Traducido del inglés al español - www.onlinedoctranslator.

com

Revista europea de investigación operativa 274 (2019) 966–977

Listas de contenidos disponibles enCienciaDirecta

Revista europea de investigación operativa

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

Producción, Manufactura, Transporte y Logística

Una política de mantenimiento preventivo de dos fases que considera la reparación

imperfecta y el reemplazo pospuesto
d,∗
li yang a, Zhi-sheng Yeb, Chi Guhn Leea, Su-fen YangC, Rui Peng
aDepartamento de Ingeniería Mecánica e Industrial, Universidad de Toronto, Toronto, ON, Canadá
bDepartamento de Ingeniería Industrial y de Sistemas, Universidad Nacional de Singapur, Singapur
CDepartamento de Estadística, Universidad Nacional Chengchi, Taipei, Taiwán
dEscuela Dongling de Economía y Gestión, Universidad de Ciencia y Tecnología de Beijing, Beijing, China

información del artículo resumen

Historial del artículo: Este artículo investiga una nueva política de mantenimiento preventivo de dos fases para un sistema de un solo
Recibido el 23 de mayo de 2018 Aceptado el 30
componente con el objetivo de maximizar los ingresos generados por la contratación basada en el rendimiento
de octubre de 2018 Disponible en línea el 6 de
(PBC). El sistema pasa por un estado defectuoso antes de fallar y produce una señal que indica la condición. La
noviembre de 2018
política de mantenimiento consta de dos fases: fase de mantenimiento imperfecto seguida de fase de reemplazo
Palabras clave: pospuesto. En la fase de mantenimiento imperfecto, se realiza una inspección para revelar el estado defectuoso, lo
Mantenimiento que lleva a una posible reparación. Tanto la inspección como la reparación son imperfectas. En la fase de reemplazo
Tiempo de retardo pospuesto, el reemplazo preventivo se realiza durante la próxima ventana de mantenimiento programado, antes de
Reparación imperfecta la cual no se ejecuta ninguna inspección o reparación. El ingreso neto esperado bajo PBC se maximiza a través de la
Reemplazo pospuesto optimización conjunta del intervalo de inspección, número de inspección e intervalo de reemplazo preventivo.
Contrato basado en el desempeño
Aplicamos el modelo a un caso de una planta convertidora de acero y los resultados muestran que nuestra política
de mantenimiento propuesta supera algunas políticas de mantenimiento existentes en términos de ingresos netos.
© 2018 Elsevier BV Todos los derechos reservados.

1. Introducción
El mantenimiento preventivo es una forma efectiva de reducir los costos
de operación de los activos industriales, que se ha adoptado ampliamente
en diversas áreas industriales, como sistemas de fabricación, sistemas de
energía, infraestructuras críticas, redes de transporte (Cavalcante, Lopes y
Bufanda, 2018; Jin, Xiang y Cassady, 2013; Xiang, Zhu, Coit y Feng, 2017). En
general, un plan de mantenimiento elaborado puede equilibrar la
compensación entre la reducción de los riesgos de fallas y el ahorro de
recursos de mantenimiento y, por lo tanto, mejorar la disponibilidad del
sistema y/o reducir los costos de mantenimiento (Keizer, Flapper y Teunter,
2017; Qiu, Cui, Gao y Yi, 2018; Wu y bufanda, 2017). Dependiendo de la
información de falla/condición, el mantenimiento preventivo puede dividirse
sustancialmente en dos categorías: (a) mantenimiento basado en el tiempo;
y (b) mantenimiento basado en la condición. Los últimos años han visto el
rápido desarrollo de las tecnologías de monitoreo, lo que permite una
aplicación más amplia del mantenimiento basado en la condición en la
industria (Alaswad y Xiang, 2017; Xiang, Coit y Feng, 2014; Luo y Wu, 2018a).
Las señales de defectos, como variaciones en la calidad, grietas por fatiga,
abolladuras, corrosión por picaduras y sobrevibración son comúnmente
∗Autor correspondiente.
Correos electrónicos:yanglirass@buaa.edu.cn (L.Yang),pengrui1988@ustb.edu.cn
(R.Peng).
observado en los sistemas de fabricación (Liu, Wang y Peng, 2015; Ye, Yan y
Xie, 2012). El monitoreo de condición y/o las inspecciones manuales pueden
detectar tales señales (Peng, Shen, Shen y Sun, 2018; Yang, Ma, Peng y Zhao,
2018; Qiu y Cui, 2018),Permitir a los mantenedores tomar las medidas
apropiadas antes de la falla (Alaswad y Xiang, 2017; Chen, Ye, Xiang y Zhang,
2015). El concepto de tiempo de retardo propuesto porChrister y Waller
(1984)se usa comúnmente para caracterizar tales procesos de falla. En las
últimas dos décadas, los modelos de mantenimiento basados en el tiempo
de demora se han investigado ampliamente con varias aplicaciones exitosas
del mundo real, como líneas de producción, vías férreas, oleoductos,
dispositivos médicos, bombas de agua y gas y vías férreas. (Liu, Xie y Kuo,
2016; Zhao, Wang y Peng, 2015).Wang (2012)proporciona una revisión
completa del tiempo de retraso, incluidos resúmenes de varios tipos de
configuraciones y aplicaciones del modelo.
La mayoría de los modelos de mantenimiento basados en el tiempo de
demora se enfocan en un mantenimiento perfecto (Ahmad y Kamaruddin, 2012),
asumiendo que el estado defectuoso del sistema puede ser completamente
diagnosticado y eliminado. Esta suposición enfrenta dos desafíos potenciales en
los sistemas de fabricación reales. En primer lugar, la técnica de diagnóstico de
defectos puede estar restringida por la estructura compleja de una planta de
fabricación, lo que lleva a la reducción del efecto del diagnóstico (Driessen, Peng y
Van Houtum, 2017). En segundo lugar, reemplazar una planta de fabricación
crítica es relativamente costoso, lo que no se recomienda para la eliminación de
defectos durante la etapa inicial del sistema. Imperfecto

https://doi.org/10.1016/j.ejor.2018.10.049 0377-2217/©
2018 Elsevier BV Todos los derechos reservados.
 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977 967

modelos En la práctica, las inspecciones, como las autopruebas de

Nomenclatura encendido, tienen una probabilidad no trivial de no detectar defectos. Tras la
identificación de defectos, se realizan acciones de reparación imperfectas (p.
PBC contrato basado en el desempeño función ej., recubrimiento y soldadura) para restaurar el sistema a su estado normal,
PDF de densidad de probabilidad función de lo que da como resultado un aumento de la edad virtual del sistema similar
FCD distribución acumulada intervalo de alPham y Wang, 1996. Observe que el efecto de reparación imperfecta en
T reemplazo basado en la edad intervalo de nuestro modelo es diferente al deWang et al. (2011), que supuso que las
s,0<s < T inspección fuera de línea reparaciones acumulan tanto la edad normal virtual como la edad
si tiempo de ejecución de laiª inspección número de defectuosa según un porcentaje fijo. Esta suposición puede encontrar una
metro inspecciones realizadas entre contradicción: que la edad defectuosa después de una reparación puede
(0,t) incluso exceder la edad antes de la reparación. Para evitar la contradicción,
τk tiempo de ejecución de lakreparación en nuestro modelo las reparaciones pueden eliminar el efecto de los
q probabilidad de que una inspección pase por alto el estado defectos. En otras palabras, las reparaciones pueden restablecer la edad
defectuoso defectuosa a 0, y solo permanece la edad normal virtual. Esta es una
ω factor de mejora de una reparación imperfecta extensión del modelo de tiempo de demora actual y nos permite explorar
a parte fija de la recompensa más políticas de mantenimiento rentables y que ahorran recursos.
b factor de beneficio basado en el En la mayoría de los casos, los efectos de la reparación imperfecta
A rendimiento disponibilidad constante del disminuyen con el tiempo o con el número de reparaciones. Por lo tanto, la
Amin sistema límite inferior de la disponibilidad ejecución de una reparación imperfecta por sí sola no es suficiente para
R función de ingresos netos esperados mejorar el rendimiento del sistema y reducir los costos de mantenimiento.
X tiempo aleatorio a la inicialización de un defecto Para solucionar este problema, estudios previos como elBufanda y
Y tiempo de retardo aleatorio Cavalcante (2012)ySheu, Tsai, Wang y Zhang (2015)programó una ventana
λX(t) función de intensidad deX de mantenimiento para la ejecución de un plan de revisión/reemplazo
FX(t) PDF de laX después de un número finito de inspecciones y/o reparaciones. Una
λY(t) función de intensidad deY característica notable de estos modelos es que la distancia desde la última
gramoY(t) PDF deY inspección hasta la ventana programada no es mayor que el intervalo de
w(t) PDF del tiempo de falla inspección. En algunos casos, esto puede ser subóptimo ya que se puede
W(t) CDF del tiempo de falla incurrir en costos de mantenimiento innecesarios por un mantenimiento
FXi(t) PDF deXcon la última reparación ensi excesivo. Por el contrario, permitimos el aplazamiento de la eliminación de
PAGr(s, yo) la probabilidad de la última reparación ejecutada ensi defectos al restringir el número de inspecciones antes de la ventana de
PAGk probabilidad de reemplazo correctivo entre mantenimiento programado, lo que tiene dos ventajas principales: (a) utiliza
F1
(sk−1,sk) suficientemente la vida útil restante (ya que un sistema defectuoso puede
PAGF2 probabilidad de reemplazo correctivo entre permanecer operativo durante un período adicional de hora (Berrade et al.,
(smetro,t) 2017; Cavalcante et al., 2018)); y (b) ahorra en el costo del tiempo de
PAGpag probabilidad de reemplazo preventivo enT indicador inactividad inducido por el reemplazo (ya que los recursos de
cuyo valor es 1 si el argumento es verdadero y 0 en mantenimiento están bien preparados en la ventana de mantenimiento (Van
1{}
caso contrario Oosterom, Elwany, Çelebi y Van Houtum, 2014; Wang, Zhao y Peng, 2014;
UE) tiempo de actividad esperado durante un ciclo de renovación Yang, Ma, Peng, Zhai y Zhao, 2017)).
mi(d) tiempo de inactividad esperado durante un ciclo de renovación Para concluir, desarrollamos un nuevo marco de mantenimiento de
Cen costo de una inspección manual fuera de línea costo de una dos fases para tratar los defectos en los sistemas de fabricación.
Cr reparación imperfecta Durante la fase de mantenimiento imperfecto, se ejecuta un número
Cpag costo de un reemplazo preventivo en el momentoT costo de un finito de inspecciones imperfectas para revelar el estado defectuoso del
CF reemplazo correctivo por falla tiempo de inactividad promedio sistema y el sistema sufre una reparación imperfecta una vez que se
Ten debido a una inspección tiempo de inactividad promedio debido encuentra un defecto. En la segunda fase, también denominada “fase
Tr a una reparación imperfecta tiempo de inactividad promedio de aplazamiento”, la sustitución preventiva se realiza en una ventana de
Tpag debido al reemplazo preventivo en el momentoT mantenimiento programada. Cuando se encuentre un defecto durante
esta fase, se realizará un reemplazo preventivo durante la siguiente
TF costo promedio de tiempo de inactividad debido a un reemplazo ventana de mantenimiento programada. Utilizamos la contratación
correctivo basada en el desempeño (PBC) para medir la ganancia económica del
sistema de fabricación bajo este marco de mantenimiento. El PBC ha
recibido una atención considerable en las industrias manufactureras y
el mantenimiento se ha investigado en solo unos pocos estudios previos, y la de servicios intensivas en capital,Liu, Wu, Xie y Kuo, 2017; Qiu, Cui y
mayoría de ellos se concentran en la inspección imperfecta. Para concluir, se Yang, 2018). Formulamos por separado el modelo de costos de
investigan dos categorías de inspecciones imperfectas: (a) solo falsos mantenimiento y el modelo de disponibilidad constante (nivel de
negativos (ver, por ejemplo,Wang, Zhao y Peng, 2014yZhao et al., 2015); (b) rendimiento) del sistema de fabricación y, en consecuencia,
tanto falso negativo como falso positivo (ver, por ejemplo, Berrade, Bufanda optimizamos los ingresos netos esperados bajo PBC.
y Cavalcante, 2017yBerrade, Bufanda, Cavalcante y Dwight, 2013). El estudio
de la reparación imperfecta es aún más raro. El único trabajo relacionado El resto de este trabajo se estructura de la siguiente manera.Sección 2
fue realizado porWang, Hu, Wang, Wu y He (2011), donde se utiliza el introduce las características de falla del sistema de fabricación y en
modelo de reducción de edad porcentual (PAR) para caracterizar la edad consecuencia diseña la política de mantenimiento preventivo. Seccion 3
virtual acumulada por las eliminaciones de defectos imperfectos. calcula la disponibilidad y el costo del sistema y, en consecuencia, formula el
modelo de optimización de ingresos netos bajo PBC.Sección 4proporciona
El modelo propuesto en este documento es novedoso porque investiga un estudio de caso sobre una planta convertidora de acero para validar la
el efecto integral de la inspección imperfecta y la reparación imperfecta en la aplicabilidad de nuestro modelo propuesto. Sección 5proporciona algunos
eliminación de defectos. Hasta donde sabemos, esto nunca se ha abordado comentarios finales y sugerencias para futuras investigaciones.
en el mantenimiento basado en el tiempo de retraso.
968 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977
2. Descripción del sistema
Este estudio considera un sistema de fabricación de un solo componente
que sufre un deterioro gradual, lo que resulta en un defecto (Berrade et al.,
2017; Wang, 2012). Si no se toman medidas, el defecto finalmente se
convertirá en una falla completa, lo que provocará una falla inmediata del
sistema. Adoptamos el concepto de tiempo de retardo (Christer y Waller,
1984) para caracterizar un proceso de falla de dos etapas. En consecuencia,
hay tres posibles estados del sistema: normal, defectuoso y fallido.
Suponemos que la falla del sistema es fatal y autoanunciada, mientras que el
estado defectuoso está oculto y solo se revela durante las inspecciones.
Denotamos porXel tiempo de inicialización del defecto aleatorio con función
de densidad (función de supervivencia)FX(x)(F̄X(X)), yYel tiempo de retardo
aleatorio con función de densidad (función de supervivencia)gramoY(y)(ḠY
(y))Entonces la densidad
función y la función de supervivencia del sistema se dan comow(t)= ∫t
∫t
0FX(x) gY(t−x)dxyW̄ (t)=FX(t)+0FX(x)ḠY(t−x)dx, respect-
tivamente.
2.1. Mantenimiento preventivo imperfecto
En nuestro modelo, el mantenimiento preventivo imperfecto se considera: (a)
inspección imperfecta y (b) reparación imperfecta. Las inspecciones son
imperfectas en el sentido de que cada inspección tiene una probabilidad constante
y distinta de ceroqperder el estado defectuoso (Berrade et al., 2013). En
consecuencia, si se produce un defecto durante el intervalo de inspección
(ti,ti+1),i=0,1, . . ., entonces la probabilidad condicional de su detección
en el (i+1)º, (i+2) la… inspección es
PR{ζX=jT|X∈(eso, (yo+1)T )} =q j−i−
(1 -q)=q−i−1−qj j−i,
1 •
dondeζXes el tiempo de detección del defecto que ocurre enX.
Las reparaciones preventivas también son imperfectas. Pueden devolver
el sistema del estado defectuoso al estado normal, pero el sistema no será
"tan bueno como nuevo". Caracterizamos el efecto de tales reparaciones
utilizando el modelo PAR (ver, por ejemplo,Pham y Wang, 1996; Wang et al.,
2011). En consecuencia, el(k+1)La reparación afecta únicamente al tiempo de
funcionamiento entre lakyk+1ª reparación.τkdenota el tiempo de ejecución
de lakreparación conτ0= 0, yωdenota el factor de mejora constante de la
reparación. La reducción de edad debido a la (k+1) la reparación esω(τk+1−τ
k). En consecuencia, en el momentot >τk+1
la edad virtual del sistema es
∑k
Vt=t−τk+1+ (1 -ω)(τyo+1−τyo)=t−ωτk+1.
yo=0
La novedad del modelo de reparación preventiva radica en su efecto
dependiente del estado. En contraste conWang et al. (2011), la edad virtual
definida enecuación (2)es en realidad la "edad normal", que solo influye en la
función de intensidad del tiempo de inicialización del defecto
λX(t). Por el contrario, la acción de reparación puede eliminar por completo el
impacto de un defecto y, por lo tanto, no queda ninguna edad defectuosa
después. Esto es similar a las reparaciones correctivas de fallas ocultas. Una falla
oculta solo puede ser revelada mediante inspecciones, y la "edad de la falla
oculta" (desde la ocurrencia de la falla hasta la detección de la falla) se restablece a
0 después de una reparación (consulte, por ejemplo,Qiu, Cui, Shen y Yang, 2017y
Pham y Wang, 1996). Una configuración tan clara permite el modelado analítico y
la optimización de muchas políticas de mantenimiento más complejas. Otros
efectos de reparación dependientes del estado también se pueden investigar en el
futuro, pero a costa de un proceso de cálculo mucho más complicado a través de
la simulación.
Figura 1ilustra este efecto de reparación. El primer defecto se
desencadena enX1y se revela ensk=Kansas, dondeses el intervalo de
inspección. Entonces la edad normal enskesX1y la edad defectuosa essk−X1.
Después de la primera reparación, el defecto se elimina por completo y el
la edad defectuosa se transforma en la edad normal. Por lo tanto, la
edad normal virtual después de la reparación es(1 -ω)X1+(1 -ω)(sk−X1)=
(1 -ω)sky la edad defectuosa virtual vuelve a 0.
2.2. Política de mantenimiento
En esta sección, proponemos una política de mantenimiento novedosa basada
en las características de falla del sistema. Suponemos que todas las acciones de
mantenimiento requieren la parada del sistema y que los tiempos de inactividad
debidos a estas acciones de mantenimiento no son despreciables. Cabe señalar
que todas las acciones de reparación en nuestra política de mantenimiento son
preventivas y no se considera la reparación correctiva. En otras palabras, una falla
del sistema siempre se elimina mediante un reemplazo correctivo en ambas fases.
La política de mantenimiento detallada es la siguiente.
• Se proporciona una ventana de mantenimiento para el reemplazo
preventivo del sistema cuando su edad alcanzaT.El costo y la
duración requerida para el reemplazo sonCpagyTpag,
respectivamente. Siempre que ocurra una falla dentro(0,t), un
reemplazo correctivo es inmediato con un costoCFy una duraciónTF.
• Dentro del intervalo(0,t), las inspecciones se ejecutan cadas,0< s < T
unidades de tiempo para detectar el estado defectuoso. Hay, como
mucho,metroinspecciones realizadas en(0,t), donde 1≤metro≤ metro
máximo=T/s.El costo y la duración requerida para una inspección sonCenyT
en, respectivamente.
• Si ocurre un defecto entre(si,si+1),i=0,1, . . . ,metro−1,y es revelado
por la inspección realizada ensj+1,j=yo, yo+ 1, . . . ,metro−1,luego es
removido inmediatamente por una reparación imperfecta con un
costoCry una duraciónTr.
Tanto las inspecciones como las reparaciones no se ejecutan durante(smetro,t).
(1) En consecuencia, si se produce un defecto entre(smetro,t), solo puede ser
removido por el reemplazo preventivo enT.
Nuestra política de mantenimiento construye de manera innovadora un
marco de mantenimiento de dos fases, que incorpora tres categorías de
acciones de mantenimiento preventivo; (a) inspección imperfecta; (b)
reparación imperfecta; y (c) reemplazo. Durante la etapa anterior
(0,smetro), los defectos solo pueden eliminarse mediante reparaciones
imperfectas, y no se prevé una renovación preventiva del sistema de
fabricación. Llamamos a esta fase la “fase de mantenimiento imperfecto”.
Durante la última fase(smetro,t), el sistema ya no se somete a inspección y
reparación, y se programa una ventana de mantenimiento para el
reemplazo preventivo del sistema. Como consecuencia, si se activa un
defecto durante esta fase, no se puede revelar y eliminar hasta la llegada de
esta ventana. En otras palabras, las eliminaciones de defectos en realidad se
(2)
posponen a esta ventana en lugar de ejecutarse inmediatamente. Llamamos
a esta fase la “fase de aplazamiento”.
El marco de mantenimiento construido requiere algunas explicaciones.
Recuerde que el reemplazo/revisión de un sistema de fabricación crítico
puede generar un alto costo. Como la intensidad de la inicialización de
defectos es relativamente pequeña en la edad temprana del sistema, se
recomienda eliminar los defectos mediante algunas acciones de reparación
simples en lugar de reemplazos costosos. Sin embargo, la efectividad
económica de la reparación imperfecta disminuye con el tiempo debido a la
edad normal virtual acumulada continuamente. Cuando el número de
reparaciones es lo suficientemente grande, un sistema reparado volverá a
ser defectuoso en muy poco tiempo y el riesgo de falla aumenta
significativamente. Por lo tanto, realizar reparaciones imperfectas ya no es
rentable cuando la edad del sistema alcanza un cierto nivel, y se sugiere más
una renovación completa del sistema.
Además, dado que el sistema defectuoso puede permanecer operativo
durante un período de tiempo adicional cuando se vuelve defectuoso, una
sustitución inmediata tras la identificación de un defecto no es rentable.
Para abordar esto, elegimos no proporcionar inspecciones en la segunda
fase y solo permitir que el reemplazo preventivo de un sistema defectuoso
se posponga a una ventana programada. Semejante
 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977 969

Figura 1.Efecto de la reparación imperfecta en la función de intensidad: (a) impacto enλX(t)y (b) impacto enλY(t).

un reemplazo pospuesto tiene dos ventajas (a) asegura la utilización Para ser específico, dejeFi (tu) denota la función de densidad del de-
X
suficiente de la vida útil restante y (b) reduce el costo de reemplazo a tiempo de inicialización del efectoXdado que la última reparación se realiza ensi.
través de la preparación suficiente de los recursos de mantenimiento. Residencia enecuación (2),Fi(tú)
X se puede expresar como

FXi(tú)=FX(tu−ωsi). (4)
3. Cálculo y optimización de costos bajo PBC
En consecuencia, la probabilidad de realizar una reparación imperfecta
El objetivo de esta sección es calcular y optimizar los ingresos netos ensk,1≤k≤metro, pagr(s, k), se puede obtener mediante el siguiente cálculo
esperados del sistema de fabricación bajo el requisito de un contrato basado iterativo
en el desempeño (PBC). Un PBC es un enfoque típico centrado en las
k−1∑k−1
∑ ∫sj+1
ganancias que ha recibido una atención considerable en las industrias FXi(u)G (s
Y k−tu)
intensivas en capital (Xiang et al., 2017). Se concentra tanto en el nivel de PAGr(s, k)= PAGr(s, yo) qk− −j1 (1 -q) du,
i=0j=i
sj FX(( 1-ω)si)
rendimiento como en el costo operativo del sistema de fabricación (Nowicki,
Kumar, Steudel y Verma, 2008). En nuestro estudio, el nivel de rendimiento (5)
se mide por la disponibilidad de estado estableA, y el costo operativo se
mide por el costo de mantenimiento esperado en un ciclo de renovaciónCE)( dondePAGr(s,0)=1.
ver, por ejemplo,Nowicki et al., 2008; Qiu et al., 2017). En este contrato, Usandoecuación (5), las probabilidades de renovación se pueden
existe un límite inferior de la ejecuciónAmin, por debajo del cual no se puede calcular iterativamente. En especial, la reposición correctiva dentro(sk−1,
proporcionar ningún beneficio. Entonces la función de ingresos netos sk)consta de dos escenarios: (a) tanto el defecto como la falla se activan
esperados,R, se da como entre(sk−1,sk),1≤k≤metro; y (b) el defecto se desencadena entre
{ (sj,sj+1)y luego se convierte en una falla entre(sk−1,sk),2≤
− CE), A≤Amin k≤m, j=i,· · ·,k−2. Esto se ilustra enFigura 2. Resumiendo
R= , (3)
a+licenciado en Letras−Amin)−CE), A > Amin estos dos escenarios, tenemos la probabilidad como

dondeadenota la parte fija de la recompensa,licenciado en Letras−Amin)representa k−1 ∫sk k−2

∑ FXi(u)GY(sk−tu) ∑
el beneficio basado en el rendimiento yCE)es el costo de mantenimiento esperado PAG =PAG
k F(s, k)= PAGr(s, yo) du+1 {k≥2}
durante un ciclo de renovación.
F1
i=0 sk−1 FX((1-ω)si) i=0
k−2
∑ ∫sj+1
qk−j−1Fi X(tú) (GRAMOY(sk−tu)−GRAMOY(sk−1 − tu))
3.1. Escenarios de renovación PAGr(s, yo) du,(6)
j=i sj FX((1-ω)si)
Para obtener la función de ingresos netos esperados, necesitamos
calcular las probabilidades de escenarios de renovación separados para el donde el símbolo 1{}representa la función indicadora, cuyo valor es
sistema. De acuerdo con la política de mantenimiento enSección 2.2, existen igual a 1 si el argumento es verdadero y 0 en caso contrario.
dos posibles escenarios de renovación: (a) renovación por sustitución El reemplazo correctivo dentro(smetro,t)también consta de dos
correctiva; y (b) renovación por reemplazo preventivo enT. Para obtener sus escenarios: (a) el último defecto ocurre entre(sk−1,sk),1≤k≤ metro, y es
probabilidades, se debe considerar la probabilidad de eliminación de pasado por alto por todas las inspecciones después; y (b) el último
defectos a una edad temprana. defecto se produce entre(smetro,t). Esto se ilustra enFig. 3. sumando
970 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977

Figura 2.Renovación por reemplazo correctivo entre(sk−1,sk), k=1,2, . . . ,metro.

Fig. 3.Renovación por reemplazo correctivo entre(smetro,t).

estos dos escenarios, tenemos 1,2, . . . ,m, E(UF). 2Sus expresiones se dan respectivamente como

∑ ∫T UEpag)=TPpag, (9)
metro
FXi ( u)GY(T−tu)
PAGF2 =PAGF(s, m, t)= PAGr(s, yo) du
FX((1-ω)si)
i=0 smetro
(
∫sj+1 ( ) ∑ ∑ k−1
∑ ∫sk ∫sk−tut.f.i
∑ ∑− 1 X(u) gY(t)
metro metro

− j i X(u)(G)Y(T−tu)−GRAMOY(smetro−tu))
− 1metro
metro

+ PAGr(s, yo) qmetro F du. mituF2 = ψ1k= PAGr(s, yo) dtdu

sj FX((1-ω)si) k=1 k=1 i=0 sk−1 0 FX((1-ω)si)
i=0j=i
)
(7) k−2 ∑
∑ k−2 ∫sj+1 ∫sk−tu qqk−j−1Fi X(u) gY(t)
+ 1{k≥2} PAGr(s, yo) dtdu ,
Análogamente, la probabilidad de reemplazo preventivo enTse da i=0 j=i sj sk−1−tu FX((1-ω)si)
como
(10)
PAGpag=PAGpag(s, m, t)
y
∫T ∫ T∫T−smetrot.f.i
∑ , sii X(T) ∑ FXi(u)G ¯Y(T−tu) () ∑
metro metro

X(u) gY(t)
PAGr(s metro

= + PAGr(s, yo) du UEF1 =ψ2= r( i)

Ps, dtdu
i=0
FX((1-ω)si) i=0 smetro FX((1- ω)si) 0 FX((1-ω)si)
i=0 smetro

∑1 ∑1 ∫ ∫sj+1 ∫
− jFi X(u)GY(T−tu)
metro− metro−
sj+1 ∑1 ∑1 T−tuqqmetro−jFi
X(u) gY(t)
metro− metro−

+ PAGr(s, yo)
qmetro
du. (8) + dtdu. (11)
FX((1-ω)si)
PAGr(s, yo)
i=0 j=i sj
i=0 j= i
sj smetro−tu FX((1-ω)si)

Esto se ilustra enFigura 4. En resumen, el tiempo disponible total esperado durante un ciclo de renovación es

3.2. Modelo de disponibilidad constante ()() ∑metro

UE)=UEpag)+UEF1 + UEF2 = TPpag+ ψ2+ ψ1k. (12)

k=1
Ahora procedemos a formular el modelo de disponibilidad
constante. Residencia enecuaciones (6)–(8), el tiempo disponible (de Los tiempos de inactividad esperados debido a un reemplazo preventivo y
trabajo) total previsto del sistema consta de tres partes: a) el tiempo correctivo se dan respectivamente como
previsto debido a la sustitución preventiva,UEpag); (b) el tiempo ( )
esperado debido al reemplazo correctivo dentro(smetro ,T ), E(UF); y (c) el
() ∑ metro

1 E(Dpag)=TpagPAGpag,disfunción eréctilF =TFPAGF + PAGk ,

F1
(13)
tiempo esperado debido al reemplazo correctivo dentro(sk−1,sk),k=
2
k=1
 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977 971

Figura 4.Renovación por sustitución preventiva ent

Análogamente, el tiempo de inactividad esperado debido a las inspecciones viene dado por y el costo esperado de reparación imperfecta en un ciclo de renovación se da
como
∑ metro
( ) { }
k ∑ k−1
∑
E(Den)= (k− 1)T + (14)
metro

enPAGF+monteenPAGF
1 2 PAGpag,
CEr)= PAGF(s, k) CrPAGr(s, yo)
k=1
k=1 i=0

y el tiempo de inactividad esperado debido a una reparación imperfecta es

{ } ( ) ∑1
metro−

∑metro k−1
∑ ( ) ∑1
metro− + PAGF(s, m, t)+PAGpag(s, m, t) CrPAGr(s, yo). (19)
k
E(Dr)= PAGF1 TrPAGr(s, yo)+PAGF 2
+ PAGpag TrPAGr(s, yo). (15) i=0
k=1 i=0 i=0 En conclusión, el coste de mantenimiento esperado en un ciclo de renovación es

En consecuencia, la disponibilidad constante del sistema es

()
(C)=CEpag)+CEF+CEen)+CEr)
mi
UE)
A= ( )
UE)+mi(d)
( ) ∑
metro
( )
∑ = CF−Cpag + CkPAGF1 + Cmetro
, (20)
ψ1k
metro
pagPAGpag+PAGF2
TPAG
pag+ψ2+
PAGF2 F k

k=1 k=1
= ( ) ,
∑ ( ) ∑ ( ) ∑1
k−
ψ
metro metro

TPpag+ψ2+ k
+ TF−Tpag PAGF+ kPAGk+ donde CkF=CF+(k−1)Cen+ CrPAGr(s, yo);Ckpag=Cpag+(k−1)Cen+
metro
PAGpag+PAGF
1 f1
pag
2 2
k=1 k=1 i=0
(dieciséis)
∑1
k−
CrPAGr(s, yo).
i=0
∑1
k− kpag=Tpag+(k− 1)Ten+
donde k=TF+
F
(k−1)Ten+ TrPAGr(s, yo);
i=0 3.4. Optimización de ingresos netos
∑1
k−
TrPAGr(s, yo).
i=0 Con base en el modelo de costos de disponibilidad y mantenimiento en
Secciones 3.2y3.3, podemos calcular el ingreso neto esperado del sistema a través
deecuación (3). Tenga en cuenta que los ingresos netos incorporan el efecto
3.3. modelo de costo de mantenimiento
integral tanto del rendimiento de la disponibilidad como del nivel de costos. Una
política de mantenimiento centrada en la disponibilidad ofrece una ganancia
Además de la disponibilidad constante, también se requiere el costo de
basada en el rendimiento relativamente considerable, pero también incurre en
mantenimiento esperado en un ciclo de renovación para calcular los
altos costos de mantenimiento. Por el contrario, una política centrada en los
ingresos netos. Análogo al proceso de cálculo enSección 3.2, podemos
costos reduce efectivamente los costos totales de mantenimiento, pero da como
obtener el costo de reemplazo preventivo esperado y el costo de reemplazo
resultado un desempeño de baja disponibilidad. Por tanto, el objetivo de este
correctivo en un ciclo de renovación como (Ross, 1982; Sheu y Zhang, 2013)
modelo es diseñar una política de mantenimiento óptima que logre un equilibrio
entre el coste y la disponibilidad.
( ) Deecuaciones (3), (dieciséis) y (20), el ingreso neto esperadoR(s, m, T)
() ∑metro
es una función del intervalo de inspeccións, el número de inspección
CEpag)=CpagPAGpag(s, m, T ), CEF =CFPAGF(s, m, t)+ PAGF(s, k) .
metro y el intervalo de reemplazoT.Por lo tanto, el problema de
k=1
optimización se puede describir como
(17) {
− CE), A≤Amin
máximoR(s, m, T)=
De manera similar, el costo de inspección esperado en un ciclo de renovación se da como {s, m, t} a+licenciado en Letras−Amin)−E(C), A > Amin
(21)
sujeto a
0<s < T, metro∈{1,2, . . . ,T/s}.
∑ metro
( )
CEen)= (k−1)CenPAGF(s, k)+mcenPAGF(s, m, t)+PAGpag(s, m, t) , dondeCE)es dado porecuación (20), yAes dado porecuación (dieciséis).
k=1 Deecuación (21), podemos ver que los rangos demetroysson todos
(18) relacionado con el valor deT.Esto puede conducir a una opti-
972 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977

Figura 5.Diagrama de flujo de optimización de ingresos netos basado en el algoritmo ABC.

proceso de mización. Para simplificar el problema, definimos una nueva variable, a proceso de ∧
metrose basa en el algoritmo ABC, que consiste en
saber, intervalo de aplazamientoyo, yo >0, que es igual al intervalo de reemplazo cuatro fases de la siguiente manera.

preventivo menos la duración del totalmetrointervalo de inspección, es decir,yo=T

• Fase de inicialización
−smetro(Yang et al., 2017). reemplazandoT conyo, los rangos demetroysconvertirse
metro∈{1,2, . . .}ys >0, respectivamente. El problema simplificado se puede Suponga que la colonia de abejas tienenotario públicoindividuos En esta fase
describir de la siguiente manera generamosNOTARIO PÚBLICO/2 fuentes de alimentos iniciales en el número de
j
inspección actualmetro, donde cada fuente metro,j=1,2, . . . ,NOTARIO PÚBLICO/2 representa un
{
− CE), A≤Amin solución posible. El proceso de generación detallado es proporcionado por
máximoR(s, m, l ) = , Algoritmo 1en el Apéndice.
{s, m, l} a+licenciado en Letras−Amin)−E(C), A > Amin
(22)
sujeto a • Fase de abeja empleada
s >0,yo >0,metro∈{1,2, . . .}.
La fase de abeja empleada se ejecuta para mejorar la calidad de las
j
soluciones. Para cada solución inicial metro, abejas empleadas gene-
Aunque la optimización analítica deecuación (22)es casi intratable,
metrode acuerdo aAlgoritmo 2en el Apéndice.
nuevo
comió una nueva solución
muchos métodos de búsqueda aleatoria son efectivos para resolver estos j
Luego comparamos los ingresos netos correspondientesR(m, metro)y
problemas de optimización de baja dimensión. Elegimos un algoritmo
modificado de colonia de abejas artificiales (ABC) (ver, por ejemplo,Karaboga Rsí(metro, metro )usandoecuación (22), y el de mayor valor es
nuevo

j
y Akay (2011)yKaraboga y Basturk (2007)), que tiene la ventaja de un proceso elegido. SiR(m, metro) >R(m, nuevo
metro ), la calidad de la solución es
j
de búsqueda relativamente conciso (con parámetros de control limitados) y no mejorado, entonces establecemos el número de no mejoranorteno=
una gran robustez. El diagrama de flujo del procedimiento de optimización no
norte j +1; de lo contrarionortej nose restablece a 0.
de costos basado en el algoritmo ABC se muestra en Figura 5.
• Fase de abeja espectadora

El principal método de optimización es buscar el conjunto óptimo de variables La función principal de la fase de abeja espectadora es evitar una
reales ∧
metro=(sm∧etro,yom
∧ etro)en el número de inspección actualmetro, metro∈ convergencia prematura de soluciones. Esta fase comienza eligiendo abejas
{1,2, . . . ,METRO}. Posteriormente, podemos comparar los valores de los ingresos espectadoras según el método de la rueda de la ruleta (ver, por ejemplo,
netosR(m, ∧
metro)=R(m, s∧ ,yometro)para todosmetro∈{1,2, . . . ,METRO}y entonces
metro ∧ Karaboga y Akay, 2011). Luego, estas abejas espectadoras continúan
elegir el óptimometro∗que maximiza los ingresos. La búsqueda mejorando la calidad de las soluciones basadas enAlgoritmo 2.
 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977 973

Algoritmo 1Procedimiento de generación de poblaciones iniciales.

1: paraj=1 aNOTARIO PÚBLICO/2hacer

j
2:Generar la solución inicial metro=(smetro
j ,yometro
j )de acuerdo con la Ec. (23)
smetro
j =sdn+τ (shasta−sdn), yoj metro=yodn+τ (lhasta−yodn), (23)
dondeτse distribuye uniformemente dentro del rango [0,1];(sdn,yodn)y(shasta,yohasta)son el límite inferior y superior de(sj )respectivamente;
metro,yometro
j

3: Establecer número de no mejoranorteno=0;

4: final para

Algoritmo 2Procedimiento de ejecución de la fase de abeja empleada y espectadora.

1: paraj=1 aNOTARIO PÚBLICO/2

hacer 2:Generar nuevas soluciones

j
=(sjnuevo , yoj ) de acuerdo con la siguiente ecuación
nuevo
metro metro
nuevo

metro

sjnuevo =sj metro+φ(sjmetro−smi etro),yoj =yometro

nuevoj +φ(lmetro
j −yoi metro), (24)
metro metro

dondeφes un número uniformemente distribuido dentro de [−1,1];i∈{1,· · ·NOTARIO PÚBLICO/2}yi=j;

j
3: Calcular los ingresos netosR(m, metro)yR(m, metro)respectivamente en base a la Ec. (22)
j nuevo

4: siR(m,metroj) < R(m, j

metro)después
nuevo

j
5: metro=
jnuevo
metro;norteno=0;

6: más
7: norteno=norteno+1;
8: terminara si

9: final para

Algoritmo 3Procedimiento de ejecución de la fase de exploración.

nuevo” estado. En consecuencia, el sistema puede renovarse mediante
una reparación o un reemplazo, y aún se proporciona reemplazo
1: paraj=1 aNOTARIO PÚBLICO/2hacer 2:
aplazado para un sistema defectuoso. Se pueden encontrar pólizas de
sinorteno≥nortelímitedespués
j reemplazo similares enCavalcante et al. (2018).
3: reemplazar metrocon una nueva solución generada por la Ec. (23);
4: terminara si
• Caso 4:ω=1,metro=∞.Esto corresponde a una política común en el
5: final para modelo de tiempo de retardo. El reemplazo es siempre inmediato a
la identificación del estado defectuoso, y no hay reemplazo
tabla 1 pospuesto disponible (ver, por ejemplo,Bufanda y Cavalcante (2012)
Funciones de distribución y parámetros de tiempo de llegada de defectos/tiempo de retardo para la planta yWang y Wang (2015)). La principal ventaja de esta política radica en
convertidora. su conveniencia de implementación. Sin embargo, puede no ser
Evento Hora de llegada del defectoX(unidad: semana) Tiempo de retardoY(unidad: semana)
rentable ya que la vida útil restante no se puede utilizar lo
Intensidad λX(t)=b1.tb1 −1a,a 1>0,b1>0 a1= 5.6,b λY(t)=b2tb2 −1a,a 2>0,b2>0 a2= 1.1,b suficiente.
1 b1 2 b2

Parámetro 1= 1.3 2= 1 .2
El análisis de estos casos especiales muestra la flexibilidad de nuestra política
de mantenimiento para manipular los recursos de inspección, reparación y
repuestos. Según las condiciones de operación y las características de falla de los
• Fase de exploración
sistemas de fabricación prácticos, los mantenedores pueden elegir de manera
flexible las políticas de mantenimiento adecuadas y ajustar los parámetros de
La fase de exploración tiene como objetivo eliminar las soluciones que no son de
j j mantenimiento para maximizar los ingresos netos. Por ejemplo, los mantenedores
mejora. Si el número de no mejora de una solución metro,norteno, Alcanza el
pueden decidir si se requiere una reparación imperfecta en función de la
límitenortelímite, entonces esta solución se abandona y se reemplaza por una
diferencia de costo entre la reparación y el reemplazo. Una comparación detallada
nueva solución generada a través deAlgoritmo 1.
de los ingresos netos esperados bajo estas políticas de mantenimiento se
proporciona enSección 4.
3.5. Algunos casos especiales

4. Estudio de caso sobre una planta convertidora de acero

Muchas pólizas de mantenimiento avanzadas/clásicas surgen como casos
especiales de la póliza de mantenimiento integral en nuestro estudio. Aquí
En esta sección, investigamos un estudio de caso sobre los planes de
enumeramos cuatro casos especiales típicos: (1)metro=∞; (2)metro=T/s; (3)ω= 1;
mantenimiento de una planta convertidora de acero de un solo componente en
(4)ω= 1,metro=∞.
una acería (Zhao et al., 2015). La función de esta planta es convertir el hierro
• Caso 1:metro=∞.Cuando el número de inspecciónmetro=∞,la política de fundido en acero mediante la eliminación de impurezas mediante el proceso de
mantenimiento propuesta se simplifica a la pura política de reparación oxidación. Se dice que la planta convertidora es defectuosa si se revelan señales
preventiva imperfecta. En consecuencia, el sistema solo puede renovarse tales como reducción de la calidad de los aceros, grietas por fatiga, corrosión por
en caso de falla y siempre sufre una reparación imperfecta cuando se picadura. Las inspecciones manuales se realizan cada 2 o 3 semanas para detectar
encuentra defectuoso. Una política similar se puede encontrar enWang el estado defectuoso. Tras la identificación de un defecto, se llevan a cabo
et al. (2011), que utiliza tanto la reparación imperfecta como el actividades básicas de reparación, como repintado, soldadura y lubricación de la
reemplazo correctivo para tratar las fallas en dos etapas. superficie. Además, se proporciona una ventana de mantenimiento programada
• Caso 2:metro=T/s.Cuándometro=T/s, el reemplazo preventivo se cada 2 a 4 meses para la renovación de la planta. Todas las acciones de
realiza en elmetroª inspección. Esto se refiere a la política de mantenimiento, incluidas las inspecciones, reparaciones y reemplazos manuales
reemplazo de inspección, que también fue investigada enBufanda y fuera de línea, requieren el cierre de la planta convertidora y los tiempos de
Cavalcante (2012)ySheu et al. (2015). Según esta política, ya no se inactividad de producción relacionados están involucrados. Los registros de
permite posponer el reemplazo de un sistema defectuoso, y las tiempo de inactividad de la planta muestran que un reemplazo en la ventana
inspecciones se espacian equitativamente durante el intervalo de programada tarda unas 10 horas en completarse. Adicionalmente, los tiempos
reemplazo.(0,t). muertos promedio por reparación e inspección son de 4.5 horas y 2 horas,
• Caso 3:ω=1 cuandoω= 1, la reparación de un sistema defectuoso siempre es respectivamente. Estos tiempos muertos afectan directamente el nivel de
perfecta y el sistema se restaura a un estado "tan bueno como disponibilidad de la planta.
974 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977
Tabla 2
Elementos de costo y efectos de las actividades de mantenimiento.
Artículo CF
Valor 10.000 (yuan chino)
Tabla 3
Valores de los parámetros de control y rangos de solución en el algoritmo ABC.
Parámetro notario público METRO nortemáximo (shasta,sdn), semana
Valor 20 25 50 (0,20)
Tabla 4
Comparación de ingresos netos entre la política propuesta y los cuatro casos
especiales.
Política Variables de decisión óptimas
Política propuesta (2.5,6,12.8)
Caso especial 1 3.1
Caso especial 2 (2.9,5)
Caso especial 3 (3.3,4,13.5)
Caso especial 4 3.5
La planta convertidora de acero está operando bajo el requisito de un
PBC. El valor fijo y el coeficiente de incentivo del contrato son 200.000
yuanes chinos y 500.000 yuanes chinos, respectivamente. Para recibir
cualquier compensación, esta planta debe lograr un rendimiento mínimo de
disponibilidad en estado estable deAmin= 0.5. Otros parmetros incluyen las
frecuencias de ocurrencia de defectos y fallas, como se enumeran entabla 1,
y los efectos y costos de las actividades de mantenimiento, como se
enumeran enTabla 2. Estos parámetros se estiman a partir del informe de
información de mantenimiento preventivo y el archivo de hoja de cálculo
proporcionados por la acería del 19 de julio de 2011 al 23 de julio de 2012, y
de los datos proporcionados enZhao et al. (2015). Con base en estos datos,
podemos probar el desempeño de la política de mantenimiento propuesta y
sus cuatro casos especiales, desde la perspectiva de los ingresos netos
esperados.
4.1. Comparación de ingresos
Ahora llevamos a cabo experimentos numéricos para calcular el ingreso
neto esperado de la planta con base en el algoritmo desarrollado enSección
3.4. Los valores detallados de los parámetros de control se proporcionan en
Tabla 3. Aquí establecemos que el número iterativo máximo sea 500. El
cálculo de optimización se realiza en una computadora con una CPU
i7-8550U, una frecuencia dominante de 4G y una memoria de 16G.
Los resultados del cálculo muestran que la convergencia de este algoritmo es
satisfactoria. El número iterativo promedio para llegar a la solución óptima es 125
y el tiempo de cálculo promedio es de aproximadamente 162 segundos. En
comparación con un algoritmo de enumeración, se puede ahorrar un tiempo de
cálculo promedio del 92 %. A través de la comparación, también encontramos que
la precisión de la solución es de hasta el 99,8 %, lo que valida la superioridad de
rendimiento del algoritmo ABC.
La política de mantenimiento óptima basada en el algoritmo ABC se da
enTabla 4. Muestra que la política de mantenimiento propuesta proporciona
los ingresos netos máximos (un 16,6 %, 12,4 %, 5,7 % y 27,4 % extra de
ingresos en comparación con los cuatro casos especiales respectivos).
Adicionalmente, la política óptima es realizar una inspección manual cada
2.5 semanas durante tiempos consecutivos, y luego reemplazar
preventivamente la planta a las 2..5×6 + 12.8 = 27.8 semanas. También
observamos que el intervalo de inspección aumenta cuando el factor de
mejora aumenta a 1 (casos especiales 3 y 4). Esto indica que la frecuencia de
inspección está negativamente relacionada con el efecto de reparación.
Cuando el efecto de la reparación es deficiente, debemos aumentar la
frecuencia de inspección para mitigar el riesgo de defectos.
Cpag Cr Cen q ω
8000 (yuan chino) 5000 (yuan chino) 1000 (yuan chino) 0.4 0.4
Tabla 5
Ingresos netos esperados bajo la política
de mantenimiento propuesta.
(lhasta,yodn), semana
(0,50) metro s∗ yo∗ R(m, s∗,yo∗)
1 7.7 21.5 299,930 5.2 19.2
2 269,680 3.8 18.8 228,200
3 3.0 14.7 266,710
5
6 2,5 12,8 369.210
Ingresos netos óptimos 10 1.7 14.9 319,200 0,6
30 16.1 275,980
369210 50 0.4 17.2 247,110
316600
328320
349170
289821 Además, llevamos a cabo experimentos numéricos para explorar cómo
los ingresos netos esperados bajo nuestra política propuesta se ven
afectados por las variables de decisión de mantenimiento.Tabla 5ilustra la
variación de los ingresos netos esperados con respecto al número de
inspección. El intervalo de inspección óptimos∗disminuye monótonamente
con el número de inspección, mientras que el intervalo de aplazamiento
óptimoyo∗fiprimero disminuye y luego aumenta con el número de
inspección. En consecuencia, el intervalo óptimo de reemplazo preventivoT∗
es relativamente constante dentro del rango de
(28 semana,37semana). Esto significa que el intervalo de inspección no
tiene un impacto significativo en el plan de reemplazo.
También investigamos las variaciones de los ingresos netos
esperados en los casos especiales 1 y 2.Figura 6representa la variación
con respecto al intervalo de inspecciónsen el caso especial 1. Cuando el
intervalo aumenta, el ingreso neto esperado aumenta bruscamente
hasta el valor máximo y luego disminuye lentamente. Por lo tanto, el
ingreso neto es muy sensible al intervalo de inspección cuando es
relativamente pequeño. Esto indica que el plan de inspección debe
programarse con mucho cuidado.
Figura 7representa la variación de los ingresos netos esperados con
respecto tanto al intervalo de inspecciónsy número de inspecciónmetro bajo
el caso especial 2. Las sensibilidades de los ingresos a ambas variables son
casi iguales. Además, en comparación con el caso especial 1, la sensibilidad
de los ingresos al intervalo de inspección es mucho más débil. Por lo tanto,
podemos concluir que la disposición del reemplazo preventivo puede
mitigar efectivamente las incertidumbres causadas por las frecuencias de
inspección a través de una preparación de recursos de mantenimiento más
flexible y suficiente.
4.2. Análisis de sensibilidad
Para verificar aún más el desempeño y la aplicabilidad de nuestra política
de mantenimiento propuesta, llevamos a cabo un análisis de sensibilidad en
dos parámetros críticos: (a) el factor de mejora de la reparación imperfecta; y
(b) la probabilidad de misión de una inspección manual.
Figura 8ilustra la sensibilidad de los ingresos netos esperados óptimos al
factor de mejoraω, donde el tamaño de paso deωes 0.1. Los ingresos
óptimos bajo los casos especiales 3 y 4 no se ven afectados por el factor de
mejora, ya que estas dos pólizas están sujetas a reparación perfecta. En
cuanto a las demás pólizas, los ingresos óptimos aumentan junto con el
factor de mejora. Esto es autoanunciado ya que, cuando el costo de
reparación permanece igual, el nivel de ingresos se relaciona positivamente
con el efecto de la reparación. Además, cuandoωaumenta, la ventaja de
nuestra política propuesta para el caso especial 1 disminuye, y para el caso
especial 2 permanece casi igual. Esto indica que proporcionar reemplazo
preventivo ayuda a mejorar los ingresos cuando el
 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977 975

Figura 6.Ingresos netos esperados a través desen el caso especial 1.

Figura 7.Ingresos netos esperados a través desymetroen el caso especial 2.

Figura 8.Sensibilidad del ingreso neto óptimo al factor de mejoraω(ω∈ [0,1],tamaño de paso = 0.1).

el efecto de reparación es malo, mientras que el número de inspección elegido no está
determinado por el efecto de reparación.
Figura 9representa el impacto de la tasa de fallas en la inspecciónqsobre
los ingresos netos esperados, dondeqtambién tiene un tamaño de paso de
0.1. Cuándo qaumenta, el ingreso neto óptimo primero aumenta y luego
disminuye bajo todas las políticas. Esto significa que cuando el costo de
inspección sigue siendo el mismo, existe un óptimoqque puede maximizar
los ingresos netos. Una posible explicación de esto es que el
la frecuencia de reparación está positivamente relacionada con la tasa de éxito de la
inspección 1 −q. Obviamente, una gran tasa de éxito puede reducir el riesgo de defectos,
pero también puede generar demasiados costos de reparación. En cambio, un pequeñoq
puede reducir el costo de reparación, pero también incurre en un alto costo de falla. Por
esta razón, debe haber una compensación entre estos dos costos a través de la selección
deq.
Finalmente, probamos la sensibilidad del ingreso neto esperado
óptimo al límite inferior de disponibilidad constanteAmin. Esto
976 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977
Figura 9.Sensibilidad del ingreso neto óptimo a la tasa de fallas en la inspecciónq(q∈ [0,1],tamaño de paso = 0.1).
Figura 10.Sensibilidad del ingreso neto óptimo al límite inferior de la disponibilidadAmin(Amin∈ [0,1,0.9],tamaño de paso = 0.1).
El parámetro influye directamente en el equilibrio entre el rendimiento de la
disponibilidad y el costo operativo. Los resultados se muestran en Figura 10.
Se puede ver que la política de mantenimiento propuesta siempre
proporciona los ingresos más altos entre estas cinco políticas,
independientemente del valor deAmin. Además, tanto la política propuesta
como el caso especial 1 son menos sensibles aAminen comparación con las
otras tres pólizas. Esto se debe a que el reemplazo pospuesto provisto en
ambas pólizas permite una asignación de mantenimiento más flexible y, por
lo tanto, la compensación entre la disponibilidad y el costo es relativamente
estable.
5. Observaciones finales
Diseñamos una novedosa política de mantenimiento preventivo
para sistemas de manufactura sujetos a proceso de falla en dos etapas.
En contraste con la mayoría de los modelos de tiempo de demora,
desarrollamos un marco de mantenimiento de dos fases para tratar los
defectos del sistema. En la primera fase, se realizan tanto la inspección
imperfecta como la reparación imperfecta para eliminar el defecto. En
la segunda fase, el sistema se apaga para revisión durante la ventana
de tiempo programada. No se proporcionó ninguna inspección durante
la segunda fase, y la eliminación de defectos siempre se pospuso a la
ventana de tiempo de mantenimiento programado. Esta política de dos
fases puede proporcionar una asignación de recursos de
mantenimiento suficiente y flexible, lo que garantiza una alta
disponibilidad a un costo relativamente bajo.
Nuestra investigación puede extenderse a lo largo de varias líneas, y
enumeramos dos extensiones interesantes aquí. El primero es la aplicación
del marco de mantenimiento de dos fases en sistemas de fabricación de
componentes múltiples (Luo y Wu, 2018b; Keizer, Teunter y Veldman, 2017;
Keizer, Teunter, Veldman y Babai, 2018). En esta situación, se pueden
incorporar al marco algunas políticas de mantenimiento interesantes, como
el mantenimiento oportunista y el mantenimiento grupal (Cavalcante, &
Lopes, 2015; Keizer et al., 2017). El segundo es la exploración adicional de la
teoría del mantenimiento imperfecto en el modelo de tiempo de retardo. Por
ejemplo, el efecto de mejora de una reparación puede ser aleatorio y una
inspección puede dar un falso positivo o incluso causar un mal
funcionamiento del sistema.
Reconocimiento
La investigación reportada aquí fue financiada parcialmente por la NSFC
bajo números de subvención71671016y71231001, el Ministerio de Educación
con el número de subvención107-5004/107F107012, y el Fondo de
Investigación Fundamental de las Universidades Centrales con el número de
subvenciónFRF-GF-17-B14.
Apéndice: Algoritmos para fases ABC separadas
Algoritmos 1–3.
Referencias
Ahmad, R. y Kamaruddin, S. (2012). Una descripción general de las condiciones basadas en el tiempo y
mantenimiento basado en ciones en aplicaciones industriales.Informática e Ingeniería
Industrial, 63(1), 135–149.
 L. Yang, Z.-s. Ye y C.-G. Lee et al. / Revista europea de investigación operativa 274 (2019) 966–977
Alaswad, S. y Xiang, Y. (2017). Una revisión sobre la optimización del mantenimiento basado en la condición
modelos de ción para un sistema que se deteriora estocásticamente.Ingeniería de confiabilidad y seguridad del
sistema, 157, 54–63.
Berrade, MD, Bufanda, PA y Cavalcante, CAV (2017). Un estudio de re-
Colocación en un modelo de tiempo de retardo.Ingeniería de confiabilidad y seguridad del sistema, 168, 70–79.
Berrade, MD, Bufanda, PA, Cavalcante, CAV y Dwight, RA (2013). Imperfecto
inspección y reemplazo de un sistema con un estado defectuoso: un análisis de costos y
confiabilidad.Ingeniería de confiabilidad y seguridad del sistema, 120, 80–87. Cavalcante,
CAV, Lopes, RS y Bufanda, PA (2018). Una inspección general y op-
política portunística de sustitución de sistemas monocomponente de calidad variable.
Revista europea de investigación operativa, 266(3), 911–919.
Cavalcante, CAV y Lopes, RS (2015). Modelo multicriterio para apoyar la def-
Inicio de la política de mantenimiento oportunista: un estudio en un sistema de cogeneración.
Energía, 80, 32–40.
Chen, N., Ye, ZS, Xiang, Y. y Zhang, L. (2015). Uso de mantenimiento basado en la condición
ing el modelo de degradación gaussiana inversa.Revista europea de investigación
operativa, 243(1), 190–199.
Christer, AH y Waller, WM (1984). Reducción del tiempo de inactividad de la producción mediante el retraso:
análisis de tiempoRevista de la Sociedad de Investigación Operacional, 35(6), 499–512.
Driessen, JPC, Peng, H. y Van Houtum, GJ (2017). Optimización del mantenimiento
bajo probabilidades no constantes de inspecciones imperfectas.Ingeniería de confiabilidad y
seguridad del sistema, 165, 115–123.
Jin, T., Xiang, Y. y Cassady, R. (2013). Entender la disponibilidad operativa en per-
servicios de logística y mantenimiento basados en el rendimiento. En2013 Actas del
simposio anual de confiabilidad y mantenibilidad (RAMS)(págs. 1–6). Karaboga, D. y Akay, B.
(2011). Un algoritmo de colonia artificial de abejas (ABC) modificado para
Problemas de optimización con restricciones.Informática blanda aplicada, 11(3), 3021–3031.
Karaboga, D. y Basturk, B. (2007). Un algoritmo poderoso y eficiente para cálculos numéricos.
optimización de funciones: algoritmo de colonia de abejas artificiales (ABC).Diario de
Optimización Global, 39(3), 459–471.
Keizer, MCAO, Teunter, RH, Veldman, J. y Babai, MZ (2018). basado en condiciones
mantenimiento para sistemas con dependencia económica y reparto de carga.Revista
Internacional de Economía de la Producción, 195, 319–327.
Keizer, MCAO, Teunter, RH y Veldman, J. (2017). Mantenimiento conjunto basado en la condición
optimización de tenencia e inventario para sistemas con múltiples componentes.
Revista europea de investigación operativa, 257(1), 209–222.
Keizer, MCAO, Flapper, SDP y Teunter, RH (2017). mantenimiento basado en condiciones
Políticas de arrendamiento para sistemas con múltiples componentes dependientes: una
revisión. Revista europea de investigación operativa, 261(2), 405–420.
Liu, B., Wu, S., Xie, M. y Kuo, W. (2017). Una política de mantenimiento basada en la condición
para sistemas degradantes con costo de operación dependiente de la edad y el estado.
Revista europea de investigación operativa, 263(3), 879–887.
Liu, B., Xie, M. y Kuo, W. (2016). Modelado de confiabilidad y mantenimiento preventivo
de sistemas de carga compartida con componentes degradantes.Transacciones IIE, 48(8),
699–709.
Liu, X., Wang, W. y Peng, R. (2015). Una producción integrada, inventario y pre-
Modelo de mantenimiento preventivo para un sistema de producción multiproducto.Ingeniería de
confiabilidad y seguridad del sistema, 137, 76–86.
Luo, M. y Wu, S. (2018a). Un enfoque de valor en riesgo para la optimización de políticas de garantía
glacial.Revista europea de investigación operativa, 267(2), 513–522.
Luo, M. y Wu, S. (2018b). Un enfoque de optimización de media-varianza para colectivamente
políticas de garantía de precios.Revista Internacional de Economía de la Producción, 196,
101–112.
Nowicki, D., Kumar, UD, Steudel, HJ y Verma, D. (2008). Aprovisionamiento de repuestos
bajo contrato de logística basado en el desempeño: enfoque centrado en las ganancias.Revista de la
Sociedad de Investigación Operacional, 59(3), 342–352.
977
Peng, W., Shen, L., Shen, Y. y Sun, Q. (2018). Análisis de confiabilidad de sistemas reparables.
elementos con fallas recurrentes inducidas por mal uso y fallas de operación normal.Ingeniería de
confiabilidad y seguridad del sistema, 171, 87–98.
Pham, H. y Wang, H. (1996). Mantenimiento imperfecto.Revista europea de operaciones
Investigación, 94, 425–438.
Qiu, Q. y Cui, L. (2018). Evaluación de confiabilidad basada en una falla dependiente de dos etapas.
ure proceso con fallas en competencia.Modelos matemáticos aplicados, 64, 699–712.
Qiu, Q., Cui, L., Gao, H. y Yi, H. (2018). Asignación óptima de unidades en secuencia
sistemas de series de probabilidad.Ingeniería de confiabilidad y seguridad del sistema, 169, 351–363.
Qiu, Q., Cui, L., Shen, J. y Yang, L. (2017). Política de mantenimiento óptima considerando
errores de mantenimiento para sistemas que operan bajo contratos basados en
desempeño. Informática e Ingeniería Industrial, 112, 147–155.
Qiu, Q., Cui, L. y Yang, L. (2018). Pólizas de mantenimiento para sistemas energéticos sujetos
a complejos procesos de falla y acuerdo de compra de energía.Informática e
Ingeniería Industrial, 119, 193–203.
Ross, SM (1982).Procesos estocásticos. Nueva York: John Wiley & Sons.
Bufanda, PA, & Cavalcante, CAV (2012). Modelando la calidad en el reemplazo y
mantenimiento de inspección.Revista Internacional de Economía de la Producción, 135(1),
372–381.
Sheu, SH, Tsai, HN, Wang, FK y Zhang, ZG (2015). Un óptimo extendido
modelo de reemplazo para un sistema deteriorado con inspecciones.Ingeniería de
confiabilidad y seguridad del sistema, 139(3), 33–49.
Sheu, SH y Zhang, ZG (2013). Una póliza de reemplazo de edad óptima para multi-estado
sistemasTransacciones IEEE sobre confiabilidad, 62(3), 722–735.
Van Oosterom, CD, Elwany, AH, Çelebi, D. y Van Houtum, GJ (2014). Óptimo
Políticas para un modelo de tiempo de demora con reemplazo pospuesto.Revista europea de
investigación operativa, 232(1), 186–197.
Wang, L., Hu, H., Wang, Y., Wu, W. y He, P. (2011). El modelo de disponibilidad y pa-
método de estimación de rámetros para el modelo de tiempo de retardo con mantenimiento
imperfecto en la inspección.Modelado matemático aplicado, 35(6), 2855–2863. Wang, W. (2012). Una
descripción general de los avances recientes en el mantenimiento basado en el tiempo de retardo
modelado financiero.Ingeniería de confiabilidad y seguridad del sistema, 106, 165–178.
Wang, W. y Wang, H. (2015). Reemplazo preventivo para sistemas con condición
seguimiento e inspecciones manuales adicionales.Revista europea de investigación
operativa, 247(2), 459–471.
Wang, W., Zhao, F. y Peng, R. (2014). Un modelo de mantenimiento preventivo con
política de inspección de dos niveles basada en un proceso de falla de tres etapas.Ingeniería de
confiabilidad y seguridad del sistema, 121, 207–220.
Wu, S. y Bufanda, Pensilvania (2017). Dos nuevos modelos estocásticos del proceso de falla de un
sistema en serie.Revista europea de investigación operativa, 257(3), 763–772. Xiang,
Y., Zhu, Z., Coit, DW y Feng, Q. (2017). Mantenimiento bajo condiciones
bajo la contratación basada en el desempeño.Informática e Ingeniería Industrial, 111, 391–
402.
Xiang, Y., Coit, DW y Feng, Q. (2014). Burn-in acelerado y basado en condiciones
mantenimiento para -subpoblaciones sujetas a degradación estocástica.
Transacciones IIE, 46(10), 1093–1106.
Yang, L., Ma, X., Peng, R., Zhai, Q. y Zhao, Y. (2017). Un mantenimiento preventivo
modelo basado en deterioro dependiente en dos etapas y choques externos.Ingeniería de
confiabilidad y seguridad del sistema, 160, 201–211.
Yang, L., Ma, X., Peng, R. y Zhao, Y. (2018). Mantenimiento preventivo híbrido de
fallas competitivas en un entorno aleatorio.Ingeniería de confiabilidad y seguridad del
sistema, 174, 130–140.
Ye, ZS, Yan, S. y Xie, M. (2012). Burn-in basado en la degradación con mantenimiento preventivo
tenenciaRevista europea de investigación operativa, 221, 360–367.
Zhao, F., Wang, W. y Peng, R. (2015). Mantenimiento preventivo basado en el tiempo de demora
modelado para una planta de producción: un estudio de caso en una acería.Revista de la Sociedad de
Investigación Operacional, 66(12), 2015–2024.