Please wait a minute...
浙江大学学报(工学版)
浙江大学学报(工学版)  2019, Vol. 53 Issue (5): 852-861    DOI: 10.3785/j.issn.1008-973X.2019.05.005
计算机与控制工程     
不确定环境下复杂产品维护、维修和大修服务资源调度优化
杨新宇1,2(),胡业发1,*()
1. 武汉理工大学 机电工程学院，湖北 武汉 430070
2. 郑州轻工业大学 机电工程学院，河南 郑州 450002
Maintenance, repair and overhaul/operations service resource scheduling optimization for complex products in uncertain environment
Xin-yu YANG1,2(),Ye-fa HU1,*()
1. School of Mechanical and Electric Engineering, Wuhan University of Technology, Wuhan 430070, China
2. School of Mechanical and Electric Engineering, Zhengzhou University of Light Industry, Zhengzhou 450002, China
 全文: PDF(1108 KB)   HTML
摘要：

基于对复杂产品维护、维修和大修（MRO）协同服务资源调度的需求分析，从现实角度出发，建立资源调度时间和服务执行时间参数不确定条件下的随机机会约束规划数学模型. 提出由随机模拟、神经网络和离散粒子群优化算法组合成的混合智能算法，求解所提出的优化问题. 随机模拟方法为所建立的神经网络模型提供训练样本集，得到的训练样本集被用于训练神经网络模型以逼近优化目标函数，训练后的神经网络模型被用于代替优化目标函数来执行粒子群算法优化迭代. 该混合算法能有效提升时间参数不确定条件下的复杂产品MRO协同服务资源调度双目标优化问题的求解速度. 案例分析表明，相比于确定性条件下的优化算法，所提出的随机机会约束规划模型和混合算法更适用于求解现实中不确定条件下的MRO服务资源调度问题，所求得的调度方案在实际执行中具有更好的鲁棒性.
关键词： 维护、维修和大修（MRO）服务;  参数不确定性;  随机模拟;  神经网络;  离散粒子群优化算法    
Abstract:

A stochastic chance-constrained programming mathematical model under uncertain resource scheduling time and uncertain service execution time was built from a realistic perspective, based on the requirement analysis of the collaborative maintenance, repair and overhaul/operations (MRO) service resource scheduling of complex products. A hybrid intelligent algorithm composed of the stochastic simulation, the neural network and the discrete particle swarm optimization algorithm was proposed to solve the proposed optimization problem. The training sample set produced by stochastic simulation was used to train the neural network for the approximation of the optimization objective function. The trained neural network model was used to replace the optimization objective function to perform the optimization iterations of particle swarm algorithm. This hybrid intelligent algorithm can effectively improve the solving rate of bi-objective problem of collaborative MRO service resource scheduling of complex products under uncertain time variables. The results of case study showed that the proposed stochastic chance-constrained programming model and the hybrid intelligent algorithm were more suitable for solving the MRO service resource scheduling problem under uncertainty in the reality, compared with the optimization algorithm under certainty. The proposed scheduling scheme was more robust in practical implementation.
Key words: maintenance, repair and overhaul/operations (MRO) service    parameter uncertainty    stochastic simulation    neural network    discrete particle swarm optimization algorithm
收稿日期: 2018-04-15 出版日期: 2019-05-17
CLC:  TP 391  
通讯作者: 胡业发     E-mail: yangxy@zzuli.edu.cn;huyefa@whut.edu.cn
作者简介: 杨新宇（1971—），男，副教授，博士，从事制造服务、网络化协同制造等研究. orcid.org/0000-0003-0215-3791. E-mail： yangxy@zzuli.edu.cn
服务　　
把本文推荐给朋友
加入引用管理器
E-mail Alert
作者相关文章　　
杨新宇
胡业发

引用本文:

杨新宇,胡业发. 不确定环境下复杂产品维护、维修和大修服务资源调度优化[J]. 浙江大学学报(工学版), 2019, 53(5): 852-861.

Xin-yu YANG,Ye-fa HU. Maintenance, repair and overhaul/operations service resource scheduling optimization for complex products in uncertain environment. Journal of ZheJiang University (Engineering Science), 2019, 53(5): 852-861.

链接本文:

http://www.zjujournals.com/eng/CN/10.3785/j.issn.1008-973X.2019.05.005    或    http://www.zjujournals.com/eng/CN/Y2019/V53/I5/852

图 1  多目标优化过程分析
图 2  服务资源调度方案提取组合
图 3  子任务划分及逻辑执行顺序
图 4  本研究所提出的混合算法流程图
图 5  标准粒子群优化算法流程图
图 6  粒子位置数值转化方法
参数 取值
T3×7/h $\left[ {\begin{array}{*{20}{c}} {N(45, 64)}&{N(20, 64)}&{N(30, 16)}&{N(50, 64)}&{N(12, 16)}&{N(10, 25)}&{N(24, 25)} \\ {N(30, 100)}&{N(10, 25)}&{N(12, 16)}&{N(25, 25)}&{N(24, 64)}&{N(15, 64)}&{N(40, 25)} \\ {N(25, 64)}&{N(40, 49)}&{N(20, 25)}&{N(30, 64)}&{N(40, 25)}&{N(30, 25)}&{N(25, 64)} \end{array}} \right]$
H3×7 $\left[ {\begin{array}{*{20}{c}} {0.8}&{0.8}&{0.7}&{0.7}&{0.6}&{0.6}&{0.8} \\ {0.7}&{0.6}&{0.5}&{0.8}&{0.9}&{0.8}&{0.8} \\ {0.6}&{0.8}&{0.6}&{0.8}&{0.8}&{0.8}&{0.7} \end{array}} \right]$
Cg3×7/元 $\left[ {\begin{array}{*{20}{c}} {425}&{385}&{645}&{880}&{1200}&{130}&{250} \\ {350}&{350}&{570}&{980}&{1600}&{220}&{150} \\ {250}&{410}&{780}&{870}&{1300}&{330}&{240} \end{array}} \right]$
Ch3×7/（元/h） $\left[ {\begin{array}{*{20}{c}} {30}&{20}&{55}&{60}&{60}&{15}&{10} \\ {25}&{25}&{60}&{55}&{50}&{10}&{15} \\ {20}&{35}&{50}&{50}&{55}&{10}&{15} \end{array}} \right]$
w1×7 $[ {\begin{array}{*{20}{c}} 4,&\!\!3,&\!\!5,&\!\!6,&\!\!8,&\!\!3,&\!\!4 \end{array}}]$
Tr1×5/h $[ {\begin{array}{*{20}{c}} {N(12, 16)},&{N(30, 64)},&{N(12, 25)},&{N(20, 64)},&{N(12, 64)} \end{array}}]$
O5×7 $\left[ {\begin{array}{*{20}{c}} 0&1&0&0&0&1&0 \\ 1&0&1&0&0&0&1 \\ 1&0&0&0&1&0&1 \\ 0&0&0&1&0&0&1 \\ 0&1&0&0&0&1&1 \end{array}} \right]$
Q5×5 $\left[ {\begin{array}{*{20}{c}} 0&1&1&0&0 \\ 0&0&0&0&1 \\ 0&0&0&1&0 \\ 0&0&0&0&1 \\ 0&0&0&0&0 \end{array}} \right]$


表 1  服务任务调度优化关键参数
图 7  MRO服务调度优化BP网络训练结果
图 8  不同条件下优化所得Pareto最优解集对比
序号 资源组合方案编码 确定条件下适应度 不确定条件下适应度
1 [1，1，1，3，2，2，3] [?17，44.238 6] [?26.299 7，22.476 3]
2 [1，1，1，3，2，2，1] [?16，41.161 1] [?24.081 6，31.819 9]
3 [1，1，1，3，2，3，1] [?12，35.159 9] [?19.129 4，29.524 7]
表 2  确定条件下优化所得资源组合方案及适应度
序号 资源组合方案编码 不确定条件下适应度
1 [1，3，1，3，2，2，1] [?18.775 9，29.160 2]
2 [1，3，1，2，2，2，1] [?18.525 4，28.799 0]
3 [1，1，2，2，2，2，1] [?23.778 4，30.360 0]
4 [1，3，2，2，2，2，1] [?18.497 5，27.935 0]
5 [1，1，1，3，2，2，1] [?24.081 6，31.819 9]
6 [1，3，1，2，2，3，1] [?18.202 6，27.3827 0]
表 3  不确定条件下优化所得资源组合方案及适应度（部分举例）
1 李浩, 纪杨建, 祁国宁, 等 面向全生命周期的复杂装备MRO集成模型研究[J]. 计算机集成制造系统, 2010, 16 (10): 2064- 2072
LI Hao, JI Yang-jian, QI Guo-ning, et al Integration model of complex equipment MRO based on lifecycle management[J]. Computer Integrated Manufacturing Systems, 2010, 16 (10): 2064- 2072
2 LI H, MI S H, LI Q F, et al. A scheduling optimization method for MRO service resources for complex products [J/OL]. Journal of Intelligent Manufacturing [2018-06-10]. https://doi.org/10.1007/s10845-018-1400-4.
3 LI H, JI Y J, GU X J, et al A universal enterprise manufacturing services maturity model: a case study in a Chinese company[J]. International Journal of Computer Integrated Manufacturing, 2014, 27 (5): 434- 449
doi: 10.1080/0951192X.2013.814164
4 SAKAWA M, MORI T An efficient genetic algorithm for job-shop scheduling problems with fuzzy processing time and fuzzy duedate[J]. Computers and Industrial Engineering, 1999, 36 (2): 325- 341
doi: 10.1016/S0360-8352(99)00135-7
5 SAHINIDIS N V Optimization under uncertainty: state-of-the-art and opportunities[J]. Computers and Chemical Engineering, 2004, 28 (6): 971- 983
6 顾幸生 不确定性条件下的生产调度[J]. 华东理工大学学报, 2000, 26 (5): 441- 446
GU Xing-sheng A survey of production scheduling under uncertainty[J]. Journal of East China University of Science and Technology, 2000, 26 (5): 441- 446
doi: 10.3969/j.issn.1006-3080.2000.05.001
7 徐震浩, 顾幸生 不确定条件下的flow shop问题的免疫调度算法[J]. 系统工程学报, 2005, 20 (4): 374- 380
XU Zhen-hao, GU Xing-sheng Immune scheduling algorithm for flow shop problems under uncertainty[J]. Journal of Systems Engineering, 2005, 20 (4): 374- 380
doi: 10.3969/j.issn.1000-5781.2005.04.006
8 张国军, 李婵娟, 朱海平, 等 不确定信息条件下Job-shop调度的混合智能算法[J]. 中国机械工程, 2007, 18 (16): 1939- 1942
ZHANG Guo-jun, LI Chan-juan, ZHU Hai-ping, et al A hybrid intelligent algorithm for Job-shop scheduling under uncertain information environment[J]. China Mechanical Engineering, 2007, 18 (16): 1939- 1942
doi: 10.3321/j.issn:1004-132x.2007.16.012
9 潘全科, 朱剑英 多工艺路线的作业车间模糊调度优化[J]. 中国机械工程, 2004, 15 (24): 2199- 2202
PAN Quan-ke, ZHU Jian-ying An efficient algorithm for job shop scheduling problems with fuzzy processing time, fuzzy duedate and alternative machines[J]. China Mechanical Engineering, 2004, 15 (24): 2199- 2202
doi: 10.3321/j.issn:1004-132X.2004.24.010
10 ADHITYA A, SRINIVASAN R, KARIMI I A Heuristic rescheduling of crude oil operations to manage abnormal supply chain events[J]. AICHE Journal, 2007, 53 (2): 397- 422
doi: 10.1002/(ISSN)1547-5905
11 JHA M K, SHARIAT S, ABDULLAH J, et al Maximizing resource effectiveness of highway infrastructure maintenance inspection and scheduling for efficient city logistics operations[J]. Procedia-Social and Behavioral Sciences, 2012, 39: 831- 844
doi: 10.1016/j.sbspro.2012.03.151
12 MARTORELL S, VILLAMIZAR M, CARLOS S, et al Maintenance modeling and optimization integrating human and material resources[J]. Reliability Engineering and System Safety, 2010, 95 (12): 1293- 1299
doi: 10.1016/j.ress.2010.06.006
13 DE CASTRO F, CAVALCA K L Maintenance resources optimization applied to a manufacturing system[J]. Reliability Engineering and System Safety, 2006, 91 (4): 413- 420
doi: 10.1016/j.ress.2005.02.004
14 郑小强, 刘敏, 孔繁荣, 等 基于云遗传算法的MRO服务调度[J]. 计算机集成制造系统, 2013, 19 (9): 2348- 2354
ZHENG Xiao-qiang, LIU Min, KONG Fan-rong, et al Cloud genetic algorithm based MRO services scheduling model[J]. Computer Integrated Manufacturing Systems, 2013, 19 (9): 2348- 2354
15 李旭. 复杂装备MRO服务的若干关键技术研究[D]. 杭州: 浙江大学, 2012.
LI Xu. Research on some key technologies of MRO service for complex equipment [D]. Hangzhou: Zhejiang University, 2012.
16 密尚华. 复杂产品服务业务建模与资源调度优化方法研究[D]. 郑州: 郑州轻工业学院, 2016.
MI Shang-hua. Modeling and resources scheduling optimization method for the service business process of complex product [D]. Zhengzhou: Zhengzhou University of Light Industry, 2016.
17 李培根. 制造系统性能分析建模:理论与方法[M]. 武汉:华中理工大学出版社, 1998: 25-30.
18 刘宝碇, 赵瑞清, 王纲. 不确定规划及应用[M]. 北京:清华大学出版社, 2003: 24-29.
19 方述成, 汪定伟. 模糊数学与模糊优化[M]. 北京: 科学出版社, 1997: 60-63.
20 KALL P, STEIN W W, PETER K. Stochastic programming [M]. Chichester: Wiley, 1994: 46-49.
21 肖宁 求解随机机会约束规划的混合智能算法[J]. 计算机工程与应用, 2010, 46 (22): 43- 46
XIAO Ning Solving stochastic chance-constrained programming problems with hybrid intelligent algorithm[J]. Computer Engineering and Applications, 2010, 46 (22): 43- 46
doi: 10.3778/j.issn.1002-8331.2010.22.015
22 丁晓东, 吴让泉 含有模糊和随机参数的混合机会约束规划模型[J]. 控制与决策, 2002, 17 (5): 587- 590
DING Xiao-dong, WU Rang-quan Hybrid programming model with fuzzy and stochastic parameters[J]. Control and Decision, 2002, 17 (5): 587- 590
doi: 10.3321/j.issn:1001-0920.2002.05.018
23 焦李成. 神经网络系统理论[M]. 西安:西安电子科技大学出版社, 1992: 55-59.
24 周志华. 机器学习[M]. 北京: 清华大学出版社, 2016: 70-78.
25 郑金华. 多目标进化算法及其应用[M]. 北京: 科学出版社, 2007: 62-68.
26 DEB K, PRATAP A, AGARWAL S, et al A fast and elitist multiobjective genetic algorithm: NSGA-II[J]. IEEE Transactions on Evolutionary Computation, 2002, 6 (2): 182- 197
doi: 10.1109/4235.996017
27 KENNEDY J. Particle swarm optimization [M]// Encyclopedia of machine learning. New York: Springer, 2011: 760-766.
28 曾建潮, 介婧, 崔志华. 微粒群算法[M]. 北京: 科学出版社, 2004: 56-59.
29 KRAUSE J, CORDEIRO J, PARPINELLI R S, et al. A survey of swarm algorithms applied to discrete optimization problems [M]// Swarm intelligence and bio-inspired computation: theory and applications. London: Elsevier, 2013: 169-191.
[1] 许佳辉,王敬昌,陈岭,吴勇. 基于图神经网络的地表水水质预测模型[J]. 浙江大学学报(工学版), 2021, 55(4): 601-607.
[2] 程鸿,胡佳杰,刘勇,叶远青. 强度传输方程和神经网络融合的三维重构算法[J]. 浙江大学学报(工学版), 2021, 55(4): 658-664.
[3] 郑英杰,吴松荣,韦若禹,涂振威,廖进,刘东. 基于目标图像FCM算法的地铁定位点匹配及误报排除方法[J]. 浙江大学学报(工学版), 2021, 55(3): 586-593.
[4] 毛奕喆,龚国芳,周星海,王飞. 基于马尔可夫过程和深度神经网络的TBM围岩识别[J]. 浙江大学学报(工学版), 2021, 55(3): 448-454.
[5] 刘芳,汪震,刘睿迪,王锴. 基于组合损失函数的BP神经网络风力发电短期预测方法[J]. 浙江大学学报(工学版), 2021, 55(3): 594-600.
[6] 陈世达,刘强,韩亮. 降低分布式训练通信的梯度稀疏压缩方法[J]. 浙江大学学报(工学版), 2021, 55(2): 386-394.
[7] 赵燕伟,张健,周仙明,吴耿育. 基于视觉-磁引导的无人机动态跟踪与精准着陆[J]. 浙江大学学报(工学版), 2021, 55(1): 96-108.
[8] 陈纬奇,王敬昌,陈岭,杨勇勤,吴勇. 基于深度神经网络的多因素感知终端换机预测模型[J]. 浙江大学学报(工学版), 2021, 55(1): 109-115.
[9] 陈巧红,陈翊,李文书,贾宇波. 多尺度SE-Xception服装图像分类[J]. 浙江大学学报(工学版), 2020, 54(9): 1727-1735.
[10] 周登文,田金月,马路遥,孙秀秀. 基于多级特征并联的轻量级图像语义分割[J]. 浙江大学学报(工学版), 2020, 54(8): 1516-1524.
[11] 张彦楠,黄小红,马严,丛群. 基于深度学习的录音文本分类方法[J]. 浙江大学学报(工学版), 2020, 54(7): 1264-1271.
[12] 闫旭,范晓亮,郑传潘,臧彧,王程,程明,陈龙彪. 基于图卷积神经网络的城市交通态势预测算法[J]. 浙江大学学报(工学版), 2020, 54(6): 1147-1155.
[13] 沈宗礼,余建波. 基于迁移学习与深度森林的晶圆图缺陷识别[J]. 浙江大学学报(工学版), 2020, 54(6): 1228-1239.
[14] 陶正瑞,党嘉强,徐锦泱,安庆龙,陈明,王力,任斐. 曲面基体绝缘涂镀层涡流测厚高精度标定方法[J]. 浙江大学学报(工学版), 2020, 54(6): 1218-1227.
[15] 汪海晋,尹宗宇,柯臻铮,郭英杰,董辉跃. 基于一维卷积神经网络的螺旋铣刀具磨损监测[J]. 浙江大学学报(工学版), 2020, 54(5): 931-939.