پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 162 |
| تعداد شماره‌ها | 6,692 |
| تعداد مقالات | 72,232 |
| تعداد مشاهده مقاله | 129,198,431 |
| تعداد دریافت فایل اصل مقاله | 102,028,376 |
ارائه یک مدل ریاضی برای برنامه‌ریزی عملیات نت پیشگیرانه و مبتنی بر وضعیت خطوط ریلی و حل آن با استفاده از الگوریتم ژنتیک | ||
| مدیریت صنعتی | ||
| دوره 17، شماره 1، 1404، صفحه 1-33 اصل مقاله (1.07 M) | ||
| نوع مقاله: مقاله علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/imj.2025.383567.1008199 | ||
| نویسندگان | ||
| علیرضا صدیقی1؛ مهسا قندهاری* 2؛ سید مهدی ابطحی3 | ||
| 1دانشجوی دکتری، گروه مدیریت صنعتی، دانشکدۀ علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. | ||
| 2دانشیار، گروه مدیریت، دانشکده علوم اداری و اقتصاد، دانشگاه اصفهان، اصفهان، ایران. | ||
| 3دانشیار، گروه راه و ترابری، دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان، اصفهان، ایران. | ||
| چکیده | ||
| هدف: خطوط ریلی از بخش‌های بسیار مهم و پُرهزینۀ هر راه‌آهن به حساب می‌آید. تخصیص بهینه و بهنگام عملیات نت، ضامن قابلیت اطمینان سیستم است و به استفادۀ مؤثر از منابع منجر می‌شود. در این مقاله به‌منظور افزایش قابلیت اطمینان خطوط راه‌آهن، حداقل کردن هزینه‌های مرتبط با تعویض و نگهداری قطعات و در عین حال، در نظر گرفتن دسترس‌پذیری، یک مدل ریاضی برای برنامه‌ریزی عملیات نت پیشگیرانه و مبتنی بر وضعیت خطوط ریلی توسعه داده شده است. هدف این مقاله، ارائۀ مدلی به‌منظور حداقل کردن کل هزینه‌های نگهداری و تعمیرات با در نظر گرفتن محدودیت حداقل دسترس‌پذیری و قابلیت اطمینان سیستم است. هزینه‌های درگیر عبارت‌اند از: هزینۀ اجرای عملیات تعمیراتی و نوسازی، هزینۀ مسدودی خط و هزینۀ اصلاح خرابی‌های تصادفی در افق برنامه‌ریزی. برای سادگی محاسبۀ هزینه‌ها، ضمن تقسیم شبکۀ ریلی به قطعاتی از خط، انحراف استاندارد پروفیل طولی، به‌عنوان شاخص کیفیت خطوط در نظر گرفته می‌شود. مدل‌های پیش‌بینی و بازیابی برای به‌دست آوردن تغییرات شاخص کیفیت خطوط در طول دورۀ برنامه‌ریزی توسعه داده می‌شود. عملیات پیشگیرانه شامل بازرسی، زیرکوبی و تعویض لایه بالاست با توجه به حد مجاز شاخص و سایر محدودیت‌ها، به قطعات خط اختصاص داده می‌شود. متوسط تعداد خرابی‌های تصادفی با استفاده از توزیع پواسون ناهمگن برآورد می‌شود و اجرای عملیات پیشگیرانه، بر تعداد خرابی‌های تصادفی تأثیری کاهنده خواهد داشت. روش: با توجه به پیچیدگی و غیرخطی بودن مدل ریاضی، یک الگوریتم فراابتکاری مبتنی بر الگوریتم ژنتیک در نرم‌افزار متلب توسعه داده شده است که در آن، جواب‌های موجه اولیه توسط یک روش ابتکاری تولید می‌شود. به‌عنوان یک مطالعه موردی، جمع‌آوری پارامترهای لازم و مدل‌سازی، برای یک کیلومتر از راه‌آهن ناحیۀ اراک انجام شد. همچنین کارایی الگوریتم ژنتیک پیشنهادی در مقایسه با جواب‌های حاصل از حل دقیق مسئله بررسی شد. یافته‌ها: مثال‌هایی با ابعاد گوناگون با استفاده از داده‌های جمع‌آوری‌شده در مطالعه موردی به‌کمک هر دو روش فراابتکاری و دقیق با استفاده از نرم‌افزار گمز حل شد. برای ابعاد کوچک‌تر جواب‌های بهینۀ حاصل با استفاده از نرم‌افزار گمز با جواب حاصل از الگوریتم ژنتیک منطبق بود. برای ابعاد بزرگ‌تر، به‌دلیل پیچیدگی مسئله، نرم‌افزار گمز یک جواب زیربهینه ارائه داد و جواب حاصل از الگوریتم ژنتیک بهتر بود. در نهایت، در حداکثر بعدی از مسئله که نرم‌افزار گمز قادر به ارائۀ جواب است، مقدار تابع هدف جواب حاصل از الگوریتم ژنتیک، ۴۰ درصد بهتر به‌دست آمد. نتیجه‌گیری: برنامه‌ریزی عملیات نت پیشگیرانۀ خطوط ریلی، در طول افق برنامه‌ریزی با استفاده از حل مدل ریاضی پیشنهادی به‌دست می‌آید. تخصیص عملیات نت، مبتنی بر وضعیت شاخص کیفیت خطوط بوده است و با لحاظ تأثیر کاهنده انجام عملیات پیشگیرانه بر متوسط تعداد خرابی‌های تصادفی، حفظ حداقل دسترس‌پذیری و قابلیت اطمینان سیستم را تضمین می‌کند. پویایی پارامترهای ورودی مدل برای هر قطعه، در هر زمان امکان لحاظ عوامل ناهمگون تأثیرگذار بر زوال خطوط، از قبیل عوامل مبتنی بر خط، ترافیک عبوری و شرایط محیطی و همچنین، تطبیق با شرایط مختلف یا پیاده‌سازی سیاست‌های گوناگون را می‌دهد. همچنین الگوریتم ژنتیک پیشنهادی قابلیت حل کارای مسئله در ابعاد زیاد را دارد. | ||
| کلیدواژه‌ها | ||
| الگوریتم ژنتیک؛ برنامه‌ریزی؛ مدل‌سازی ریاضی؛ نت خطوط ریلی؛ نت پیشگیرانه | ||
| عنوان مقاله [English] | ||
| Condition-Based Preventive Maintenance Planning of Railway Tracks: A Genetic Algorithm-Based Mathematical Model | ||
| نویسندگان [English] | ||
| Alireza Sedighi1؛ Mahsa Ghandehari2؛ Sayyed Mahdi Abtahi3 | ||
| 1Ph.D. Candidate, Department of Industrial Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran. | ||
| 2Associate Prof., Department of Management, Faculty of Administrative Sciences and Economics, University of Isfahan, Isfahan, Iran. | ||
| 3Associate Prof., Department of Civil Engineering, Faculty of Civil Engineering, Isfahan University of Technology, Isfahan, Iran. | ||
| چکیده [English] | ||
| Objective Railway tracks are among the most critical and costly components of any railroad. Optimal and timely maintenance allocation ensures system reliability and effective resource utilization. This article presents a mathematical model designed for condition-based preventive maintenance of railway tracks. The objective is to minimize total maintenance costs while maintaining system availability and reliability. The cost function considers maintenance and renewal expenses, track possession costs, and unplanned failure costs during the planning horizon. The network is divided into segments, with the standard deviation of the longitudinal level calculated as the track quality index. Prediction and recovery models are developed to assess variations in the track quality index over the planning period. Preventive operations, including inspections, tamping, and ballast replacement, are assigned to track segments based on the allowable index limits and other constraints. The expected number of random failures is estimated using the non-homogeneous Poisson process, and preventive operations aim to reduce the incidence of such failures. Methods Given the complexity and non-linearity of the mathematical model, a meta-heuristic method based on a genetic algorithm was developed in MATLAB software. Initial random solutions were generated using a heuristic method. As a case study, input parameters were collected and modeled for one kilometer of railway in the Arak region. The efficiency of the proposed genetic algorithm was then compared with the results obtained using GAMS software. Results For the case study, the mathematical model was solved for various problem dimensions using both methods. When GAMS software was able to achieve the optimal solution, both methods produced identical results. When GAMS could only report a feasible solution, the genetic algorithm outperformed it. For higher dimensions where GAMS provided a solution, the genetic algorithm produced results with objective function values that were 40% better. Conclusion The planning of preventive maintenance operations for railway tracks during the project period is achieved through solving the proposed mathematical model. This allocation is based on the quality index of the tracks and considers the reducing effect of preventive operations on the expected number of random failures, ensuring the required minimum availability and reliability of the system. The variability of the model's input parameters allows for consideration of influencing heterogeneous factors based on the tracks, traffic, and environment, enabling adaptation to different conditions or the implementation of various strategies. Additionally, the proposed genetic algorithm can efficiently solve different dimensions of problem instances. | ||
| کلیدواژه‌ها [English] | ||
| Genetic Algorithm, Mathematical Modelling, Planning, Preventive Maintenance, Railway Track | ||
| مراجع | ||
|
احمدی، سیدحسین و گروسی مختارزاده، نیما (1392). بررسی و اولویت‌بندی میزان حساسیت دستگاه‌ها جهت تعمیرات و نگهداری پیشگیرانه با مدل مارتل و زاراس. مدیریت صنعتی، 5 (2)، 1-22.
اسماعیلیان، مجید و بکران، هاجر (1393). زمانبندی تعمیرات پیشگیرانه (PM) با استفاده از برنامه‌ریزی عدد صحیح و برنامه‌ریزی محدودیتی. مدیریت صنعتی، 6 (3)، 433-452.
اسماعیلیان، مجید؛ جعفرنژاد، احمد و جبلی، سید احسان (1392). ارائه روش‌های ابتکاری جدید برای زمانبندی تعمیرات پیشگیرانه. دوفصلنامه پژوهش در مدیریت تولید و عملیات،4 (1)، 1-20.
جعفرنژاد، احمد؛ جشیره نژادی، علیرضا؛ صفایی، بهزاد و حافظی‌نیا، علی اکبر (1394). ارائه مدل مفهومی نگهداری و تعمیرات با تمرکز بر هزینه‌های آن با استفاده از رویکرد پویایی‌های سیستم. کنفرانس بین‌المللی مدیریت و علوم انسانی.
صدیقی، علیرضا و شفاهی، یوسف (1398). پیش‌بینی زوال هندسی خطوط راه‌آهن با استفاده از الگوریتم‌های یادگیری ماشین، ششمین کنفرانس بین‌المللی پیشرفت‌های اخیر در مهندسی راه‌آهن ICRARE2019 ، دانشگاه علم و صنعت ایران.
فهرست بهای واحد پایه رشته راه، راه‌آهن و باند فرودگاه ـ رسته راه و ترابری (1403). سازمان برنامه و بودجه کشور. معاونت فنی، امور زیربنایی و تولیدی. امور نظام فنی اجرایی، مشاورین و پیمانکاران.
قاسمی، روح اله؛ محقر، علی؛ صفری، حسین و اکبری جوکار، محمدرضا (1395). اولویت‌بندی کاربردهای فناوری اینترنت اشیا در بخش بهداشت و درمان ایران: محرکی برای توسعه پایدار. مدیریت فناوری اطلاعات، 8 (1)، 155-176.
کریمی، تورج؛ آذر، عادل؛ محبان، بهاره و قاسمی، روح اله (1401). تدوین نقشه راه فناوری حمل‌ونقل هوشمند مبتنی بر اینترنت اشیا در صنایع غذایی دارای زنجیره تأمین سرد. مدیریت صنعتی، 14 (2)، 195-219.
مشخصات فنی عمومی روسازی راه‌آهن (بازنگری اول) ـ نشریه شماره 301 (1401). سازمان برنامه و بودجه کشور. معاونت فنی، امور زیربنایی و تولیدی. امور نظام فنی اجرایی، مشاورین و پیمانکاران.
نجات‌نیا، مهدیس؛ ماکوئی، احمد و جبارزاده، آرمین (1402). رتبهبندی شرکتهای حمل‌ونقل بین‌المللی ریلی ایران با استفاده از مدل تصمیمگیری چندمعیاره پویا و سیستم استنتاج فازی. مدیریت صنعتی، 15 (3)، 386-410.
یونس‌پور، مریم؛ اسماعیلیان، مجید و کیانفر، کامران (1402). ارائه مدل شبیه‌سازی ـ بهینه‌سازی برای تعیین بهینه پارامترهای رویکرد برنامه‌ریزی نیازمندی مواد مبتنی بر تقاضا. مدیریت صنعتی، 15 (4)، 621-649.
References Ahmadi, S. & Mokhtarzadeh, N. (2013). Checking and Prioritizing the Rate of Sensetivity of Machines for Pprecautionary Maintenance with Martel & Zaras Method (The Case: Tolid Atash Factory). Industrial Management Journal, 5(2), 1-22. (in Persian) Altay, A. & Baykal-Gürsoy, M. (2022). Imperfect rail-track inspection scheduling with zero-inflated miss rates. Transportation Research Part C: Emerging Technologies, 138, 103608 Andrade, A. R. & Teixeira, P. (2011). Biobjective Optimization Model for Maintenance and Renewal Decisions Related to Rail Track Geometry. Transportation Research Record (2261), 163–70. Binder, M., Mezhuyev, V. & Tschandl, M. (2023). Predictive Maintenance for Railway Domain: A Systematic Literature Review. IEEE Engineering Management Review, 51 (2), 120-140. Budai, G., Dekker, R. & Kaymak, U. (2009). Genetic and Memetic Algorithms for Scheduling Railway Maintenance Activities. Erasmus University Rotterdam, 200(1), 1–23. Budai, G., Huisman, D. & Dekker, R. (2006). Scheduling Preventive Railway Maintenance Activities. Journal of the Operational Research Society 57(9), 1035–1044. Canto, S. (2008). Application of Benders Decomposition to Power Plant Preventive Maintenance Scheduling. European Journal of Operational Research, 184(2), 759–777. Daddow, M., Zhang, X., Qiu, H., Zhang, Z. & Liu, Y. (2020). A Mathematical Model for Ballast Tamping Decision Making in Railway Tracks. Civil Engineering Journal, 6(10), 2045–2057. Esmaelian, M. & Bakran, H. (2014). Preventive maintenance scheduling with integer programming and constraint programming. Industrial Management Journal, 6(3), 433–452. (in Persian) Esmailian, M., Jafarnejad, A. & Jebelli, S. E. (2013). Proposing New Heuristic Approaches for Preventive Maintenance Scheduling. Research in Production and Operations Management, 4(1), 1–20. (in Persian) European Committee for Standardization. (1999). Railway Applications-The Specification and Demonstration of Reliability, Availability, Maintainability and Safety (RAMS). (CSN EN 50126). https://www.en-standard.eu/ European Committee for Standardization. (2017). Railway Applications-Track-Track geometry quality-Part 5: Geometric quality levels-Plain line, switches and crossings. (CSN EN 13848-5: 2017E). https://www.en-standard.eu/ Famurewa, S., Xin, T., Rantatalo, M. & Kumar, U. (2015). Optimisation of Maintenance Track Possession Time: A Tamping Case Study. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 229(1), 12–22. Federal Railroad Administration Office of Safety Analysis. (2024). FRA AccidentCauses. http://safetydata.fra.dot.gov/officeofsafety/default.aspx (August 31, 2024). Accessed J. Guo, Y., Liu, G., Jing, G., Qu, J., Wang, Sh. & Qiang, W. (2022). Ballast fouling inspection and quantification with ground penetrating radar (GPR). International Journal of Rail Transportation, 11(2), 151-168. Gustavsson, E. (2015). Scheduling Tamping Operations on Railway Tracks Using Mixed Integer Linear Programming. EURO Journal on Transportation and Logistics, 4(1), 97–112. Gustavsson, E., Patriksson, M., Strömberg, A., Wojciechowski, A. & Önnheim, M. (2014). Preventive Maintenance Scheduling of Multi-Component Systems with Interval Costs. Computers and Industrial Engineering, 76, 390–400. Huang, Y., Fang, Ch. & Wijaya, S. (2022). Condition-based preventive maintenance with a yield rate threshold for deteriorating repairable systems. Quality and Reliability Engineering International, 38(8), 4122-4140. Izadi Yazdan Abadi, E., Khadem Sameni, M. & Yaghini, M. (2023). Analysis of the relationship between geometric parameters of railway track and twist failure by using data mining techniques. Engineering Failure Analysis, 143- part A. Jafarnejad, A., Jashirenejadi, A., Safai, B. & Hafezinia, A. (2015). Presenting a conceptual model of maintenance and repairs focusing on its costs using the system dynamics approach. International Conference on Management and Humanities. (in Persian) Kamel, G., Fahmy, A., Mohib, A. & Afefy, I. (2020). Optimization of a Multilevel Integrated Preventive Maintenance Scheduling Mathematical Model Using Genetic Algorithm. International Journal of Management Science and Engineering Management, 15(4), 247–257. Kasraei, A. & Zakeri, J.A. (2022). Maintenance Decision Support Model for Railway Track Geometry Maintenance Planning Using Cost, Reliability, and Availability Factors: A Case Study. Transportation Research Record, 2676 (7), 161–172. Khosravi, M., Ahmadi, A., Kasraei, A. & Nissen, A. (2024). Optimisation of railway tamping scheduling. Heliyon, 10(23). Liu, G., Long, X., Tong, S., Zhang, R. & Chen, S. (2019). Optimum Consecutive Preventive Maintenance Scheduling Model Considering Reliability. Journal of Shanghai Jiaotong University (Science), 24(4), 490-495. Matsumoto, M., Miwa, M. & Oyama, T. (2022). Multivariate Analyses for Finding Significant Track Irregularities to Generate an Optimal Track Maintenance Schedule. American Journal of Operations Research, 12(6), 261-292. Moghaddam, K. & Usher, J. (2011). A New Multi-Objective Optimization Model for Preventive Maintenance and Replacement Scheduling of Multi-Component Systems. Engineering Optimization, 43(7), 701–719. Nejatnia, M., Makui, A. & Jabbarzadeh, A. (2023). Ranking Iran’s International Rail Transportation Companies Using Dynamic Multi-criteria Decision-making and Fuzzy Inference System. Industrial Management Journal, 15(3), 386–410. (in Persian) Neuhold, J., Vidovic, I. & Marschnig, S. (2020). Preparing Track Geometry Data for Automated Maintenance Planning. Journal of Transportation Engineering, Part A: Systems, 146(5). Office for Research and Experiments. (1988). Dynamic Vehicle/Track Interaction Phenomena, from the Point of View of Track Maintenance. (Question D161, RP3), Union Internationale Des Chemins de Fer (UIC). Oyama, T. & Miwa, M. (2006). Mathematical Modeling Analyses for Obtaining an Optimal Railway Track Maintenance Schedule. Japan Journal of Industrial and Applied Mathematics, 23(2), 207–224. Peng, F., Kang, S., Li, X. & Ouyang, Y. (2011). A Heuristic Approach to the Railroad Track Maintenance Scheduling Problem. Computer-Aided Civil and Infrastructure Engineering, 26(2), 129–145. Pinciroli, L., Baraldi, P. & Zio, E. (2023). Maintenance optimization in industry 4.0. Reliability Engineering and System Safety, 234. Prabhakaran, P., Subbaiyan, A., Gopalakrishnan, D., Balaji. M, H. V., Ramkumar, S., Veluswamy, S., ... & Bhaskaran, P. (2022). [Retracted] Maintenance Methodologies Embraced for Railroad Systems: A Review. Advances in Materials Science and Engineering, 2022(1), 7655245. Rodrigues, P. & Teixeira, P. (2022). Modelling degradation rates of track geometry local defects: Lisbon-Porto line case study. Structure and Infrastructure Engineering, 20(6), 867-882. Sadeghi, J., Heydari, H. & Doloei, E. (2017). Improvement of Railway Maintenance Approach by Developing a New Railway Condition Index. Journal of Transportation Engineering, 143(8). Sedighi, A., Shafahi, Y. (2019). Prediction of Railway Track Geometry Condition Using Machine Learning Algorithms, 6th International Conference on Recent Advances in Railway Engineering (ICRARE 2019). Tehran – Iran. June 2019. (in Persian) Seraco, I. & Neto, H. (2023). Contribution to Railway Track Maintenance Planning from the Analysis of Dynamic Movements of Trains. Civil Engineering Journal, 9(2), 254-272. Sivanandam, S. N. & Deepa, S. N. (2008). Genetic Algorithms. Introduction to Genetic Algorithms, 15–37. https://doi.org/10.1007/978-3-540 73190-0_2. Soleimanimeigouni, I., Ahmadi, A. & Kumar, U. (2018). Track geometry degradation and maintenance modelling: A review. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 232(1), 73–102. Track Geometry Degradation and Maintenance Modelling: A Review. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 232(1), 73–102. Vale, C. & Ribeiro, I. (2014). Railway Condition-Based Maintenance Model with Stochastic Deterioration. Journal of Civil Engineering and Management, 20(5), 686–692. Vale, C., Ribeiro, I. & Calçada, R. (2012). Integer Programming to Optimize Tamping in Railway Tracks as Preventive Maintenance. Journal of Transportation Engineering, 138(1), 123–131. Wang, H. (2002). A survey of maintenance policies of deteriorating systems. European Journal of Operational Research, 139 (3), 469-489. Wen, M., Li, R. & Salling, K. (2016). Optimization of Preventive Condition-Based Tamping for Railway Tracks. European Journal of Operational Research, 252(2), 455–465. Xie, J., Huang, J., Zeng, C., Jiang, S. H., & Podlich, N. (2020). Systematic Literature Review on Data-Driven Models for Predictive Maintenance of Railway Track: Implications in Geotechnical Engineering. Geosciences (Switzerland), 10(11), 1–24. Younespour, M., Esmaelian, M. & Kianfar, K. (2023). Proposing a Simulation-based Optimization Model for Determining Optimal Parameters in a Demand Driven Material Requirements Planning Approach. Industrial Management Journal, 15(4): 621-649. Zhang, T., Andrews, J. & Wang, R. (2013). Optimal Scheduling of Track Maintenance on a Railway Network. Quality and Reliability Engineering International, 29(2), 285–97. | ||
|
آمار تعداد مشاهده مقاله: 188 تعداد دریافت فایل اصل مقاله: 142 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب