تعداد نشریات | 17 |
تعداد شمارهها | 399 |
تعداد مقالات | 2,745 |
تعداد مشاهده مقاله | 1,637,092 |
تعداد دریافت فایل اصل مقاله | 1,469,179 |
بهینهسازی قابلیت اطمینان رایانه مرکزی یک کاوشگر با استفاده از دادههای مربوط به طول عمر اجزای آن | ||
فصلنامه آماد و فناوری دفاعی | ||
دوره 4، شماره 4 - شماره پیاپی 12، اسفند 1400، صفحه 11-32 اصل مقاله (513.8 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
هادی قلی نژاد1؛ سیدحسین ترابی2 | ||
1دکتری مهندسی صنایع،دانشگاه صنعتی اصفهان | ||
2کارشناسی ارشد مهندسی هوافضا دانشگاه خواچه نصیرالدین طوسی | ||
چکیده | ||
بهینهسازی قابلیت اطمینان یکی از زمینههای مسائل بهینهسازی است که موردتوجه بسیاری از محققان قرارگرفته است. قابلیت اطمینان یک سیستم معیاری مهم و حیاتی برای ارزیابی آن به شمار میرود، بهخصوص در سیستمهایی که دسترسی برای تعمیر آن وجود ندارد مانند کاوشگرها، ماهوارهها و هواپیماهای بدون سرنشین و ... در صنایع هوافضا. در این مقاله سعی میشود با تخصیص اجزای مازاد به زیرسیستمهای تشکیلدهنده رایانه مرکزی یک کاوشگر، قابلیت اطمینان کل آن تا حد امکان بهبود پیدا کند، به صورتی که محدودیتهای مسئله شامل محدودیتهای هزینه، وزن و حجم رعایت شود. لذا با یک مسئله بهینهسازی قابلیت اطمینان به نام مسئله تخصیص افزونگی روبرو هستیم. در مدل ارائهشده راهبرد تخصیص اجزای مازاد برای هر زیرسیستم بهصورت یک متغیر تصمیم در نظر گرفتهشده که میتواند فعال، ذخیره یا مختلط باشد. در مسئله تخصیص افزونگی نیاز هست که توزیع طول عمر تمام قطعات مشخص باشد اما در این مقاله فرض میشود که فقط دادههای طول عمر اجزا در دسترس است. لذا ابتدا با استفاده از روشهای آماری توزیع طول عمر مناسبتر به دادهها برازش شده و در انتها قابلیت اطمینان سیستم بهینهسازی میشود. در سیستم موردمطالعه نشان داده میشود که با تخصیص اجزای مازاد، به ازای افزایش کمتر از 3 برابری هزینه، وزن و حجم، میتوان قابلیت اطمینان را بیش از 14 برابر افزایش داد و سیستمی باقابلیت اطمینان کمتر از 7 درصد را که میتوان گفت انتظار کار کردن آن تا زمان مأموریت نمیرود به سیستمی تقریباً پایا باقابلیت اطمینان بیش از 94 درصد ارتقاء داد. | ||
کلیدواژهها | ||
الگوریتم ژنتیک؛ بهینهسازی قابلیت اطمینان؛ تخصیص اجزای مازاد؛ رایانه مرکزی کاوشگر؛ نیکویی برازش | ||
مراجع | ||
Anderson, T. W., & Darling, D. A. (1954). A test of goodness of fit. Journal of the American statistical association, 49(268), 765-769.
Ardakan, M. A., & Hamadani, A. Z. (2014). Reliability optimization of series–parallel systems with mixed redundancy strategy in subsystems. Reliability Engineering & System Safety, 130, 132-139.
Ardakan, M. A., Hamadani, A. Z., & Alinaghian, M. (2015). Optimizing bi-objective redundancy allocation problem with a mixed redundancy strategy. ISA transactions, 55, 116-128.
Chambari, A., Rahmati, S. H. A., & Najafi, A. A. (2012). A bi-objective model to optimize reliability and cost of system with a choice of redundancy strategies. Computers & Industrial Engineering, 63(1), 109-119.
Chang, K. H., & Kuo, P. Y. (2018). An efficient simulation optimization method for the generalized redundancy allocation problem. European Journal of Operational Research, 265(3), 1094-1101.
Coit, D. W. (2001). Cold-standby redundancy optimization for nonrepairable systems. Iie Transactions, 33(6), 471-478.
Coit, D. W. (2003). Maximization of system reliability with a choice of redundancy strategies. IIE transactions, 35(6), 535-543.
Coit, D. W., & Liu, J. C. (2000). System reliability optimization with k-out-of-n subsystems. International Journal of Reliability, Quality and Safety Engineering, 7(02), 129-142.
Essadqi, M., Idrissi, A., & Amarir, A. (2018). An Effective Oriented Genetic Algorithm for solving redundancy allocation problem in multi-state power systems. Procedia Computer Science, 127, 170-179.
Fyffe, D. E., Hines, W. W., & Lee, N. K. (1968). System reliability allocation and a computational algorithm. IEEE Transactions on Reliability, 17(2), 64-69.
Kolmogorov, A. N. (1933), Sulla Determinazione Empirica di une legge di Distribuzione. Giornale dell’Intituto Italiano degli Attuari, 4, 83-91.
Mousavi, S. M., Alikar, N., Tavana, M., & Di Caprio, D. (2019). An improved particle swarm optimization model for solving homogeneous discounted series-parallel redundancy allocation problems. Journal of Intelligent Manufacturing, 30(3), 1175-1194.
Pearson, K. (1900). X. On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably supposed to have arisen from random sampling. The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science, 50(302), 157-175.
Sabri-Laghaie, K., & Karimi-Nasab, M. (2019). Random search algorithms for redundancy allocation problem of a queuing system with maintenance considerations. Reliability Engineering & System Safety, 185, 144-162.
Safari, J. (2012). Multi-objective reliability optimization of series-parallel systems with a choice of redundancy strategies. Reliability Engineering & System Safety, 108, 10-20.
Smirnov, N. V. (1936). Sui la distribution de w2 (Criterium de MRv Mises). Comptes Rendus (Paris), 202, 449-452.
Tavakkoli-Moghaddam, R., Safari, J., & Sassani, F. (2008). Reliability optimization of series-parallel systems with a choice of redundancy strategies using a genetic algorithm. Reliability Engineering & System Safety, 93(4), 550-556.
Yeh, W. C. (2017). A new exact solution algorithm for a novel generalized redundancy allocation problem. Information Sciences, 408, 182-197. | ||
آمار تعداد مشاهده مقاله: 159 تعداد دریافت فایل اصل مقاله: 173 |