Preventive and corrective maintenance scheduling for vehicles at a single dead-end track under service level agreement

Abstract

Hizmet seviye anlaşması (HSA) ve planlı bakım çevrimleri altında tek ucu kapalı rayda araç bakım çizelgelemesi problemini ele aldık. Problemin NP-Zor olduğunu gösterdik. Problemi çözmek için Karma Tamsayılı Program (KTP) modeli ve formulasyon iyileştirmeleri önerdik. Ayrıca KTP çözücüsüne başlangıç çözümü veren bir sezgisel geliştirdik. Bilgisayısal deneyler sonucunda formulasyon iyileştirmesi, CPLEX parametre ince ayarı ve sezgiselin birleşimi olan gelişmiş model, verilen zaman sınırları altında KTP modeline kıyasla çözüm kalitesini ciddi şekilde arttırmıştır. Gelişmiş modeli çözüm yöntemi olarak seçtik. Problem parametrelerinin anahtar performans göstergesine (APG) etkisini belirlemek için kesikli olay benzetimi ortamı yarattık. Düzeltici işler önleyici işlerin geçlik bazlı APGlerini kötüleştirdiği için iki alternatif metodoloji önerdik. Birincisi çözüm yönteminin verdiği sonucu yeniden çizelgeleyen tampon yöntemi, diğeri ise modelde erkenliği gözetmek için çözüm yönteminin amaç fonksiyonunu değiştirdiğimiz beklenti yöntemidir. Sonuç olarak bu yöntemler çözüm yöntemine göre önleyici işlerin geçlik bazlı APGlerini düşürmekte fakat önleyici erkenliğini yükseltmektedir.

We introduce the problem of vehicle maintenance scheduling under service level agreement (SLA) and preventive maintenance cycles at a single dead-end track. We show that the problem is NP-Hard. We build MILP model to solve the problem and propose formulation improvements based on problem structure. Besides, we develop a heuristic that generates an initial feasible solution to the MILP solver. As a result of computational experiments, we show that improved model, which is a combination of formulation improvements, CPLEX parameter fine-tuning and the heuristic drastically heightens the solution quality compared to the MILP model under given time limits. We select the improved model as a solution method. We create a discrete-event simulation environment to determine effects of problem parameters on key performance indicators (KPI). We build two alternative methodologies, as corrective jobs worsen tardiness related KPIs of preventive jobs. One of them is the buffer method which reschedules the result of the solution method, the other one is anticipation method in which we alter objective function of the solution method to favor earliness in the model. In conclusion, these methods diminish tardiness related KPIs of preventive jobs but they increase preventive earliness compared to the solution method.