OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究

OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第1张图片
作者:朱晨希 浙江大学管理科学与工程专业在读硕士生

编者按:
可替换组件(LRU)的库存管理是一个非常重要的问题,它影响后勤支持过程中的系统可用性和运营成本。本文通过马尔可夫方法模拟库存变化的过程,为决策者的库存管理提供数据支持。

一、背景

为了保持高水平的系统可用性,可替换组件(LRU)被广泛地部署在资本密集型系统上。LRU 是一种按照通用规格设计的机电一体化组件的黑盒子,可以在一级维修设施中快速更换;例如,空客和波音商用飞机上的航空运输无线电和模块化组件单元。

可以更换的性质使得备用 LRU 的库存管理成为一个非常重要的问题,它影响后勤支持过程中的系统可用性和运营成本。一般来说,系统的可用性需要改进,同时减少由备用单元产生的库存成本。LRU 在货架上停留的时间越长,库存成本就越高,它由于技术变化而过时的风险也就越高。例如,在 1997 年,商业航空工业拥有价值超过 520 亿美元的备件库存,约 45%是可修复的备件。事实上,飞机的备件成本通常远远超过飞机本身的成本。

在本文中,我们主要关注一个如图 1 所示的集中控制的库存系统。例如,英国皇家空军在这样一个系统下运行,大约有 855000 个线路可更换项目。当零件失效时,将从库存中拆卸替换全新的 LRU,将系统恢复到服务。出现故障的 LRU 将在维修中心进行修复,并作为完全可用的备用单元重新进入库存。
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第2张图片

二、模型描述

2.1 模型假设

我们假设系统由N个同种类型的零件组成,这些零件共享一个备用仓库。虽然这些组件是相同的,但它们可能包含在不同的子系统中,可能在不同的条件下运行,可能导致不同的故障率。如果更换了一个组件,则会丢弃旧组件,并且新组件处于最新状态0。由于与部件的预期寿命(年)和备件的交货时间(月)相比,维修时间通常较小(天),因此假设更换是即时的、替换零件不需要时间,但只能在有所需备件时才计划更换。备件可以订购任何数量,并在1个周期的固定交货时间(通常以月为顺序)后到达。如果某个零件出现很严重的故障以至于不能使用,修复故障件需要的时间为1个周期。同时我们假设库存订购策略为(s,S)。

2.2 事件发生顺序

事件发生的顺序如下。在每个时间单位开始时,可以到达上一期下单的备件订单(只要上一期下了订单)。接下来,对每个组件产生所谓的运营成本,这取决于组件的状态。设 O j O^j Oj表示运营成本。如果组件 j 处于状态 u,则每个时间单位的运行成本为 O u j O^j_u Ouj 。这样,不仅可以包括故障组件的停机成本,而且还可以包括由于组件恶化而造成的收入损失的成本。在产生运营成本后,只要手头有足够的备件,就可以更换部件。在产生运营成本后,只要手头有足够的备件,就可以更换部件。在实践中,纠正性更换有时比预防性更换更昂贵,因为一个部件故障也会对系统的其他部件造成损坏。更换零件 j 的成本为 R j R^j Rj。在执行可能的维护操作后,可以订购备件,每订单产生固定成本 F。此成本与所订购的备件的数量无关。对于在时间单位结束时仍有的每个备件,将产生持有成本 H。

2.3 参数设定OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第3张图片

三、马尔可夫决策过程

在这里插入图片描述在这里插入图片描述

3.1 状态空间
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第4张图片

设备状态诊断基于状态维护策略而提出,其认为设备是存在一个性能退化过程的,退化过程中设备的性能及故障率都会随之发生变化,而不是绝对的非健康则故障。举例来说,轴承磨损程度决定其性能,所以通常采用无磨损、轻微磨损、正常磨损、严重磨损等分类方式代表其运行状态。

本文将零件性能退化过程中的运行状态统一划分为健康、良好、正常、劣化和故障 5个等级。OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第5张图片

我们可以首先对状态监测系统的数据进行采集、抽样,然后将所有参数数据归一化,生成一组[0,1]之间的无量纲数值,数值越小代表设备运行状态越好,最后通过在[0,1]之间划定不同的数值界限,对应不同的零件状态等级。所以只要我们能够通过监测系统采集不同零件的主要性能参数数据,并获得相应的数据处理结果,就可以基于上述状态分级方法,得到相应的状态等级划分结果。
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第6张图片在这里插入图片描述

3.2 动作空间
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第7张图片

3.3 状态转移
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第8张图片

在实际应用中,可以通过失效率曲线估算状态转移的概率。以风电机组运行过程中发电机部分的2个故障模式发电机碳刷磨损、发电机轴承的失效率为例:

发电机碳刷磨损故障表现为早期故障模式,设备投运初期故障率较高,运行一段时间后,故障率趋于平稳并不会随着时间而变大。
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第9张图片

发电机轴承损坏的失效率曲线呈现明显的损耗故障特征,主要故障原因是轴承的疲劳损伤。
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第10张图片

3.4 预期成本
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第11张图片

3.5 (s,S)库存策略
在这里插入图片描述

四、学习心得

我选择的细分课题是基于信息松弛方法的维修备件库存管理。八周跟随孙老师的学习干货满满。在第一周,我了解了 LRU 相关问题所处的背景资料,了解到可修复备件在备件供应保障结构中是循环库存模式,在实际中可修复备件一般价格昂贵、占用库存资金比重大,可以经多次修复使用。在军用航空场景下应用较多,航空备件保障直接影响飞机的快速出动和高强度出动。

在第二周,我学习了David Brown 在operations research 发表的文章,了解到可以用启发式策略以确定最优库存水平的下界,使用信息松弛(Information Relaxation)的方法解决POMDP 问题,找到松弛问题和原始问题之间的联系,并构造函数来惩罚来自额外信息的收益,以此来估计库存水平最优值的上界和下界;

在第三周,我跟随着David Brown 文章进行了数学推导,了解到动态规划的目标是选择一个策略以最大化预期的总回报,在动态规划中决策者的选择是未知的,因此在t 周期的行动选择只取决于t 周期开始时已知的内容。我们假设在时间段t 内的回报是可观测的并且只依赖于第一个t+1 动作,我们为每一个结果选择一个最优动作a。通过文献我还学习到了信息松弛分为三种,完美的信息松弛、较紧密的信息松弛、紧密的信息松弛。完美的信息松弛中,成本序列、需求分布和实际需求都是随机生成的,即假设成本、需求分布和实际需求都是已知的。而第二种信息松弛,它假设需求分布和实际需求是已知的,但订购成本是未知的,随机生成需求分布和需求。第三种最紧密的信息松弛是只假设需求分布是已知的,但是实际成本和实际需求是未知的。

在第四周,我对LRU 问题的多期决策过程进行了梳理,此时我规定状态变量为库存水平,决策变量为订货量,如图5 所示。
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第12张图片

在第五周,我在模型中考虑到了设备的状态,重新定义了决策变量为维护设备动作,即根据设备当前寿命 t n t_n tn和状态 i i i,从最优策略集合中挑选出最优维护动作。此时,孙老师指出我的问题确定的并不清楚,并让我重新考虑一下基本的换零件返修的库存订货模型。

在第六周,我考虑了一个基本的换零件返修的库存模型,并假设库存策略为缺货多少补货多少。我假设第一期故障零件有 a 1 a_1 a1个( a 1 a_1 a1是随机变量),库存有 z 1 z_1 z1个( z 1 z_1 z1为给定常量),如果 z 1 ≥ a 1 z_1\ge a_1 z1a1,那就选择在当期立即拆卸并替换 a 1 a_1 a1个零件,并且修复并存储其中1部分,并在第二期进行存储(假设修复零件需要一个周期)。如果 z 1 ≤ a 1 z1\le a_1 z1a1,那么需要订货 a 1 − z 1 a_1-z_1 a1z1个,并修复并存储其中 δ 1 \delta_1 δ1部分,如图6 所示。
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第13张图片
OM | OR青年——可替换组件多阶段供应保障模型和动态协调机制研究_第14张图片

在第七周,我将状态空间定义为系统是否有故障出现,动作空间定义为是否检测并替换故障零件。此时,孙老师及时发现了我的错误,发现我对于动态规划的基本知识并不了解,对我进行了指导并给了我一些参考资料,其中包括Sheldon Ross 写的动态规划书籍Introduction to stochastic dynamic programming 和孙老师POMDP 的讲座视频资料。

在第八周,我参考Minou 的文章对于模型进行了重新调整,在定义状态空间时同时考虑到了零件状态和库存水平。

参考文献

[1]Minou C. A. Olde Keizer & RuRuud H. Teunter etc.(2016). Joint condition-based maintenance and inventory optimization for systems with multiple components.European Journal of Operational Research,257:209-222.

[2] Alain Bensoussan, Pengfefei Guo. (2015).Technical Note—Managing Nonperishable Inventories with Learning About Demand Arrrrival Rate Through Stockout Times. OperationsResearch,63(3):602-609.

[3] David B. Brown & James E. Smith etc.(2010).Information relaxations and duality in stochastic dynamic programs.Operations Research, 58(4): 785–801.

[4] Xiao Liu & Loon Ching Tang (2016) Reliability analysis and spares provisioning for repairable systems with dependent failure processes and a time-varying installed base, IIE Transactions, 48:1, 43-56, DOI: 10.1080/0740817X.2015.1055391

你可能感兴趣的:(大数据)