن است کنترل نشده باشد و منجر به افزایش شدیدی در میزان تولید محصولات غیر استاندارد شود. یک ماشین را در نظر بگیرید که چندین قسمت را در هر فاصله زمانی تولید می کند. این دستگاه، که در طول زمان کاهش یافته است، نیاز به تعمیر و نگهداری و تعمیر دارد تا وضعیت جدیدی به دست آید. میزان تولید تولید قطعات معیوب توسط دستگاه تنها شاخص موجود در این کاهش است. فواصل زمانی بیشتر بدون پشتوانه نگهداری می شوند، احتمال این که دستگاه رد شود و موارد معیوب بیشتری تولید می شود، بیشتر باشد. انتخاب بر اساس میزان کاهش میزان ماشین، نوع بررسی و هزینه های مربوطه خواهد بود. در این مطالعه ما قصد داریم هدف سیستم را براساس میزان تولید قطعات معیوب و تعمیرات دستگاه تعیین کنیم و سپس فعالیت های مربوط به تعمیر و هزینه های آن را بهینه کنیم. زمان تعمیر و فرکانس آن نیز موثر خواهد بود. این مطالعه با هدف یافتن راه حل برای محاسبه سیاست های تولید، تعمیر و تعویض بهینه و همچنین سیاست های پیشگیرانه جهت جلوگیری از شکست سیستم های تولیدی است. ما در حال تلاش برای یافتن متغیرهای تصمیم گیری هستیم که هزینه های نهایی شامل تعمیر و تعویض، تعمیر و نگهداری و پیشگیری از شکست و ... را در افق زمانی به حداقل می رساند. متغیرها در مطالعه موردی شركت تولید بخشی Pishgam Arak مورد بررسی قرار گرفته و سپس شرایط مطلوب به دست می آید. مدل پیشنهادی مبتنی بر فرایند تصمیم گیری نیمه مارکوف (SMDP) است و از این جهت مدل برنامه ریزی دایمی تصادفی برای دستیابی به شرایط مطلوب استفاده می شود.

References    References [1]     Boukas, E.-K., Haurie, A., 1990. Manufacturing flow control and preventive maintenance: a stochastic control approach. IEEE Transactions on Automatic Control 35(9), 1024–1031. [2]     Bowling, S.R., Khasawneh, M.T., Kaewkuekool, S. and Cho, B.R. (2004), A Markovian approach to determining optimum process target levels for a multi-stage serial production system, European Journal of Operational Research, 159, 636-650. [3]     Chand, S. and Sethi, S.P. (1982), Planning horizon procedures for machine replacement models with several possible replacement alternatives; Naval Research Logistics Quarterly, 29, 483-493. [4]     Fallahnezhad M.S., Niaki S.T.A. (2011), A new machine replacement policy based on number of defective items and Markov chains;Iranian Journal of Operations Research 2; 17-28. [5]     Fallahnezhad M.S., Niaki S.T.A.,Eshragh-Jahromi A. (2007), A one-stage two-machines replacement strategy based on the Bayesian inference method;Journal of Industrial and Systems Engineering 1; 235- 250. [6]     Fallahnezhad M.S.,Niaki S.T.A. (2010), A multi-stage two-machines replacement strategy using mixture models, Bayesian inference and stochastic dynamic programming;Communications in Statistics-Theory and Methods 40; 702-725. [7]     Fred R. David; Strategic Management. (2002). Translated by Ali Parsaeian and Dr. Arabi. Sixth edition. Cultural Research Bureau. [8]     Goldstein, T., Ladany, S.P. and Mehrez, A. (1988), A discounted machine replacement model with an expected future technological breakthrough, Naval Research Logistics Quarterly, 35, 209-220. [9]     Grosfeld-Nir A. (2007), Control limits for two-state partially observable Markov decision processes;European Journal of Operational Research 182; 300–304. [10]  Hajshirmohammadi, Ali. (2000). Total Productive Maintenance (TPM); Arkan publications. [11]  Hajshirmohammadi, Ali. (2009). Total Productive Maintenance (TPM); Published by Industrial Management Institute. [12]  Hartman, J.C. and Ban, J. (2002), The series-parallel replacement problem, Robotics and Computer-Integrated Manufacturing, 18, 215-221. [13]  Iravani S.,DuenyasI. (2002), Integrated Maintenance and Production Control of a Deteriorating Production System;IIE Transactions 34; 423-435. [14]  Ivy, J.S. and Nembhard, H.B. (2005), A modeling approach to maintenance decisions using statistical quality control and optimization, Quality and Reliability Engineering International, 21, 355-366. [15]  Khalaj, Mehran (2005). Improvement of productivity by application of PM model. Second National Conference on Maintenance and Repair. [16]  Lai, M.T., and Chen, Y.C., 2006, Optimal periodic replacement policy for a two-unit system with failure rate interaction, International Journal of Advanced Manufacturing Technology, 29 pp. 367-371. [17]  Marsh, R.F. and Nam, S.-H. (2003), The impact of increasing user expectations on machine replacement, IIE Transactions (Institute of Industrial Engineering, 35, 457-466. [18]  Niaki, S.T.A. and Fallahnezhad, M.S. (2007), A decision making framework in production processes using Bayesian inference and stochastic dynamic programming. Journal of Applied science, 7, 3618-3627 [19]  Presman, E.L., Sethi, S.P., Zhang, H. and Bisi, A. (2001), Average cost optimal policy for a stochastic two-machine flowshop with limited work–in-process, Journal of Nonlinear Analysis, 47, 5671-5678. [20]  Rezaei, V.; Saeidi, S. (2006). Principles of vibration and evaluation. Hessam publication. [21]  Rostamian, H., Total Productive Maintenance (TPM) (2008). Termeh publications. [22]  Sepanlou, K.; Behzad, M. (2007). Principles and fundamentals of vibration in maintenance and fault detection of rotating machines. National Iranian Petrochemical Company. [23]  Sethi, S.P., Suo, W., Taksar, M.I. and Zhang, Q. (1997), Optimal production planning in a stochastic manufacturing system with long-run average cost, Journal of Optimization Theory and Applications, 92, 161-188. [24]  Singh, M., SongJ.-S., YanoC., Moreno-Beltran A. (2004),Production and repair decisions with timeconsuming repair and a deadline; Working Paper. [25]   Taylor, W.A. (1992), Guide to acceptance sampling, Taylor Enterprises, Libertyville, IL. [26]  Wu, S. and Clements-Croome, D., 2006, A novel repair model for imperfect maintenance. IMA Journal of Management Mathematics, 17, pp. 235-243.





International Journal of Engineering
E-mail: office@ije.ir
Web Site: http://www.ije.ir