面向数控机床维修维护服务的任务分配模型

针对数控机床维修维护服务任务分配过程中需保证服务技术质量的前提下进行多目标决策的问题,构建了一种面向数控机床维修维护服务的任务分配模型。首先解析了数控机床维修维护任务分配时所需的故障特征知识和人员特性,并对各特性知识进行了形式化说明,采用加权欧氏(Euclidean)距离的方法计算维修维护质量需求与人员特性的匹配度;其次根据匹配度值剔除了不合理匹配的方案,并结合其它决策目标采用层次分析法(AHP)对保留方案进行了评估。最后通过实例进行验证,其结果表明该模型应用于数控机床维修维护服务时的任务分配工作更加高效、实用。

面向数控机床维修维护服务的任务分配模型

针对数控机床维修维护服务任务分配过程中需保证服务技术质量的前提下进行多目标决策的问题,构建了一种面向数控机床维修维护服务的任务分配模型。首先解析了数控机床维修维护任务分配时所需的故障特征知识和人员特性,并对各特性知识进行了形式化说明,采用加权欧氏(Euclidean)距离的方法计算维修维护质量需求与人员特性的匹配度;其次根据匹配度值剔除了不合理匹配的方案,并结合其它决策目标采用层次分析法(AHP)对保留方案进行了评估。最后通过实例进行验证,其结果表明该模型应用于数控机床维修维护服务时的任务分配工作更加高效、实用。

面向数控机床维修维护服务的任务分配模型

针对数控机床维修维护服务任务分配过程中需在保证服务技术质量的前提下进行多目标决策的问题,构建了一种面向数控机床维修维护服务的任务分配模型。首先解析了数控机床维修维护任务分配时所需的故障特征知识和人员特性,并对各特性知识进行了形式化说明,采用加权欧氏距离的方法计算维修维护质量需求与人员特性的匹配度;其次根据匹配度值剔除了不合理匹配的方案,并结合其它决策目标采用层次分析法(AHP)对保留方案进行了评估,最后通过实例进行验证。

不确定环境下复杂产品维护、维修和大修服务资源调度优化

基于对复杂产品维护、维修和大修(MRO)协同服务资源调度的需求分析,从现实角度出发,建立资源调度时间和服务执行时间参数不确定条件下的随机机会约束规划数学模型.提出由随机模拟、神经网络和离散粒子群优化算法组合成的混合智能算法,求解所提出的优化问题.随机模拟方法为所建立的神经网络模型提供训练样本集,得到的训练样本集被用于训练神经网络模型以逼近优化目标函数,训练后的神经网络模型被用于代替优化目标函数来执行粒子群算法优化迭代.该混合算法能有效提升时间参数不确定条件下的复杂产品MRO协同服务资源调度双目标优化问题的求解速度.案例分析表明,相比于确定性条件下的优化算法,所提出的随机机会约束规划模型和混合算法更适用于求解现实中不确定条件下的MRO服务资源调度问题,所求得的调度方案在实际执行中具有更好的鲁棒性.

基于云遗传算法的MRO服务调度

为了对产品全生命周期管理相关技术人员或服务商进行合理的组织和调度,在有限的成本条件下最快地完成维修、维护和大修任务,以维修、维护和大修中的维修服务为例,对维修服务调度问题进行数学建模,并应用基于云模型理论的遗传算法求解数学模型,得出最优调度方案。研究结果表明,建立的模型符合实际应用需求,采用云遗传算法可以产生最优解。通过比较可知,云遗传算法在求解精度和收敛速度上都优于自适应遗传算法。