Ingeniería de Confiabilidad y Seguridad Sistema 142 (2015) 111 - 122

listas de contenidos ofrecidos en ScienceDirect

Ingeniería de Confiabilidad y Seguridad del Sistema

revista Página de inicio: www.elsevier.com/locate/ress

sistema Kanban de una etapa con los fallos de deterioro y mantenimiento

preventivo basado en la condición

AS Xanthopoulos norte , DE Koulouriotis 1 , PN Botsaris 2

Departamento de Producción y Ingeniería de Gestión, Universidad Demócrito de Tracia, V. Así fi como 12, 67100 Xanthi, Grecia

información del artículo resumen

Historia del artículo: A pesar del hecho de que la fi campos de las políticas de control de tracción en la producción y mantenimiento preventivo basado en la
Recibido el 24 de septiembre de 2014 recibida en condición tienen mucho en común contextualmente, que han evolucionado de forma independiente hasta ahora. En esta investigación, se hizo
forma de 7 Revisado en mayo de el año 2015
un intento de cerrar la brecha entre estas dos ramas del conocimiento mediante la introducción del sistema Kanban de una sola etapa con los
fallos de deterioro y mantenimiento preventivo basado en la condición. El formalismo de tiempo continuo cadenas de Markov se utiliza para
De aceptar 15 de mayo de el año 2015 Disponible en
modelar el sistema y expresiones para ocho parámetros de rendimiento se derivan. Dos, desde una perspectiva de gestión, problemas de
Internet el 27 de mayo de el año 2015
optimización con restricciones importantes para el modelo propuesto se de fi nida en donde el objetivo es la optimización simultánea de la
palabras clave:
política Kanban, la política de mantenimiento preventivo y del plan de inspecciones bajo con Florida igir criterios de rendimiento. Múltiples
Kanban
instancias de cada problema de optimización se resuelven por medio del algoritmo genético lagrangiana aumentada. Los resultados de los
Deterioro fallos de mantenimiento preventivo basado en la
ensayos de optimización, junto con los resultados de extensos ejemplos numéricos facilitan la investigación a fondo del sistema ' s
condición
comportamiento.
cadena de Markov de tiempo continuo

y 2015 Elsevier Ltd. Todos los derechos reservados.

1. Introducción
políticas de control de la producción / inventario del tipo de tracción han llamado la atención
considerable en la comunidad de ingeniería industrial desde la introducción de la política de más
renombre que cae en esta categoría, a saber Kanban. Estas políticas parametrizados, basadas en
tokens de control de la instalación de producción con respecto a los acontecimientos reales de
demanda, no pronósticos, en conjunto con el estado actual de la instalación. González et al. [1] revisar
políticas de control de la producción alternativos se adoptarán de [5] . Un marco integrado para
sistemas de control de producción de tipo Kanban se desarrolla en [6] . Romagnoli ( [7] ) Estudia la
aplicación de la política de control en un CONWIP Florida taller de trabajo flexible. El mantenimiento
preventivo es la acción que reduce / elimina acumulado degradación debido al uso del sistema de
fabricación con el fin de evitar interrupciones de su funcionamiento causadas por fallos.
En

las políticas de control del tipo de tracción más importantes de su encuesta. Numerosos trabajos de
optimización y evaluación del desempeño de las políticas de control de tracción en se han publicado
en los últimos años; seleccionado, las contribuciones recientes se citan a continuación. Xanthopoulos
y Koulouriotis ( [2] ) Comparan el Kanban, Base de la, CONWIP, y las políticas CONWIP / Kanban
desde una perspectiva multi-objetivo mediante una combinación de simulación y optimización
evolutiva. Hou y Hu ( [3] ) Proponen un método que integra la simulación, diseños experimentales, la
regresión y el algoritmo genético multiobjetivo para optimizar un sistema Kanban. Lavoie et al. [4] comparar
tres políticas de control de tracción en las líneas de transferencia homogéneos. El enfoque de
optimización multiobjetivo basado en la simulación para comparar
norte Autor correspondiente. Tel .: þ 30 25410 79320.
Correos electrónicos: axanthop@pme.duth.gr (AS Xanthopoulos),
jimk@pme.duth.gr (DE Koulouriotis), panmpots@pme.duth.gr (PN Botsaris).
1 Tel .: þ 30 25410 79451.
basado en el estado de mantenimiento preventivo, inspecciones del sistema determine su estado
actual y, en consecuencia, las decisiones relacionadas con acciones de mantenimiento preventivo.
Desde el trabajo de Chen y Trivedi [8] una creciente literatura sobre el mantenimiento preventivo
basado en el estado ha sido reportado; en Sección 2 Se presenta una revisión exhaustiva de las
publicaciones seleccionadas.
La principal contribución de este trabajo es la introducción del sistema Kanban de una sola
etapa con los fallos de deterioro y mantenimiento preventivo basado en la condición. Para los autores '
conocimiento, este es el fi tiempo primero que una política de control de la producción del tipo de
tracción se estudia conjuntamente con una política de mantenimiento preventivo de tipo umbral en un
entorno en el que el sistema de fabricación se somete a un deterioro gradual debido a uso y el nivel
de deterioro se determina por inspecciones periódicas. El sistema se modela como una cadena de
Markov de tiempo continuo ( [9] ) Y expresiones matemáticas para ocho parámetros de rendimiento se
derivan basa en la solución de estado estacionario del modelo. La distribución estacionaria se
obtiene resolviendo el modelo numéricamente. Se proporciona un conjunto extendido de ejemplos
numéricos para obtener conocimientos sobre el comportamiento del sistema. Dos optimización
restringida

2 Tel .: þ 30 25410 79878.

http://dx.doi.org/10.1016/j.ress.2015.05.008
0951-8320 / y 2015 Elsevier Ltd. Todos los derechos reservados.
112 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122
problemas se de fi nidas en donde las variables de decisión son la tasa de inspección, los parámetros
de la política de Kanban y la política de mantenimiento preventivo. Las soluciones óptimas o casi
óptimas para varias instancias de cada problema se obtienen mediante la aplicación del algoritmo
genético lagrangiana aumentada.
La estructura de este artículo es la siguiente. En Sección 2 ,
publicaciones seleccionadas en el mantenimiento preventivo basado en el estado son encuestados.
En Seccion 3 se describe el sistema Kanban de una sola etapa con los fallos de deterioro y
mantenimiento preventivo basado en la condición. En Sección 4 se desarrolló el modelo de cadena de
Markov de tiempo continuo para el sistema propuesto. En sección 5 expresiones para ocho
parámetros de rendimiento importantes se derivan. sección 6 contiene ejemplos numéricos. En sección
7 Se presentan los resultados para dos problemas de optimización relacionados con el modelo
propuesto. Sección 8 concluye esta investigación.
2. Trabajo relacionado
La mayoría de las investigaciones sobre el mantenimiento preventivo basado en la condición es
prácticamente teórica y se caracteriza por un alto nivel de abstracción. Las herramientas utilizadas
comúnmente son métodos de la teoría de probabilidades, teoría de Markov, simulación y
optimización. La literatura teórica sobre el mantenimiento basado en la condición es bastante
heterogénea y una variedad de modelos se han propuesto durante los años. aportaciones teóricas
seleccionadas se citan a continuación. Asadzadeh y Azadeh [10] introducir un modelo sistémico,
donde el factor de error humano está integrado con la optimización del mantenimiento basado en la
condición. Desarrollan un método exacto basado en la simulación para optimizar los horarios de las
actividades de monitoreo de condición. Huang et al. [11] estudiar las políticas de garantía post-venta
de dos dimensiones que tienen en cuenta los programas de mantenimiento basado en la condición
con umbrales de fiabilidad. El deterioro de los equipos se supone que se derivan de tanto el uso y el
paso del tiempo. Yin et al.
[12] derivar expresiones analíticas de la disponibilidad de sistemas de Markov con etapas de
deterioro y múltiples veces hipo-exponencial de tiempo hasta el fracaso. La tasa óptima de
mantenimiento preventivo periódico relativo a la maximización de la disponibilidad se examina.
Golmakani ( [13,14] ) Propone un enfoque para optimizar el umbral de reemplazo y la política de
inspección basada en la edad para el mantenimiento conditionbased con el fin de minimizar el costo
medio de largo plazo total. Los componentes de la función de costos son los costos de reemplazo y
los costos de las inspecciones. Ambani et al. [15] investigar máquinas exponenciales, donde la tasa
de fracaso es inversamente proporcional a la tasa de mantenimiento preventivo y calcular la tasa
óptima de mantenimiento preventivo con respecto a la máquina ef fi ciencia. También se desarrolló un
método para la evaluación de la tasa de producción en los sistemas de fabricación que consisten en
máquinas de mantenimiento optimizada preventivas en tándem. Panagiotidou y Tagaras [dieciséis] proponermomento de la llegada trabajo, entonces el orden se descarta, es decir, no hay pedidos pendientes
un modelo de mantenimiento integrado de vigilancia que implica inspecciones de prueba,
mantenimiento mínimo, el mantenimiento mayor y reparaciones. Rao y naikan [17] considerar una
condición de base
tabla 1
Notación para el sistema propuesto.
Símbolo
re
K Número de autorizaciones de producción (kanbans)
segundo
λ una
1 = λ pag
λF
1 = λ en
1 = μ en
1 = μ metro
1 = μr
modelo de mantenimiento con fallos de deterioro, fallos aleatorios con el aumento de la intensidad
debido al deterioro acumulada, mínimo y actividades de mantenimiento importantes. políticas de
inspección óptimas para maximizar la disponibilidad y reducir al mínimo el costo de operación se
derivan. Zhou et al. [18] investigar un mantenimiento preventivo imperfecta de control permanente
systemwith de tipo umbral. Yu et al. [19] derivar políticas de mantenimiento óptimas para un sistema
de frío de espera. mantenimiento imperfecto en un sistema con inspecciones periódicas y el
mantenimiento preventivo de tipo umbral también se aborda en Ge et al. [20] . Chen y Trivedi [21] formular
el problema de optimizar la tasa de inspección y la política de mantenimiento basado en la condición
como un proceso de toma de semi-Markov.
Selección de publicaciones en la literatura más bien escasa en el mantenimiento preventivo
basado en la condición que es más applicationoriented que la teoría orientada a la conclusión de esta
breve reseña. Hiedra y Nembhard [22] proponer un enfoque que integra la simulación, control
estadístico de la calidad y los procesos de decisión de Markov parcialmente observables para la
construcción de políticas de mantenimiento. Prajapati y Ganesan
[23] presentar un estudio de caso en el que las técnicas estadísticas y arti fi ciales redes neuronales
se utilizan para predecir el futuro estado de deterioro del sistema controlado con el fin de facilitar las
acciones de mantenimiento basado en la condición. Su trabajo consiste en una aplicación de
monitoreo de presión de los neumáticos del vehículo. Chan y Prakash [24] proponer un método
multicriterio difusa toma de decisiones basada en la distancia para seleccionar entre las distintas
políticas de mantenimiento en el fi rm nivel de la base de criterios heterogéneos.
3. Descripción del Sistema
tabla 1 contiene la de fi definición de los símbolos que se utilizan en lo sucesivo.
El sistema consta de una estación de fabricación (MF) y un búfer de salida. El búfer de salida
puede almacenar hasta K fi trabajos terminados. El MF ha distribuido exponencialmente los tiempos de
producción, y el tiempo medio para completar un trabajo es 1 = λ pag. El MF produce un solo tipo de
puestos de trabajo y que puede procesar sólo un trabajo a la vez. El MF puede contener como máximo K
puestos de trabajo, uno que se está procesando actualmente y K 1 puestos de trabajo que están
esperando en una fi primer-come- fi primer servido (FCFS) disciplina. El suministro de materias primas
para la MF está más allá del alcance de esta investigación y se considera simplemente para estar en fi noche.
Trabajos llegan al sistema en intervalos exponencialmente distribuidos con tasa de llegada λ a. Si
el búfer de salida no está vacía en el momento de la llegada trabajo, entonces la demanda se
satisface fi ed instantáneamente. Si no hay fi trabajos terminados en la memoria intermedia en el
se permite ( [25] ). Cuando el MF está funcionando, es decir, el procesamiento de un trabajo,
experimenta fallos de deterioro (fallos blandos) que se asumen para ser distribuidos de manera
exponencial con tasa λ f. Un fallo deterioro no puede ocurrir cuando el MF está inactivo, o bajo
inspección o en mantenimiento / reparación. Las experiencias del sistema re etapas de deterioro en el
rendimiento antes de que en última instancia falla, es decir, pierde su capacidad de
Descripción
Número de etapas de deterioro
umbral de mantenimiento preventivo
tasa de llegada
duración de ciclo de producción significará
tasa de fracaso deterioro
La media de tiempo entre la inspección (LCT)
El tiempo medio para completar la inspección de mantenimiento de la estación de fabricación
el tiempo de mantenimiento preventivo significa
tiempo para reparar la estación de fabricación significa
 A.S. Xanthopoulos et al. / Reliability Engineering and System Safety 142 (2015) 111 – 122 113

operate (hard failure). If the deterioration failure takes place when the machine is in the
good-as-new-state or the i th, i o d deterioration stage then it transists to the fi rst and ( i þ 1)th
deterioration stage, respectively. If the system experiences a deterioration failure when it is in the d th
deterioration stage then it fails and repair action is needed to restore its functionality. The repair times
are exponentially distributed with mean 1= μr.
Moreover, production authorizations are released to the MF based solely on actual demand
realizations.
3.2. Threshold type condition-based preventive maintenance policy

Repair is the action that restores the MF to the good-as-new state after it has experienced a hard

The system is subjected to periodic inspections that determine the current deterioration stage. failure that caused it to lose its functionality. On the other hand, preventive maintenance is the action

The times between inspections are exponentially distributed with mean 1= λ in. Exponential times that reduces or eliminates accumulated degradation due to usage, and it is performed while the MF is

between inspections are used to model the situation where the inspection cannot be performed as still functional. In condition-based preventive maintenance the state of the system which is determined

planned due to unexpected events/disruptions and they have been adopted from [8] and [21] . by inspection determines the action that will be performed on the MF.

Moreover, in a preliminary series of comparisons with simulations of systems with fi xed inspection
times conducted by the authors, it has been observed that for certain performance metrics and model
parameters, the results are not differentiated signi fi cantly. Upon completion of the inspection activity it
may be determined by the maintenance policy, which is described in Section 3.2 , to carry out a The system operates under a major preventive maintenance policy ( [26] ) with threshold b. Similarly

preventative maintenance of the MF. The times to perform the preventive maintenance are to the production/inventory policy described in Section 3.1 , the maintenance policy is also parametric

exponentially distributed with mean 1= μ m. The production/inventory control of the system is achieved and it is characterized by the value of parameter b. As stated in Section 3 , the system is subjected to

by means of the Kanban policy, whereas the inspection/maintenance operations are controlled by a periodic inspections that determine the current deterioration stage. The conditionbased major

condition-based preventive maintenance policy with threshold b. preventive maintenance policy with threshold b is described in Fig. 2 . If the current deterioration stage
is i and

d Z i 4 b then major preventive maintenance that restores the MF to the good-as-new state is carried
out. If the current deterioration stage is i and 0 r i r b then no action is taken.

3.1. Kanban production/inventory control policy 4. Model development

Fig. 1 depicts a Kanban system with a single manufacturing station and output buffer. In a In this section, the formal model of the single-stage Kanban system with deterioration failure and

production system controlled by the Kanban policy the fl ow of materials is controlled by a fi nite and threshold-type preventive maintenance is presented. The system is modeled as a continuoustime

constant number of production authorizations (kanbans). Kanban is a parametric policy which is Markov chain (CTMC). In order to develop the CTMC model the various elements and mechanics of

characterized by the number of kanbans, i.e. parameter K. Initially, that is before any job order has the underlying system need to be de fi ned and analyzed. The symbols used in Section 4

arrived to the system, there are K fi nished jobs in the output buffer and the MF is idle. Each job has a
production authorization attached to it. A demand arrival causes a fi nished job to exit the output buffer
so that it is delivered to the customer. are described in Table 2 . The state space of the system
is:

S ¼ ð i; j; k Þj i A ½ 0; d ; j A ½ 0; 1 ; k A ½ 0; K

The associated kanban is detached from that job and it is forwarded to the MF (refer to the [ ð i; j; k Þj i A ½ b þ 1; d ; j ¼ 2; k A ½ 0; K
dashed line in Fig. 1 ) where it authorizes the production of a new job. Once the new job is completed
[fð F; k Þj k A ½ 0; K 1 g ð1Þ
it is stored in the output buffer, having its production authorization attached to it.

State ð i; j; k Þ represents the situation where the system is in the

i th deterioration stage, there are k fi nished jobs in the output
This operation is repeated in all demand arrival occurrences, given that there is at least one job
in the output buffer at the time that the job demand arrives. It is reiterated that no backorders are
yes
considered (see Section 3 ) and so, in the case where the output buffer is empty, no job is delivered to Major
MF
the customer, no production authorization is granted to the MF and the job order is discarded. The i >b ? preventive
inspection
Kanban policy offers effective production/inventory control since it ensures that the number of jobs in maintenance
the output buffer, the MF or the MF/output buffer combined will never exceed K.
no

No action

Fig. 2. Condition-based major preventive maintenance policy with threshold b.

Table 2
CTMC model components.

Symbol Description

S Set of states
E Set of events
A Active event function
g Transition function
Fig. 1. Manufacturing station-output buffer system under Kanban control policy.
114 A.S. Xanthopoulos et al. / Reliability Engineering and System Safety 142 (2015) 111 – 122

(
buffer and the MF is in the j th state, where i A ½ b þ 1; d ; j ¼ 1; k A ½ 0; K
8><>: g ðð i; j; k Þ; f i Þ ¼ ð i; j þ 1; k Þ; ð 11 Þ
the MF is operating or idle 1; ð i; j 1; k Þ; i A ½ 0; b ; j ¼ 1; k A ½ 0; K

j ¼ 0; the MF is under inspection 2; ð2Þ

g ðð i; j; k Þ; m Þ ¼ ð 0; j 2; k Þ i A ½ b þ 1; d ; j ¼ 2; k A ½ 0; K ð 12 Þ
the MF is under maintenance

The second term in RHS of Eq. (1) describes the set of states where the system is under
g ðð F; k Þ; r Þ ¼ ð 0; 0; k Þ; k A ½ 0; K 1 ð 13 Þ
maintenance and since threshold type policy is used the state component i assumes values in the
interval
Expressions (6) and (7) describe the state transitions that take place at the occurrence of job
½ b þ 1; d .
arrival. Note that in the cases where
State ð F; k Þ represents the situation where the MF has experienced a hard failure and there are k
k ¼ 0, no hay transiciones tienen lugar ya que no hay partes en el búfer de salida para satisfacer la
items in the output buffer. Note that k A ½ 0; K 1 in this case. This is because the MF can only experience
demanda y la orden de trabajo se descarta. NCA. (9) - ( 11) describir las transiciones de estado de los
a hard failure when it is operating and since the system is controlled by Kanban policy in order for the
eventos de la finalización del trabajo, la falta de deterioro, la iniciación de inspección y cierre de
MF to operate there must be at most K 1 items in the output buffer.
inspección, respectivamente. NCA. (12) y (13) describir las transiciones de estado de los eventos de
finalización de mantenimiento y reparación de finalización, respectivamente. Se reitera que en ambos
casos el sistema se restaura en el que-bueno-estado. Fig. 3 presenta el modelo CTMC gráficamente.
The system experiences state transitions at the occurrence of speci fi c events. In all other times
the system state remains unchanged. The set of events that are possible to occur are given in Eq. (3)

E ¼ f a; p; f ; si; f i; m; r g ð3Þ

5. Las mediciones de rendimiento

where a is the job arrival, p is the event of job completion, f is the occurrence of deterioration failure, si
is the initiation of inspection,
El modelo CTMC del sistema Kanban de una sola etapa con insuficiencia deterioro y
fi is the completion of inspection, m is the completion of maintenance, and r is the completion of
mantenimiento preventivo de tipo umbral puede ser completamente descrito por la matriz de tasa de
repair.
transición asociado Q que tiene dimensiones iguales a la del espacio de estado. Los elementos q ss 0 del
The set of states S and the set of events E are linked by means of the active event function A. The
Q matriz asume valores no negativos y corresponden a la tasa que los transists sistema de estado s a
active event function de fi nes a mapping from states to events and determines which events are
estado s 0. Los elementos de la diagonal de la matriz de tasa de transición se seleccionan de modo
allowed to occur in each state that belongs to S. It is de fi ned as follows:
que cada fila sumas a 0.

8>>>><>>>>:
f a; si g; i A ½ 0; d ; j ¼ 0; k¼K La distribución estacionaria de la CTMC se obtiene resolviendo el sistema de ecuaciones
f a; p; f ; si g; i A ½ 0; d ; j ¼ 0; k A ½ 0; K 1 lineales:
A ð i; j; k Þ ¼ ð4Þ
f a; f i g; i A ½ 0; d ; j ¼ 1; k A ½ 0; K

f a; m g; i A ½ b þ 1; d ; j ¼ 2; k A ½ 0; K π T Q ¼ 0; S t:; X πs¼ 1 re 14 Þ

s UNA S

A ð F; k Þ ¼ f a; r g; k A ½ 0; K 1 ð5Þ
dónde π s es la probabilidad de estado estacionario de estado s y π es el vector fila de
The event of job arrival is active at all times as it can be seen from (4) . The events of job
probabilidades de estado estable. Después de obtener la distribución estacionaria de la CTMC,
completion and deterioration failure can only occur when the MF is operating, i.e. the current system
varias métricas de rendimiento útil se pueden derivar los cuales se describen en las Ecs. (15) - ( 21) .
state belongs to the subset f i; j; k j i A ½ 0; d ;
los fi métrica de rendimiento primera considerada en este estudio es el sistema disponibilidad. El
j ¼ 0; k A ½ 0; K 1 g.
sistema de fabricación está disponible cuando está en un trabajo o estado de reposo. En
The initiation of inspection can only occur when the MF is operating or idle (see Eq. (4) ). The
consecuencia, la disponibilidad del sistema está dada por la ecuación. (15) :
completion of inspection/ maintenance is allowed to occur when the MF is currently under
inspection/maintenance (see Eq. (4) ). Finally, the only admissible events when the system has
experienced a hard failure are arrival and repair, as it is shown in Eq. (5) .
X re
disponibilidad ¼ X K π yo; 0; k re 15 Þ

k¼0 yo ¼ 0

The last component needed to develop the CTMC model of the system is the transition function g
that de fi nes the state transitions based on the occurrence of the admissible events. dónde re es el número de etapas de deterioro y K is the number of production authorizations
(kanbans).

g ðð i; j; k Þ; a Þ ¼ ð i; j; The system down time, i.e. the fraction of time that the system
(
k 1 Þ; i A ½ 0; d ; j A ½ 0; 1 ; k A ½ 1; K or i A ½ b þ 1; d ; j ¼ 2; k A ½ 1; K
is under inspection/maintenance/repair, can by calculated

ð i; j; k Þ i A ½ 0; d ; j A ½ 0; 1 ; k¼0 or i A ½ b þ 1; d ; j ¼ 2; k¼0 straightforwardly from the system availability (Eq. (16) ):

ð6Þ
Xd
( downtime ¼ 1 X K π i; 0; k ð 16 Þ
k¼0 i¼0
g ðð F; k Þ; a Þ ¼ ð F; k 1 Þ; k A ½ 1; K 1 ð7Þ
ð F; k Þ; k¼0

The manufacturing facility is idle when it has the ability to produce but there is no job available to
g ðð i; j; k Þ; p Þ ¼ ð i; j; k þ 1 Þ; i A ½ 0; d ; j ¼ 0; k A ½ 0; K 1 ð8Þ process. In that case the output buffer is full, and as a result, the system idle time is given by Eq. (17) :

(
i A ½ 0; d 1 ; j ¼ 0; k A ½ 0; K 1
g ðð i; j; k Þ; f Þ ¼ ð i þ 1; j; k Þ; ð9Þ
ð F; k Þ; i ¼ d; j ¼ 0; k A ½ 0; K 1

idletime ¼ X d π i; 0; K ð 17 Þ
g ðð i; j; k Þ; si Þ ¼ ð i; j þ 1; k Þ; i A ½ 0; d ; j ¼ 0; k A ½ 0; K ð 10 Þ
i¼0
 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122 115

Fig. 3. modelo CTMC de sistema Kanban de una sola etapa con insuficiencia deterioro y mantenimiento preventivo de tipo umbral.

The machine utilization is the period of time that the system is available for production minus the The average number of jobs in the MF, i.e. currently processed job plus the waiting jobs, is
time that it remains idle (Eq. denoted as queue length and it is characterized in Eq. (22) . Note that in a Kanban system the number
(18) ): of fi nished jobs in the output buffer plus the number of jobs in the MF always equals K.

Xd Xd
utilization ¼ X K π i; 0; k π i; 0; K ð 18 Þ
i¼0 i¼0
!!
k¼0

queuelength ¼ X K ðK k Þ U Xd π i; 0; k þ π i; 1; k þ X d π i; 2; k
The system throughput, or equivalently, the actual rate at which jobs are processed by the system
k¼0 i¼0 i¼bþ1
is given by Eq. (19) :
K1
!
Xd Xd þX ðK k Þ π F;k ð 22 Þ

throughput ¼ λ p U X K π i; 0; k π i; 0; K ð 19 Þ k¼0

k¼0 i¼0 i¼0

6. Numerical examples
where 1= λ p es la duración media de un ciclo de producción y la expresión entre paréntesis es la
utilización de la máquina.
In Section 6 multiple instances of the CTMC model are solved numerically in order to gain insight
Otra métrica de rendimiento importante es la tasa de aparición de fallos (ROCOF), donde el
on how different parameters affect the behavior of the model. The discussion is limited to a subset of
término ' fracasos ' implica las anomalías graves experimentadas por el sistema, es decir los fallos que
interrumpan su funcionamiento bruscamente, y no los suaves (deterioro) fallas. los ROCOF se calcula the eight performance metrics presented in Section 5 , namely availability, throughput, bufferlevel and ROCOF.

como se muestra en la Ec. (20) . Tenga en cuenta que la instalación de fabricación sólo puede However, note that the remaining four performance metrics are linked to the ones that constitute the

experimentar un fallo del disco cuando está en el re etapa de deterioro º y no está inactivo o bajo aforementioned subset as follows: downtime ¼ 1 availability; utilization ¼ throughput= λ p;
inspección / mantenimiento:

K1

ROCOF ¼ λFT X π re; 0; k re 20 Þ tiempo de inactividad ¼ la utilización de la disponibilidad; QueueLength ¼ K buf f erlevel:
k¼0

Como resultado, el fi hallazgos de secciones 6.1 - 6.4 puede ser utilizado para extraer
dónde re es el número de etapas de deterioro, K es el número de autorizaciones de producción y λ F es
conclusiones sobre las propiedades de estos indicadores también.
la tasa de fracaso deterioro.
Las variables de decisión del modelo son el número de autorizaciones de producción K, el
El número medio de los trabajos terminados en el búfer de salida indicada como nivel de búfer está
umbral de la política de mantenimiento preventivo
dada en la ecuación. (21) :
segundo, y la tasa de inspección λ en. En todos los ejemplos numéricos de sección 6
!!
K1 se utilizan los siguientes valores para los parámetros ambientales:
buf f erlevel ¼ X K k T X re π yo; 0; k þ π yo; 1; k þ X re π yo; 2; k þX k π F;k ð 21 Þ
k¼0 yo ¼ 0 yo ¼ segundo þ 1 k¼0 re ¼ 6; λ una ¼ 1: 0; λ pag ¼ 1: 4; λ F ¼ 0: 1; μ R ¼ 0: 3; μ en ¼ 3; 0; μ metro ¼ 2: 0
116 A.S. Xanthopoulos et al. / Reliability Engineering and System Safety 142 (2015) 111 – 122
6.1. Efecto de variables de decisión en la métrica disponibilidad
En esta sección 20 (niveles de K) 6 (niveles de segundo) 4 (niveles de
λ en) ¼ 480 instances of the single-stage Kanban system with deterioration failure and threshold-type
preventive maintenance are solved in order to study the properties of the availability
function. The results are presented in Fig. 4 . In respect to parameter K, note that the system availability
is a decreasing function of K, for relatively low values of K, and then converges at certain levels for
each combination of the other two decision variables, as K increases. This situation is explained as
follows: K
is positively correlated with the system throughput and bufferlevel
(as elaborated in Sections 6.2 and 6.4 ). Moreover, recall that no backordering is allowed (refer to Section
3 ). Therefore, for low values of K, la frecuencia de rechazo de trabajo es relativamente alta da como
resultado tiempos de inactividad largos para la máquina. En consecuencia, el deterioro y fallas duros
no son frecuentes y por lo tanto la alta disponibilidad de la máquina. Por otro lado, el aumento del
valor de K hace que el sistema sea capaz de aceptar y procesar más llegadas de trabajo, haciendo
que la máquina esté en modo de funcionamiento más largo y, como resultado de romper con más
frecuencia. Por supuesto, la máquina no procesa más empleos que las llegadas de pedidos reales y
por lo tanto más allá de algunos valores de K la disponibilidad la función converge. El efecto de la
tasa de inspección y segundo en disponibilidad es de alguna manera similar. Creciente λ en, hace que el
sistema puede controlar de manera más eficaz, y por lo tanto, las actividades de mantenimiento
pueden llevarse a cabo cuando sea necesario con el fin de evitar fallos de disco duro. En la misma
línea, disminuyendo el umbral segundo, causes more frequent maintenance operations and
consequently less frequent hard failures. However, there is a trade-off between the down time due to
repair and inspection/maintenance and this is depicted in the availability surface plots in Fig. 4 .
Finally, an interesting observation in Fig. 4 , is that the availability surface that corresponds to λ in ¼ 0:005
intersects that of λ in ¼ 0:025.
6.2. Effect of decision variables on the throughput metric
In Fig. 5 the relationship between the throughput metric and the decision variables is exposed.
Note that the Kanban control policy is of pull type and so, the manufacturing facility is authorized to
produce only in response to actual demand arrival occurrences. As a result, the throughput of the
system can never exceed the job arrival rate (which is set to 1.0 in this series of numerical examples).
Moreover, as stated in Section 3 , no
Fig. 4. Availability for varying levels of parameters K, b, and λ in.
se permite pedidos pendientes. UNA rendimiento igual a la tasa de llegada significa que toda la
demanda se satisface fi ed, mientras que una rendimiento más baja que la tasa de llegada significa
que una fracción de las órdenes de trabajo se pierden en el sistema. Mediante la observación de las
parcelas en las Fig. 5 se infiere que el rendimiento es una función creciente del parámetro K y que
converge a la tasa de llegada trabajo como se esperaba. La inspección visual de las parcelas en Fig.
5 muestra que el rendimiento es cóncava en términos de la tasa de inspección λ en y el umbral segundo.
Tenga en cuenta que la sensibilidad de la rendimiento función con respecto a
λ en y segundo varía en respuesta a diferentes valores de K.
6.3. Efecto de variables de decisión en la métrica ROCOF
Fig. 6 capta la relación entre el ROCOF métrico y las variables de decisión. Se observa que la ROCOF
es una función creciente de segundo. Se reitera que parámetro segundo es el umbral de la política de
mantenimiento preventivo. Por ejemplo, si
segundo ¼ 3 y en la ocurrencia de algún inspección se determina que la etapa de deterioro es mayor
que 3 de mantenimiento preventivo a continuación se llevará a cabo, de lo contrario no se tomará
ninguna acción. Cuanto mayor sea el valor de segundo Es decir, las actividades de mantenimiento
preventivo son menos frecuentes, y, como consecuencia, anomalías graves se producen con más
frecuencia. Para que la política de mantenimiento para ser eficaz, el estado del sistema debe ser
monitoreado de manera adecuada, y así, la ROCOF es una función decreciente de la tasa de
inspección
λ en. El comportamiento de la ROCOF función en relación con el parámetro K
se puede explicar con los argumentos discutidos en sección 6.1
respecto a la relación entre la disponibilidad y el número de kanbans K.
6.4. Efecto de variables de decisión en la métrica bufferlevel
Fig. 7 muestra que la bufferlevel métrica es altamente sensible a parámetro K. Esto puede
explicarse fácilmente haciendo referencia a la descripción de la política de Kanban sección 3.1 .
Recordemos que, en un sistema Kanban singlemachine, el número de autorizaciones de producción
K es igual al número total de puestos de trabajo que se les permite existir en el sistema (Trabajos en
cola þ trabajo actualmente procesado þ fi trabajos terminados) o equivalente, el número máximo de
puestos de trabajo que puede ocupar el búfer en cualquier momento.
los nivel de búfer se observa que es una función cóncava de la tasa de inspección λ en y el
umbral segundo. Esta situación puede ser interpretada por el equilibrio entre el sistema de tiempo de
inactividad debido a un fallo / reparación e inspección / mantenimiento que afecta a la
rendimiento del sistema y por consiguiente la media nivel de búfer
también.
7. Optimización
Limitamos nuestra atención a especí fi c performance metrics/optimization problems related to the
proposed model which are both computationally intensive and interesting from a managerial/
practitioner perspective. More speci fi cally, we formulate two mixed-integer non-linear optimization
problems where their rationale and description is given in Sections 7.1 and 7.2 . In both problems the
decision variables are the inspection rate λ in A ℜ, the number of kanbans and the threshold of the
maintenance policy
K; b A Ζ. Additionally, both problems share the following set of bound constraints:
1 r K r UB K ð 23 Þ
0rbod ð 24 Þ
LB λ in r λ in r UB λ in ð 25 Þ
 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122
Fig. 5. rendimiento para niveles variables de parámetros K, segundo, y λ en.
Fig. 6. ROCOF para niveles variables de parámetros K, segundo, y λ en.
The lower and upper bounds on variable var are denoted as
LB var and UB var, respectively. Note that parameter K debe ser igual o mayor que 1 o la instalación de
fabricación nunca tendrá la autorización para producir un solo puesto de trabajo. Por otra parte, el
parámetro segundo
debe ser mayor que o igual a 0 y menor que el número de etapas de deterioro d ( por favor refiérase a
Seccion 3 ).
7.1. Reducción al mínimo de nivel medio tampón sujeto a la restricción de caudal
- problema P1
En el entorno de fabricación justo a tiempo (JIT) el exceso de inventario es considerado como
residuo. Por otro lado, ofertas de inventario
117
protección contra la demanda Florida las fluctuaciones y la variabilidad en el proceso de producción.
Es razonable que un tomador de decisiones querría para controlar el sistema de manera que el nivel
de servicio al cliente requerida se alcanzará manteniendo un precio tan bajo como sea posible
inventario. El nivel de servicio al cliente puede ser evaluado por el sistema de
rendimiento, es decir, la tasa de producción real. Para modelar esta situación el problema de
minimizar el inventario (promedio bufferlevel) sujeto o la restricción de mantener el sistema rendimiento
por encima de una especí fi nivel ed (problema P1 para abreviar) para el modelo de CTMC Sección 4 se
formula a continuación: min buf f erlevel re K; segundo; λ en Þ
re 26 Þ
sujeto a:
rendimiento re K; segundo; λ en Þ Z LB rendimiento;
re23 Þ; re
24 Þ; re
25 Þ re 27 Þ
Eq. (27) es la restricción no lineal impone a la rendimiento, mientras que las Ecs. (23) - ( 25) son
las restricciones impuestas con destino en las variables de decisión. Tenga en cuenta que el objetivo
de reducir el inventario y maximizar el rendimiento son con Florida igir (consulte
sección 6 ).
7.2. Minimizando ROCOF sujeta a la restricción de utilización - P2 problema
La minimización de la tasa de ocurrencia de fallos ( ROCOF)
es un objetivo obvio, a partir de un planificador de mantenimiento ' s punto de vista. En el modelo
propuesto CTMC esto se puede lograr mediante inspección frecuente y mantenimiento preventivo del
sistema. Sin embargo, las actividades de inspección / mantenimiento pueden realmente tener un
impacto negativo en el utilización del sistema si se realiza de manera incondicional. El sistema utilización
es un índice de rendimiento clave de una perspectiva de gestión, ya que QUANTI fi es el grado en que
las instalaciones de fabricación se pone en su uso previsto. En general, una buena política de
mantenimiento preventivo debe minimizar la aparición de
118 A.S. Xanthopoulos et al. / Reliability Engineering and System Safety 142 (2015) 111 – 122

Fig. 7. Average buffer level for varying values of parameters K, b, and λ in.

fracasos duros sin perturbar innecesariamente el proceso de producción. Motivado a partir de estas siguientes parámetros en común:

observaciones, fi ne el problema de minimizar ROCOF sujeto a utilización restricción (P2 problema

re ¼ 6; λ una ¼ 1: 0; λ pag ¼ 1: 1; μ R ¼ 0: 3; μ en ¼ 0: 8;
para abreviar): min ROCOF re K; segundo; λ en Þ
μ metro ¼ 0: 5; UB K ¼ 35; LB λ en ¼ 0: 005; UB λ en ¼ 0: 5

re 28 Þ Para la solución de los casos de los problemas de optimización P1 y P2 la Augmented

Lagrangian Algoritmo Genético (ALGA) se utilizó ( [27] ). sección 7.3.1 profundiza en los detalles del
sujeto a:
algoritmo ' s con fi guración para los fines de este estudio. Desde el alga es un procedimiento de
utilización re K; segundo; λ en Þ Z LB utilización; búsqueda estocástica, cada instancia se resolvió aproximadamente tres veces por el alga y los
mejores resultados se retuvieron. Con el fin de verificar los resultados de cada ejemplo también se
re23 Þ; re
24 Þ; re
25 Þ re 29 Þ
resuelve mediante un exhaustivo (fuerza bruta) procedimiento de búsqueda, donde la variable
Eq. (29) es la restricción no lineal impone a la utilización, continua λ en fue discretizado en ½ LB λ en; UB λ en con tamaño de paso de 0,005. Además, con el fin de
mientras que las Ecs. (23) - ( 25) son las limitaciones ligadas que se explican en la anterior sección 7 . estudiar el efecto de mantenimiento preventivo en el rendimiento del sistema los resultados se
En este problema, el objetivo es fi encontrar la combinación de variables de decisión que compararon con los de los sistemas Kanban de una sola etapa asociados con fallas de deterioro y no
corresponden a la mejor equilibrio entre la prevención de fallos de la máquina y mantener el sistema mantenimiento preventivo (por favor referirse a la
funcional.

7.3. Descripción de instancias P1 y P2 - enfoque de solución de Apéndice A ). En los sistemas mencionados anteriormente no hay acciones de inspección, ni de
mantenimiento preventivo periódico lo que la única variable de decisión es el número de kanbans que

Diez casos de la P1 problemwere de fi Ned. Las instancias P1 se diferencian en términos de la está optimizado con el mínimo esfuerzo computacional mediante una búsqueda exhaustiva.

tasa de producción, el límite inferior en el rendimiento ( Referirse a Las tablas 4 y 5 ) Y compartir los
mismos valores para un subconjunto de los parámetros ambientales y límites que se muestran a
continuación:
7.3.1. Estafa fi configuración del solucionador de meta-heurística

Los parámetros del alga se establece en función de las directrices estándar en la literatura
re ¼ 6; λ una ¼ 1: 0; λ F ¼ 0: 1; μ R ¼ 0: 3; μ en ¼ 3: 0; relevante y se resumen en la

μ metro ¼ 2: 0; UB K ¼ 30; LB λ en ¼ 0: 005; UB λ en ¼ 0: 5 Tabla 3 .

Las soluciones candidatas fueron codificados como doble precisión
Además, diez casos de la P2 problemwere de fi Ned. Las instancias P1 se diferencian con Florida oating point vectors. The rank scaling operator transforms the objective function
respecto a la tasa de fracaso, el límite inferior en utilización ( Referirse a Las tablas 6 y 7 ) Y tienen la measurements based on their rank. The elite count is the number of fi ttest candidate solutions that
pass to the
 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122 119

Tabla 3
Parámetros del optimizador.

Parámetro Valor Parámetro Valor

población inicial Random factible Tamaño de la poblacion 40

escalamiento de la aptitud rango de escala recuento de élite 2
operador de selección uniforme estocástico fracción Crossover 0.8
operador de mutación adaptativo factible sanción inicial 10
operador de cruce Dispersado factor de penalización 100
Número de generaciones de puesto 50 número máximo de generaciones 100
tolerancia restricción no lineal 10 6 la tolerancia de la aptitud 10 6

next generation. The crossover fraction speci fi es the portion of the next generation which is created Tabla 4

by the crossover operator ( [28,29] ). The initial penalty and the penalty factor refer to parameters used resultados de optimización para problemas P1 (continúa en Tabla 5 ).

in the formulation of the sub-problem that combines the objective function and the non-linear
instancia problema Tipo de sistema bufferlevel norte rendimiento n ( K, segundo, λ en) norte/
constraint (referred to [27] for details). The algorithm terminates if the number of generations reaches (solver) K norte

100 or if the number of stall generations reaches 50. A set of consecutive generations is
characterized as ‘ stall ’ if the weighted average change in the objective function is less than 10 6 throughout λ pag ¼ 1: 6; KSPM (ALGA) 7.1355 0.99 (9, 1,
LB rendimiento ¼ 0:99 0,148)
this set. The non-linear constraint tolerance is used to measure feasibility of the solutions.
KSPM (EX) 7.1399 0,9901 (9, 1,
0,145)
KS (EX) 9.0728 0.9914 11
λ pag ¼ 1: 5; KSPM (ALGA) 7.8275 0.99 (10, 1,
LB rendimiento ¼ 0:99 0,112)
KSPM (EX) 7,832 0,9901 (10, 1,
0,11)
KS (EX) 9.6877 0.9907 12
λ pag ¼ 1: 4; KSPM (ALGA) 9.1782 0.99 (12, 1,
7.4. Presentation of results LB rendimiento ¼ 0:99 0,132)
KSPM (EX) 9,183 0.99 (12, 1,
0.13)
In Tables 4 – 7 the results of the optimization trials for problem P1 and P2 are presented. The fi rst
KS (EX) 11.0713 0.9912 14
column contains the description of problem instance and the second column contains description of λ pag ¼ 1: 3; KSPM (ALGA) 11.1494 0.99 (15, 2,
production system and solver type in parenthesis. KSPM (KS) stands for Kanban system with LB rendimiento ¼ 0:99 0,139)

deterioration failures and condition-based preventive maintenance (no condition-based preventive KSPM (EX) 11.1595 0,9901 (15, 1,
0,125)
maintenance) whereas ALGA and EX stand for Augmented Lagrangian Genetic Algorithm and
KS (EX) 13.0286 0.9913 17
exhaustive search, respectively. The best objective function values found by the solvers are shown in
λ pag ¼ 1: 2; KSPM (ALGA) 14.2931 0.99 (20, 1,
the third column, fourth column contains the associated values of the non-linear constraint, and fi fth LB rendimiento ¼ 0:99 0,092)
column contains the best decision variable vector in the case of KSPM or simply parameter K KSPM (EX) 14.3127 0,9901 (20, 1,
0,09)
KS (EX) 15.9278 0.9903 22

Tabla 5
in the case of KS. For optimizing the KSPM systems in each of the P1 and P2 problem instances the
resultados de optimización para problemas P1 (continuación de la Tabla 4 ).
brute-force procedure carried out
18.000 y 21.000 evaluaciones de los vectores de las variables de decisión, respectivamente. El alga instancia problema Tipo de sistema bufferlevel norte rendimiento n ( K, segundo, λ en) norte/

(solver) K norte
llevó a cabo 2040 evaluaciones para cada ensayo optimización, como media de todas las instancias
del problema P1 y P2. Evidentemente, el método de solución de meta-heurística es mucho más
λ pag ¼ 1: 6; KSPM (ALGA) 3.5728 0.95 (5, 2,
económico, desde una perspectiva carga computacional, que la búsqueda exhaustiva. Por otra parte, 0,142)
LB rendimiento ¼ 0:95
se puede aplicar a cualquier problema de tamaño arbitrario, algo que no mantenga para el KSPM (EX) 3,574 0.9501 (5, 2, 0,14)

procedimiento de fuerza bruta debido a la explosión combinatoria asociada. En todos los casos KS (EX) 4.4624 0.9611 6
λ pag ¼ 1: 5; KSPM (ALGA) 4.1292 0.95 (6, 3,
excepto uno (discutido en sección 7.4.2 ), El alga produjo resultados ligeramente mejores que el
LB rendimiento ¼ 0:95 0,256)
procedimiento exhaustiva. Puesto que el procedimiento es exhaustiva exacta (en su espacio de
KSPM (EX) 4.1304 0.9501 (6, 3,
búsqueda) y debido a las propiedades de las métricas de rendimiento (consulte sección 6 ), Esto es 0,255)
una indicación de que los resultados producidos por el alga son, si no óptimo, al menos muy cerca de KS (EX) 4.2857 0.9515 6
λ pag ¼ 1: 4; KSPM (ALGA) 4.6552 0.95 (7, 2,
ser óptima.
LB rendimiento ¼ 0:95 0,261)
KSPM (EX) 4,656 0.95 (7, 2, 0,26)
KS (EX) 4.8821 0.9533 7
λ pag ¼ 1: 3; KSPM (ALGA) 5.1545 0.95 (8, 2,
LB rendimiento ¼ 0:95 0,198)
KSPM (EX) 5.1594 0.9502 (8, 2,
0,195)
7.4.1. Discusión de los resultados de optimización para casos de problemas P1
KS (EX) 5.3421 0.9502 8
Los sistemas KSPM superan los sistemas de KS en todos los casos que indican que la λ pag ¼ 1: 2; KSPM (ALGA) 6.0996 0.95 (10, 1,
incorporación de mantenimiento preventivo basado en la condición mejora el rendimiento del sistema LB rendimiento ¼ 0:95 0,152)
KSPM (EX) 6.1046 0.9502 (10, 1,
de producción. Las diferencias entre los dos tipos de sistemas son particularmente evidentes en los
0,15)
casos 1 - 5 ( Tabla 4 ).
KS (EX) 7.0329 0.9568 11
120 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122

Tabla 6 7.4.2. Discusión de los resultados de optimización para casos el problema P2

resultados de optimización para el problema P2 (continúa en Tabla 7 ). En todos los casos el problema P2, excepto el uno con parámetros
λ F ¼ 0: 3; LB utilización ¼ 0: 6 el alga produce mejores resultados que
instancia problema Tipo de sistema ROCOF norte utilización n ( K, segundo, λ en) norte/

(solver) K norte
el procedimiento de fuerza bruta. Sin embargo, cabe destacar que en el caso antes mencionado la
diferencia entre los dos enfoques solución es marginal. Comparando los mejores vectores de
λ F ¼ 0: 1; KSPM (ALGA) 3: 7 10 5 0.7001 (32, 0, variables de decisión para el KSPM encontrado por los dos optimizadores, se observa que las
LB utilización ¼ 0: 7 0,231)
diferencias en cuanto a los parámetros K son signi fi hipocresía. Esto puede explicarse
KSPM (EX) 3:75 10 5 0.7001 (28, 0,
cualitativamente por referencia a sección 6.3 , Donde las propiedades de la ROCOF son discutidos.
0.23)
KS (EX) 0,0105 0.7376 4
λ F ¼ 0: 2; KSPM (ALGA) 0.00108 0.7008 (30, 1,
LB utilización ¼ 0: 7 0.228) Los sistemas KSPM superan los sistemas de KS en minimizar
KSPM (EX) 0,0011 0.7003 (21, 1,
ROCOF, en todos los casos, un resultado que se prevé en gran parte. Se observa que la óptima K parámetros
0,225)
de los sistemas de KS son considerablemente más bajos que los de los sistemas KSPM. la óptima K parámetros
KS (EX) 0,0205 0.7163 4
λ F ¼ 0: 3; KSPM (ALGA) 0.00505 0.7005 (35, 1, de los sistemas de KS son necesariamente bajo, ya que la ROCOF es una función creciente de K.
LB utilización ¼ 0: 7 0,194)
KSPM (EX) 0,0052 0.7001 (20, 1, 0,19)
KS (EX) 0,0311 0.7251 5
Sin embargo, la incorporación de las inspecciones y el mantenimiento preventivo disminuye ROCOF,
λ F ¼ 0: 4; KSPM (ALGA) 0,0125 0.6999 (34, 1,
LB utilización ¼ 0: 7 0,164) lo que permite un mayor número de autorizaciones de producción. casos de problemas con LB utilización
KSPM (EX) 0,0128 0.7002 (21, 1, 0,16) ¼ 0: 7 rendimiento más alto ROCOF de los casos asociados con
KS (EX) 0,0403 0.7053 5
λ F ¼ 0: 5; KSPM (ALGA) 0,0233 0.7003 (32, 1,
LB utilización ¼ 0: 6. En el caso de los sistemas de KSPM, esto se explica por la óptima / casi óptima
LB utilización ¼ 0: 7 0,133)
tasas de inspección, reportado en
KSPM (EX) 0,0237 0.7 (25, 2, 0,15)
KS (EX) 0,0505 0,707 6 Las tablas 6 y 7 . Para los casos de problemas con fuertes restricciones en el utilización metric, the
inspections cannot be very frequent due to the resulting down time, and therefore the system is not
monitored thoroughly, leading to higher rates of hard failures.

Tabla 7
resultados de optimización para el problema P2 (continuación de la Tabla 6 ). 8. Conclusions

instancia problema Tipo de sistema ROCOF norte utilización n ( K, segundo, λ en) norte/
The single-stage Kanban system with deterioration failure and condition-based preventive
(solver) K norte
maintenance was introduced. The system was modeled as continuous time Markov chain and

λ F ¼ 0: 1; KSPM (ALGA) 2.9 10 6 0.6011 (17, 0, expressions for eight performance measures were de fi ned. Multiple instances of the Markov model
LB utilización ¼ 0: 6 0,403) were solved numerically to study the behavior of the system. Two optimization problems of
KSPM (EX) 2.96 10 6 0.6002 (15, 0, 0,4) managerial interest were de fi Ned para el modelo propuesto y un conjunto de instancias para cada
KS (EX) 0,0088 0,617 2
modelo fue resuelto por el algoritmo genético lagrangiana aumentada y un procedimiento de fuerza
λ F ¼ 0: 2; KSPM (ALGA) 1.91 10 4 0,6003 (25, 1,
0,404) bruta. Además, con el fin de estudiar el efecto de mantenimiento preventivo en el rendimiento del
LB utilización ¼ 0: 6
KSPM (EX) 1.94 10 4 0,6001 (15, 1, 0,4) sistema los resultados se compararon con los de los sistemas Kanban de una sola etapa asociados
KS (EX) 0,0172 0.6005 2 con fallas de deterioro y no hay inspecciones / mantenimiento preventivo.
λ F ¼ 0: 3; KSPM (ALGA) 0.00123 0.6003 (26, 1, 0,36)
LB utilización ¼ 0: 6 KSPM (EX) 0,0012 0.6001 (22, 1, 0,36)
KS (EX) 0,028 0,654 3

λ F ¼ 0: 4; KSPM (ALGA) 0.00388 0.6003 (29, 1,

LB utilización ¼ 0: 6 0,324)
KSPM (EX) 0.0039 0.6001 (15, 1, 0,32) En general, mediante la comparación de los dos tipos de sistemas Kanban se ha encontrado
KS (EX) 0.0364 0.6363 3 que la incorporación de mantenimiento preventivo basado en la condición mejora el rendimiento del
λ F ¼ 0: 5; KSPM (ALGA) 0.00848 0.6001 (34, 1,
sistema de producción. Sin embargo, a partir de los conocimientos obtenidos de los ejemplos
LB utilización ¼ 0: 6 0,292)
numéricos y los ensayos de optimización se infiere que las actividades de inspección / mantenimiento
KSPM (EX) 0,0086 0.6003 (18, 1, 0,29)
KS (EX) 0,0443 0.6196 3 pueden realmente tener un impacto negativo en el rendimiento del sistema si se realiza de manera
incondicional. Los parámetros de la política de Kanban, la política de mantenimiento preventivo y la
tasa de inspección deben estar fi ne-sintonizado de manera que / se consigue el mantenimiento del
mejor compromiso entre el tiempo de inactividad debido a una reparación e inspección.
Se ve que el mantenimiento preventivo basado en la condición permite que el sistema de
producción para llegar a la rendimiento orientar en un número relativamente menor de autorizaciones
de producción y por lo tanto a una media relativamente más baja bufferlevel. Recuerde del sección 6 que Esta investigación se puede extender al considerar las políticas de mantenimiento preventivo de
el control de producción alternativa y. Además, las políticas óptimas de producción / control conjunto de
bufferlevel y el rendimiento están aumentando funciones del parámetro K. Por lo tanto, las tasas de mantenimiento se pueden derivar por programación dinámica. solución de forma cerrada Observando
producción más bajos λ pag, se necesitan más autorizaciones de producción para alcanzar el deseado rendimiento
el hecho de que el modelo propuesto se resuelve numéricamente, de la cadena de Markov
tasa resultante en los niveles de tampón promedio más altos. Del mismo modo, cuanto mayor sea el subyacente también sería de interés.
objetivo rendimiento es que se necesitan los más Kanban. Bufferlevel y

rendimiento, por el contrario, son funciones no monótonas de la tasa de inspección λ en y el umbral de

mantenimiento segundo, como se puede ver en Apéndice A. De una etapa sistema Kanban con fallos de deterioro
Las tablas 4 y 5 y recordar de sección 6 . Para una interpretación cualitativa de los valores óptimos o
casi óptimos para estos parámetros reportados en Las tablas 4 y 5 se remite al lector a
Fig. A1 muestra el modelo CTMC de un sistema Kanban de una sola etapa con los fallos de
Secciones 6.2 y 6.4 (especialmente en Higos. 5 y 7 ). deterioro.
 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122 121

μr

0, 0 yo, 0 re, 0 F, 0

λF λF λF λF λF λF
λ pag λ pag
λ pag
λα λα λα
λα

λ pag λ pag
λ pag
λα λα
λα λα

i, k d, k F, k
0, k
λF λF λF λF λF
λF
λ pag λ pag λα λ pag
λα
λα
λα

λ pag
λα
λ pag λ pag
λα d, K- 1
λα
λF
λF
i, K λ pag
0, K λα

μr

Fig. A1. modelo CTMC de sistema Kanban de una sola etapa con los fallos de deterioro.

[10] Asadzadeh SM, Azadeh A. Un modelo sistémico integrado para la optimización de

El sistema es idéntico al de Seccion 3 con la excepción de que no existen inspecciones
periódicas del sistema ' estado s y no hay mantenimiento preventivo (claramente los parámetros λ en,
μ metro no son relevantes aquí y, por tanto, reducido). La máquina sólo se deteriora con el uso hasta el
punto en que falla, y luego reparar acciones se emprenden para restaurarlo al estado de bienestar
[12] Yin ML, Angus JE, Trivedi KS. tasa de mantenimiento preventivo óptimo para un mejor
como nuevo. El espacio de estado del sistema es S ¼ FD yo; k THJ yo UNA ½ 0; d; k UNA ½ 0; K g [D F; k THJ
k UNA ½ 0; K 1 . Estado ( yo, k) representa la situación en la que el sistema se encuentra en el yo etapa de
deterioro º y hay k partes en la memoria intermedia; Si k ¼ K a continuación, el equipo está inactivo, de
lo contrario la máquina está ocupada. Estado ( F, k)
representa la situación en la que el sistema está bajo reparación después de la ocurrencia de un fallo
del disco y hay k partes en el búfer. Para una de fi definición de los símbolos en Fig. A1 , por favor
refiérase a tabla 1 . Puesto que no hay mantenimiento preventivo la única variable de decisión es el
número de autorizaciones de producción K.
mantenimiento basado en el estado con errores humanos. Reliab Eng Syst Saf 2014; 124: 117 - 31 .
μ en,
[11] Huang YS, Chen E, Ho JW. garantía de dos dimensiones con basado en la fiabilidad
mantenimiento preventivo. IEEE Trans reliab 2013; 62 (4): 898 - 907 .
disponibilidad con distribución de fallos hipo-exponencial. IEEE Trans reliab 2013; 62 (2): 351 - 61 .
[13] HR Golmakani. plan de inspección basada en la edad óptima para basado en la condición
mantenimiento usando A norte algoritmo de búsqueda. Int J Prod Res 2012; 50 (23): 7068 - 80 .
[14] HR Golmakani. sistema de inspección basado en el estado de man- basado en la condición
manteni-. Int J Prod Res 2012; 50 (14): 3920 - 35 .
[15] Ambani S, Meerkov SM, Zhang L. viabilidad y optimización de prevención
de mantenimiento en máquinas y exponenciales en serie líneas. IIE Trans
2010; 42: 766 - 77 .
[dieciséis] Panagiotidou S, Tagaras G. óptimo control del proceso integrado y manteni-
Nance bajo deterioro general. Reliab Eng Syst Saf 2012; 104: 58 - 70 .
[17] Rao PNS, naikan VNA. Un algoritmo para la optimización simultánea de para-
metros de mantenimiento preventivo basado en la condición. Struct Salud Monit 2009; 8 (1): 83 - 94 .

[18] Zhou X, Xi L, Lee J. centrado en la fiabilidad de programación de mantenimiento predictivo para

un sistema sujeto monitorizado continuamente a la degradación. Reliab Eng Syst Saf 2007; 92: 530 - 4 .

referencias [19] Yu H, Yalaoui F, Chatelet E, Chu C. El diseño óptimo de un frío mantenible

sistema de reserva. Reliab Eng Syst Saf 2007; 92: 85 - 91 .

[1] González-R PL, Framiñan JM, control de la producción de tracción basada en token Pierreval H. [20] Ge ES, Li QM, Huang AL. Optimización de la política de mantenimiento basado en la condición

sistemas: Introducción general. J Intell Manuf 2012; 23: 5 - 22 .
[2] Xanthopoulos AS, Koulouriotis DE. optimización multi-objetivo de la producción
mecanismos de control para sistemas de fabricación en serie-inventario de múltiples etapas. Int J Adv Manuf
Technol 2014; 74 (9-12): 1507 - 19 .
[3] Hou TH, Hu WC. Un enfoque integrado Moga para determinar el Pareto
número Kanban óptima y el tamaño de un sistema JIT. Experto Syst Appl 2011; 38 (5): 5912 - 8 .
para el sistema basado en la simulación de Monte-Carlo deterioro. Adv Mater Res 2012; 544: 44 - 8 .
[21] Chen D, Trivedi KS. Optimización para el mantenimiento basado en el estado con semi-
proceso de decisión de Markov. Reliab Eng Syst Saf 2005; 90: 25 - 9 .
[22] Ivy JS, Nembhard HB. Un enfoque de modelado de decisiones de mantenimiento utilizando
control estadístico de calidad y optimización. Qual reliab Eng Int 2005; 21: 355 - 66 .

[4] Lavoie P, Gharbi A, Kenne JP. Un estudio comparativo de los mecanismos de control de tracción [23] Prajapati A, Ganesan S. aplicación de técnicas estadísticas y neural
para líneas de transferencia homogéneos no fiables. Int J Prod Econ 2010; 124 (1): 241 - 51 . redes de mantenimiento basado en la condición. Qual reliab Eng Int 2013; 29 (3): 439 - 61 .
[5] Ng AHC, Bernedixen J, Syberfeldt A. Un estudio comparativo de control de producción
mecanismos que utilizan optimización multiobjetivo basado en la simulación. Int J Prod Res 2012; 50 (2): 359 - 77
[24] Chan FTS, Prakash A. Mantenimiento de selección de políticas en la fabricación fi rms
.
utilizando el enfoque MCDM difusa. Int J Prod Res 2012; 50 (23): 7044 - 56 .
[6] Sato R, Khojasteh-Ghamari Y. Un marco integrado para tarjeta basada
[25] Ioannidis S, Kouikoglou VS, Phillis YA. Análisis de admisión y de inventario
control de producción. J Intell Manuf 2012; 23: 717 - 31 .
políticas de control de las redes de producción. IEEE Trans Autom Sci Eng 2008; 5 (2): 275 - 88 .
[7] Romagnoli G. Diseño y simulación de CONWIP en el complejo Florida trabajo flexible
taller de fabricación de un Make-A-Orden fi rm. Int J Ind Eng Comput 2015; 6: 117 - 34 .
[26] Platis AN, Koutras VP, Malefaki S. El logro de altos niveles de disponibilidad de una
Sistema de deterioro mediante la optimización de las políticas de mantenimiento basado en la condición.
[8] Chen D, Trivedi KS. los resultados analíticos de forma cerrada para man- basado en la condición
manteni-. Reliab Eng Syst Saf 2002; 76: 43 - 51 . 2014. En: Steenbergen, et al, editores.. En: seguridad, fiabilidad y análisis de riesgos: más allá del horizonte.
[9] Iakovou E, Ip CM, mantenimiento periódico Koulamas C. Throughput dependiente Londres, Europea de Seguridad y Fiabilidad Conferencia de 2013, Amsterdam: Taylor & Francis Group; 2014.
políticas para las unidades de producción en general. Ann Oper Res 1999; 91: 41 - 7 . p. 829 - 37 29 Sep - Oct 2 2013 .
122 AS Xanthopoulos et al. / Ingeniería de fiabilidad y seguridad del sistema 142 (2015) 111 - 122

[27] Conn AR, Gould NIM, Toint Ph L. A nivel mundial convergente aumentada de Lagrange [29] Xanthopoulos AS, Koulouriotis DE, Tourassis VD, Emiris DM. Inteligente
algoritmo para la optimización con restricciones generales y límites simples. SIAM J Numer Anal 1991; 28 (2): controladores para planificación dinámica bi-objetivo en una sola máquina con configuraciones dependientes de
545 - 72 . la secuencia. Appl suave Comput 2013; 13: 4704 - 17 .
[28] Anagnostopoulos KP, Koulinas GK. Un algoritmo hyperheuristic genética para la
constreñido problema de programación de proyectos de recursos. En: 2010 IEEE Congreso sobre computación
evolutiva, Barcelona; 18 - 23 de de julio de, 2010 2010: 1 - 6 .