Совершенствование методов резервирования запасных частей для сельскохозяйственной техники на основе генетических алгоритмов

Бесперебойное использование сельскохозяйственной техники в период полевых работ обеспечивается поддержанием работоспособного состояния машин путём своевременного проведения технического обслуживания и оперативного устранения эксплуатационных отказов. Период неработоспособного состояния машин можно сократить при наличии на складе эксплуатирующего предприятия некоторого резерва запасных частей. При обосновании резерва, учитывающего целесообразность резервирования и расчёт потребного количества резервируемых частей, недостаточно изучены методы искусственного интеллекта. С целью обоснования метода резервирования запасных частей для сельскохозяйственной техники и определения эффекта от его производственного внедрения разработаны генетический алгоритм и программное обеспечение. Разработанный метод резервирования апробирован на сельскохозяйственном предприятии для обоснования сезонных резервов запасных частей комбайнов Дон-1500Б и TORUM. В информационной модели данных учитывались стоимость и количество потребляемых запасных частей по годам, количество машин, потребляющих запчасти в конкретный сезон работ, значения времени установки запчастей на машину и др. Применение генетического алгоритма позволило из 2500 наименований запасных частей выделить 66 наиболее значимых позиций, необходимых к резервированию на сезон уборки. Установлено, что метод резервирования запасных частей для сельскохозяйственной техники, основанный на применении генетического алгоритма в сочетании с базой данных, содержащей информацию о реальном потреблении запасных частей машинами не менее чем за 3 предыдущих года, позволяет снизить время простоя комбайнов в ожидании подвоза запчастей на 37%, увеличить дневную производительность комбайнов на 11,4%, коэффициент оперативной готовности комбайнов на 4,38%.

1. Царев Ю.А., Симон Д.В. Алгоритм управления запасами как метод управления эксплуатационной надежностью зерноуборочных комбайнов // Политематический сетевой электронный научный журнал Кубанского государственного аграрного университета. 2016. № 115. С. 263-283. EDN: VJLQYN.

2. Никитченко С.Л., Гринченков Д.В. Математическое обеспечение информационной системы для резервирования запасных частей сельскохозяйственной техники // Фундаментально-прикладные проблемы безопасности, живучести, надёжности, устойчивости и эффективности систем: Материалы IV Международной научно-практической конференции. Елец, 2020. С. 374-379. EDN: ETZXPY.

3. Филатов М.И., Юсупова О.В. Формирование резерва запасных частей для ремонта транспортно-технологических машин // Вестник Оренбургского государственного университета. 2014. № 10 (171). С. 213-218. EDN: TPNRNR.

4. Рязанова Е.С., Корчагина Е.В. Экономическая эффективность WMS-систем в складском хозяйстве // Неделя науки СПбПУ: Материалы научной конференции с международным участием. Санкт-Петербург, 2017. С. 106-108. EDN: YNABFX.

5. Шрайбфедер Дж. Эффективное управление запасами: Пер. с англ. 2-е изд. М.: Альпина Бизнес Букс, 2006. 304 с.

6. Жуков О.В., Сазонов С.П., Оноприенко Ю.Г., Мершиева Г.А. Методика применения ABC/XYZ-анализа для целей управления запасами в ERP-системе предприятия // Вестник Воронежского государственного университета инженерных технологий. 2017. Т. 74, № 1. С. 477-484. https://doi.org/10.20914/2310-1202-2017-1-477-484.

7. Рахутин М.Г. Перспективы применения нейросетей для прогноза расхода запасных частей гидрооборудования забойных машин // Горный информационно-аналитический бюллетень. 2002. № 2. С. 147-148. EDN: MURJLZ.

8. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы: Пер. с польск. И.Д. Рудинского. 2-е изд. М.: Горячая линия – Телеком, 2013. 384 с.

9. Бабина О.И. Разработка оптимизационной имитационной модели для поддержки процессов планирования складских систем // Компьютерные исследования и моделирование. 2014. Т. 6, № 2. С. 295-307. EDN: SITETL.

10. Проталинский О.М., Щербатов И.А., Проталинская Ю.О. Интеллектуальное управление производственными активами в энергетике // Шаг в будущее: искусственный интеллект и цифровая экономика: Материалы 1-й Международной научно-практической конференции. М.: ГУУ, 2017. С. 5-10. EDN: YVMQVB.

11. Сердюков В.И., Сердюкова Н.А., Шишкина С.И. Повышение безотказной работы изделий с использованием элементов искусственного интеллекта // Вестник МГТУ им. Н.Э. Баумана. Серия «Машиностроение». 2017. № 1 (112). C. 62-72. https://doi.org/10.18698/0236-3941-2017-1-62-72.

12. Волочков И.В. Эволюционное моделирование в процессе принятия решений // Экономика и предпринимательство. 2020. № 2 (115). С. 897-901. EDN: HEUCXV.

13. Holland J.H. Adaptation in natural and artificial systems: An introductory analysis with applications to biology, control, and artificial intelligence. The MIT Press, Cambridge, 1992. 211 p.

14. Доронин В.А. Применение генетического алгоритма для оптимизации складских запасов // Новые информационные технологии в автоматизированных системах: Материалы конференции. М.: Московский институт электроники и математики НИУ ВШЭ. 2006. № 9. С. 117-123. EDN: YNWXQV.

15. Periaux J., Chen H.Q., Mantel B., Sefrioui M., Sui H.T. Combining game theory and genetic algorithms with application to DDM-nozzle optimization problems. Finite Elements in Analysis and Design. 2001; 37 (5): 417-429. https://doi.org/10.1016/S0168-874X(00)00055-X.