УДК 004.02 Методы решения задач
Графики технического обслуживания оборудования в промышленности подвержены постоянным изменениям: возникают внеплановые задания, изменяются сроки выполнения, ограничивается доступность ресурсов. Статические оптимизационные модели (например, на основе смешанного целочисленного линейного программирования) обеспечивают сбалансированное исходное распределение работ, но требуют полного пересчёта расписания при каждом возмущении. В статье предложена модель оперативного управления потоками заданий ремонтных бригад на основе концепции Workload Control (WLC). Эта концепция реализует локальную адаптацию расписания в реальном времени за счёт контроля допуска новых заданий, прогнозирования загрузки и механизмов перераспределения работ. Модель на основе смешанного целочисленного линейного программирования используется как источник ограничений (границ загрузки и допустимых назначений), формируя стартовое состояние для динамического контура WLC. Проведено моделирование трёх сценариев с различной степенью изменчивости заданий. Показано, что применение WLC снижает пики перегрузок, увеличивает коэффициент запуска заданий и обеспечивает устойчивость расписания при росте внеплановых работ. Полученная модель может применяться в составе информационных систем управления ТОиР и соответствует принципам интеллектуального обслуживания оборудования согласно ГОСТ Р ИСО 13381-1-2016 и ГОСТ Р 71839-2024.
Workload Control, оперативное планирование, техни-ческое обслуживание, ремонты, ремонтные бригады, управление загрузкой, динамическая диспетчеризация, интеграция.
1. Насонов М. А. Моделирование распределения загрузки ремонтных бригад при планировании технического обслуживания и ремонтов оборудования на промышленном предприятии / М. А. Насонов, С. А. Манцеров Моделирование систем и процессов. – 2025. – Т. 18, № 1. – С. 51-59. – DOIhttps://doi.org/10.12737/2219-0767-2025-51-59
2. Geurtsen M. Production, maintenance and resource scheduling: A review / M. Geurtsen, J. B. H. C. Didden, J. Adan [et al.] // European Journal of Operational Research. – 2022. – DOIhttps://doi.org/10.1016/j.ejor.2022.03.045
3. Angeles, E. Optimal Inspection and Preventive Maintenance Scheduling of Mining Equipment / E. Angeles, M. Kumral // Journal of Failure Analysis and Prevention. – 2020. – Vol. 20, No. 4. – P. 1408-1416. – DOIhttps://doi.org/10.1007/s11668-020-00949-z
4. Sagawa J. K., Land M. J. Representing workload control of manufacturing systems as a dynamic model //IFAC-PapersOnLine. – 2018. – Т. 51. – №. 2. – С. 825-830.
5. Fernandes N. O., Land M. J., Carmo-Silva S. Aligning workload control theory and practice: lot splitting and operation overlapping issues //International Journal of Production Research. – 2016. – Т. 54. – №. 10. – С. 2965-2975.
6. Prabhu A., Raghunandana K., Yogesh P. P. Workload control in flow shops with bottleneck shifting and process time variability //Production Engineering Archives. – 2024. – Т. 30. – №. 1. – С. 48-56.
7. Thürer M. et al. Material flow control in make-to-stock production systems: an assessment of order generation, order release and production authorization by simulation //Flexible Services and Manufacturing Journal. – 2025. – Т. 37. – №. 1. – С. 1-37.
8. Haeussler S., Netzer P. Comparison between rule-and optimization-based workload control concepts: a simulation optimization approach // International Journal of Production Research. – 2020, v. 58(12). – pp.3724–3243
9. Ridwan I. B., Addo S. Multi-objective optimization in business analytics: balancing profitability, risk exposure, and sustainability in strategic decision-making //Int J Adv Res Publ Rev. – 2025. – Т. 2. – №. 5. – С. 89-111.
10. Yang Y. et al. A threshold-and priority-based dispatching rule for the simulation-based dynamic scheduling optimization in automated manufacturing systems //Simulation. – 2025. – С. 00375497251328047.
11. Насонов, М. А. Архитектурная трансформация системы технического обслуживания оборудования на промышленном производстве / М. А. Насонов, И. С. Решетников // Автоматизация в промышленности. – 2025. – № 3. – С. 3-11.
12. ГОСТ Р 71839–2024 (ИСО 21919–1:2019). Умное производство. Интерфейсы для автоматизированного обслуживания технологического оборудования. Часть 1. Общие положения. – М.: Стандартинформ, 2024.
13. ГОСТ Р ИСО 13381–1–2016. Контроль состояния и диагностика машин. Прогнозирование технического состояния. Часть 1. Общие руководящие положения. – М.: Стандартинформ, 2017.
14. Леонов, Д. Г. Функциональные возможности генеративных моделей и оценка их применимости в задачах интеллектуальной поддержки принятия решений для объектов Единой системы газоснабжения / Д. Г. Леонов, О. А. Степанкина, К. Н. Телегова // Автоматизация и информатизация ТЭК. – 2025. – № 5(622). – С. 28-33.
