CC BY
132
УДК 621.797
А.Ю. Шабельникова, Д.А. Васильев, В.А. Иващенко
ОПТИМИЗАЦИЯ ГРАФИКА ПЛАНОВО-ПРЕДУПРЕДИТЕЛЬНОГО РЕМОНТА ЭНЕРГООБОРУДОВАНИЯ ПРОМЫШЛЕННЫХ ПРЕДПРИЯТИЙ
Предложены методы оптимизации, позволяющие получить оптимальный состав энергооборудования, выводимого в ремонт на текущий период (месяц, год), с учетом ограничений на используемые ресурсы промышленного предприятия.
Система планово-предупредительного ремонта энергооборудования, оптимизация графика планово-предупредительного ремонта энергооборудования, генетический алгоритм
A.Yu. Shabelnikova, D.A. Vasiliev, V.A. Ivaschenko
OPTIMIZATION OF PREVENTATIVE POWER EQUIPMENT MAINTENANCE
AT INDUSTRIAL ENTERPRISES
The suggested optimization method allows for the optimum number of power equipment to be planned for the maintenance works within a current period (month/year), taking into account the limited resources of an industrial enterprise.
The system of preventive maintenance of power equipment, the optimization schedule preventive maintenance of power, genetic algorithm
Введение
В настоящее время большое внимание уделяется повышению эффективности управления и надежности функционирования промышленных предприятий, которое в существенной степени определяется надежной и безопасной работой их электрических сетей и энергетического оборудования [1-3].
Безотказность работы электрических сетей и энергетического оборудования предприятий предполагает оптимизацию процессов их эксплуатации, технического обслуживания (ТО) и ремонта, а также необходимое для этого бесперебойное обеспечение трудовыми (ремонтный персонал), материальными и временными ресурсами. Предотвращение физического износа, предупреждение аварий на электрических сетях и энергетическом оборудовании предприятий, поддержание их при эксплуатации в работоспособном состоянии обеспечивается техническим обслуживанием и ремонтом, регламентируемыми системой планово-предупредительного ремонта (ППР) энергетического оборудования [1, 4].
В связи с изложенным оптимизация проведения ППР энергооборудования на промышленных предприятиях актуальна, и ей в настоящее время придается большое значение [4].
В статье предлагается подход к оптимизации графика ППР энергооборудования промышленных предприятий, обеспечивающей оптимальное распределение ресурсов для организации и реализации межремонтных периодов (циклов) работы оборудования. Оптимизация осуществляется на основе использования полного перебора и генетического алгоритма (ГА), позволяющих получить в условиях ограниченных ресурсов предприятий оптимальный с точки зрения сформулированного критерия состав объектов ремонта в сроки, установленные их межремонтными периодами [5].
1. Постановка задачи
Выбор состава оборудования для вывода в ремонт (техническое обслуживание) осуществляется по векторному критерию F = (F1, F2), составляющие которого определяются выражениями:
n
F = "^CjXj ® max, (1)
j=1
n
F2 = ^ SjXj ® min, (2)
j=1
где Cj - коэффициент, задающий степень сложности ремонта j-го оборудования, определяющийся видом ремонта (капитальный ремонт, средний ремонт, малый ремонт, ТО); Sj - коэффициент, задающий степень участия j-го оборудования в технологическом процессе; n - количество оборудования, включенного в план-график ремонта на текущий месяц (год); xj - дискретная переменная, принимающая значения: 1 - если j-е оборудование участвует в ремонте, 0 - в противном случае, т.е.
Оптимизация осуществляется в области допустимых состояний системы с учетом ограничений:
- на трудовые ресурсы:
n
"i е[1,M ] Z wj.Xj < W, (4)
j=1
где Wi - имеющееся количество рабочих для проведения i-го вида ремонтных работ; wj - количество рабочих, задействованных в i-м виде ремонтных работ j-го оборудования; M - количество видов ремонтных работ;
- на материальные ресурсы
< A (5)
j =1
где A - материальный ресурс, необходимый для проведения всех ремонтных работ, связанный с обеспечением их материалами; aj - материальный ресурс, необходимый для проведения ремонтных работ j-го оборудования;
- на временные ресурсы
n
Z tTnjXj < ТТП, (6)
j=1
где Ттп - общее время на технологическую подготовку к ремонтным работам, включающее время на изготовление специального оборудования и приспособлений для ремонтных работ; tTnj - время, необходимое на технологическую подготовку к ремонтным работам j-го оборудования.
2. Методы решения задачи
Поставленная выше двухкритериальная задача путем свертки критериев (1) и (2) сводится к однокритериальной
F = j- F1+j2 ■ (-F2) ® max,. (7)
где j, j2 - коэффициенты, определяющие значимость критериев и устанавливаемые лицом, принимающим решения (персонал, ответственный за проведение ремонта энергооборудования энергобюро службы главного энергетика предприятия) на этапе формирования и оптимизации плана-графика ремонта энергооборудования.
2.1. Метод полного перебора
Метод полного перебора [6] позволяет получить оптимальное решение поставленной задачи путем перебора всех возможных вариантов состава оборудования, выводимого в ремонт или на ТО. В результате образуется двоичный код B = (x1, x2, к, xn), определяющий оптимальный список оборудования из планируемого списка (размерности n) на текущий месяц (год).
Для организации перебора используются средства двоичной арифметики, в частности операция двоичного сложения. Получение нового двоичного кода решения задачи производится прибавления двоичной единицы к текущему коду B (к его младшему разряду), учитывая возможность переноса в следующий разряд кода. В этом случае в качестве исходного кода решения выбирается код, у которого один единичный разряд
(x = 1, "i = 2,..., n хг = 0, или xn = 1, "i = 1,..., n-1 x = 0, или xk = 1(k = rand(1,...,n)), "i = 1,..., n xi = 0(iФk)).
Таким образом, последовательное применение операции двоичного сложения позволяет получить всевозможные сочетания двоичных разрядов кода решений (все возможные варианты состава оборудования выводимого в ремонт или на ТО).
В процессе решения задачи (перебора всевозможных вариантов) производится отбор допустимых решений - кодов, удовлетворяющих ограничениям (4)-(6) и приближающих общее решение задачи к оптимуму (7).
Основным недостатком метода полного перебора является достаточно большая вычислительная сложность. В частности, в задаче размерностью n, равной 30, потребуется просчитать более одного миллиарда (1073741824) вариантов состава выводимого в ремонт оборудования, что совершенно нереально.
2.2. Генетический алгоритм
Наиболее действенными методами сокращения полного перебора являются так называемые методы искусственного интеллекта. В настоящее время одними из наиболее широко применяемых методов искусственного интеллекта, используемых для решения задач оптимизации, являются ГА [7], которые представляют собой методы оптимизации, основанные на концепциях естественного отбора и генетики.
Эти алгоритмы работают с совокупностью особей (популяцией), каждая из которых представляет возможное решение задачи. Каждая особь популяции кодируется одной хромосомой, определяющей состав выводимого в ремонт оборудования. Количество генов, образующих хромосому, определяются числом оборудования n, представленного в плане-графике ППР на текущий месяц (год). Каждое оборудование (ген хромосомы) связано с набором параметров (Cj, Sj, a;, tmj, wj) задачи.
При создании исходной популяции в хромосому особи (список оборудования, вводимого в ремонт) на место каждого гена генерируется двоичное число, определяющее факт присутствия или отсутствия оборудования в списке. После получения исходной популяции начинается ее развитие и размножение, т.е. движение к оптимуму (7). Для этого применяются процедуры скрещивания и мутации. Процедура скрещивания выполняется для порождения новой особи популяции (потомка), являющейся новым решением задачи. После этого проверяется допустимость полученного решения. Если полученное решение удовлетворяет ограничениям задачи (4)-(6), то потомок выживает (полученное решение является допустимым) и производится сравнение целевой функции потомка, определяемой выражением (7) с целевой функцией наихудшей особи (худшего решения) текущего поколения, в противном случае потомок погибает (полученное решение отбрасывается).
В случае, когда целевая функция потомка меньше целевой функции наихудшей особи, полученный потомок погибает (не приближает к оптимальному решению), иначе - выживает и записывается в следующее поколение (поколение потомков), а в текущем поколении родителей уничтожается наихудшая особь (с наименьшей целевой функцией).
На каждой итерации работы алгоритма организуется процедура мутации, улучшающая популяцию особей текущего поколения (решения задачи) в соответствии со сформулированным критерием (7).
В результате последовательного применения процедур скрещивания и мутации происходит движение к оптимуму, позволяющее через некоторое количество итераций получить оптимальное (субоптимальное) решение.
3. Результаты решения задачи
Предложенные алгоритмы решения задачи реализованы в среде Delphi 7.
На рисунке представлена экранная форма, отображающая результаты решения задачи.
Экранная форма для отображения результатов решения задачи с помощью метода полного перебора и генетического алгоритма
Как видно из рисунка, время решения задачи при размерности m=10 составляет методом полного перебора - 1 с, а с помощью генетического алгоритма - 0,1 с (процессор AMD Athlon X2 6000+).
С ростом размерности задачи время ее решения методом полного перебора существенно возрастает.
Заключение
Построение графика планово-предупредительного ремонта энергетического оборудования промышленных предприятий в настоящее время не может осуществляться по-прежнему и требует использования новых подходов. Одним из таких подходов является предложенный в статье подход к формированию оптимального состава энергетического оборудования предприятий, выводимого в ремонт, с учетом выделяемых на это ресурсов.
Предложенные методы построения графика планово-предупредительного ремонта энергетического оборудования позволяют сократить ущерб, который несут предприятия в связи с ненадежной его работой, за счет:
- оптимизации состава энергетического оборудования предприятий, выводимого в ремонт, в условиях ограниченных трудовых и материальных ресурсов, выделяемых на него;
- снижения затрат времени на формирование графиков планово-предупредительного ремонта (минимизации участия персонала службы главного энергетика предприятия в его формировании) предприятий, обусловленных использованием для их построения ЭВМ;
- уменьшения количества отказов при эксплуатации и неплановых ремонтов энергетического оборудования предприятий, благодаря оптимизации графика его планово-предупредительного ремонта;
— составления оптимального графика планово-предупредительного ремонта энергетического оборудования по календарным периодам с текущим корректированием объема ремонтных работ.
Предложенные решения по формированию состава энергетического оборудования, выводимого в ремонт, позволят повысить эффективность организации его планово-предупредительного ремонта и могут быть использованы в других сферах производственно-хозяйственной деятельности при решении оптимизационных задач.
ЛИТЕРАТУРА
1. Кудрин Б.И. Электроснабжение промышленных предприятий / Б.И. Кудрин. М.: Интермет Инжиниринг, 2005. 672 с.
2. Человек. Машина. Среда / А.Ф. Резчиков, В.А. Твердохлебов, В.А. Иващенко и др.; под общ. ред. чл.-корр. РАН А.Ф. Резчикова. Саратов: Изд. центр «Наука», 2013. 196 с.
3. Выбор структуры электрических сетей промышленных предприятий в условиях автоматизированного управления электропотреблением / Д.А. Васильев, В.А. Иващенко, Д.В. Лукьянов, А.Ю. Шабельникова // Изв. высших учебных заведений. Поволжский регион. Технические науки. 2010. № 2(14). С. 52-61.
4. Ящур А.И. Система технического обслуживания и ремонта энергетического оборудования: Справочник / А.И. Ящур. М.: НЦ ЭНАС, 2008. 504 с.
5. Шабельникова А.Ю. Оптимизация процесса планирования работ по ремонту электропотребляющего оборудования / А.Ю. Шабельникова, А.А. Дмитриев, Ш.Р. Мустафин // Проблемы электроэнергетики: сб. науч. тр. / Сарат. гос. техн. ун-т. Саратов, 2011. С. 133-136.
6. Бейко И.В. Методы и алгоритмы решения задач оптимизации / И.В. Бейко, Б.Н. Бублик, П.Н. Зинько. М.: Высш. шк., 1983. 512 с.
7. Генетические алгоритмы, искусственные нейронные сети и проблемы виртуальной реальности / Г.К. Вороновский, К.В. Махотило, С.Н. Петрашев, С.А. Сергеев. Харьков: Основа, 1997. 112 с.
Шабельникова Алена Юрьевна - Alyona Yu. Shabelnikova -
аспирант кафедры «Системотехника» Postgraduate
Саратовского государственного технического Department of System Engineering,
университета имени Гагарина Ю.А. Yuri Gagarin State Technical University of Saratov
Васильев Дмитрий Анатольевич - Dmitry A. Vasiliev -
кандидат технических наук, доцент кафедры Ph.D., Associate Professor
«Системотехника» Саратовского Department of System Engineering,
государственного технического университета Yuri Gagarin State Technical University of Saratov имени Гагарина Ю.А.
Иващенко Владимир Андреевич - Vladimir A. Ivaschenko -
доктор технических наук, ведущий научный Dr. Sc., Leading Researcher,
сотрудник Института проблем точной механики Institute of Precision Mechanics
и управления, г. Саратов and Control , Saratov
Статья поступила в редакцию 21.06.14, принята к опубликованию 25.09.14
