Оптимізація монтажу електротехнічного обладнання на основі математичного моделювання
Анотація
Анотація. Монтаж електротехнічного обладнання є критично важливим етапом у створенні та модернізації енергетичних об'єктів, що впливає на загальну ефективність, надійність та безпечність експлуатації електроустановок. Традиційні методи планування монтажу часто базуються на емпіричних даних і досвіді інженерів, що може призводити до неефективного використання ресурсів, збільшення термінів виконання робіт та підвищених експлуатаційних витрат.
У цій роботі розглядається підхід до оптимізації процесу монтажу електротехнічного обладнання на основі математичного моделювання. Запропоновано комплексну математичну модель, яка дозволяє визначати оптимальні графіки робіт, мінімізувати втрати часу та ресурсів, а також підвищувати якість виконання монтажних операцій. Формалізація задачі проведена із застосуванням методів лінійного програмування та теорії графів, що дає змогу ефективно розподіляти трудові та матеріальні ресурси, мінімізуючи можливі простої та логістичні витрати.
Розроблена модель враховує ключові фактори, що впливають на процес монтажу, зокрема часові обмеження, доступність матеріалів, кваліфікацію персоналу та ризики помилок у процесі встановлення обладнання.
Результати дослідження показують, що застосування математичних методів оптимізації дозволяє скоротити тривалість монтажних робіт на 10–20%, зменшити витрати на логістику та ресурси, а також знизити ймовірність виникнення помилок при інсталяції обладнання. Практична апробація моделі може бути здійснена у рамках реалізації проектів будівництва трансформаторних підстанцій, розподільчих пунктів та інших енергетичних об'єктів.
Отримані результати можуть бути використані для автоматизації процесів планування монтажу, підвищення ефективності управління проектами у сфері електроенергетики та розробки інтелектуальних систем підтримки прийняття рішень при виконанні електромонтажних робіт.
Посилання
https://doi.org/10.1016/j.energy.2024.132773.
2. Otala, J., Minard, A., Madraki, G., & Mousavian, S. (2021). Graph-Based Modeling in Shop Scheduling Problems: Review and Extensions. Applied Sciences, 11(11), 4741.
https://doi.org/10.3390/app11114741
3. Fekih, A., Hadda, H., Kacem, I., & Hadj-Alouane, A. B. (2020). A hybrid genetic Tabu search algorithm for minimising total completion time in a flexible job-shop scheduling problem. European Journal of Industrial Engineering, 14(6), 763–781.
https://doi.org/10.1504/EJIE.2020.112479
4. Shan, S., Hu, Z., Liu, Z., Shi, J., & Wang, L. (2017). An adaptive genetic algorithm for demand-driven and resource-constrained project scheduling in aircraft assembly. Information Technology and Management, 18(1), 41–53.
https://doi.org/10.1007/s10799-015-0223-7
5. Goncharov, E.N., Leonov, V.V. Genetic algorithm for the resource-constrained project
scheduling problem. Autom Remote Control 78, 1101–1114 (2017).
https://doi.org/10.1134/S0005117917060108
6. Roshanaei, V., Azab, A., & ElMaraghy, H. (2013). Mathematical modelling and a meta-heuristic for flexible job shop scheduling. International Journal of Production Research, 51(20), 6247–6274.
https://doi.org/10.1080/00207543.2013.827806
7. Kucuksayacigil, F., Ulusoy, G (2020). Hybrid genetic algorithm for bi-objective resource-constrained project scheduling. Front. Eng. Manag. 7, 426–446.
https://doi.org/10.1007/s42524-020-0100-x
8. Nguyen, Su & Thiruvady, Dhananjay & Sun, Yuan & Zhang, Mengjie. (2024). Genetic-based Constraint Programming for Resource Constrained Job Scheduling. 942-951.
https://doi.org/10.1145/3638529.3654046
9. Smit, I. G., Zhou, J., Reijnen, R., Wu, Y., Chen, J., Zhang, C., Bukhsh, Z., Nuijten, W. P. M., & Zhang, Y. (2024). Graph Neural Networks for Job Shop Scheduling Problems: A Survey. arXiv.org. https://doi.org/10.48550/arXiv.2406.14096
10. Rasool Motahari, Zeinolabedin Alavifar, Abdullah Zareh Andaryan, Maxwell Chipulu, Morteza Saberi (2023). A multi-objective linear programming model for scheduling part families and designing a group layout in cellular manufacturing systems. Computers & Operations Research, Volume 151,106090, ISSN 0305-0548.
https://doi.org/10.1016/j.cor.2022.106090
11. Fuqing Zhao, Shilu Di, Ling Wang, Tianpeng Xu, Ningning Zhu, Jonrinaldi (2022). A self-learning hyper-heuristic for the distributed assembly blocking flow shop scheduling problem with total flowtime criterion. Engineering Applications of Artificial Intelligence, Volume 116, 105418, ISSN 0952-1976.
https://doi.org/10.1016/j.engappai.2022.105418
12. Yongping Liu, Lizhen Huang, Xiufeng Liu, Guomin Ji, Xu Cheng, Erling Onstein (2023). A late-mover genetic algorithm for resource-constrained project-scheduling problems. Information Sciences,Volume 642, 119164, ISSN 0020-0255.
https://doi.org/10.1016/j.ins.2023.119164
13. Yongchang Ren, Jun Li (2023). Research on Software Project Schedule Planning Technology Based on the Integration of PERT and CPM. Procedia Computer Science, Volume 228, Pages 253-261, ISSN 1877-0509
https://doi.org/10.1016/j.procs.2023.11.029.
14. Hao Zhang, Fu Zhao, John W. Sutherland (2015). Energy-efficient scheduling of multiple manufacturing factories under real-time electricity pricing. CIRP Annals, Volume 64, Issue 1, Pages 41-44, ISSN 0007-8506.
https://doi.org/10.1016/j.cirp.2015.04.049
15. Arie M.C.A. Koster, Jenny Segschneider, Nicole Ventsch (2024). Γ-robust optimization of project scheduling problems, Computers & Operations Research, Volume 161, 106453, ISSN 0305-0548.
https://doi.org/10.1016/j.cor.2023.106453
16. Parviz Ghoddousi, Ramin Ansari, Ahmad Makui (2017). A risk-oriented buffer allocation model based on critical chain project management. KSCE Journal of Civil Engineering, Volume 21, Issue 5, Pages 1536-1548, ISSN 1226-7988.
https://doi.org/10.1007/s12205-016-0039-y
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
