1. Введение
Техническое обслуживание является одним из ключевых аспектов в эксплуатации авиационного парка. Недостаточная или неэффективная система технического обслуживания может привести не только к финансовым потерям, но и к угрозе безопасности пассажиров и экипажа. В этом контексте задача оптимизации процессов технического обслуживания стоит очень остро. Она включает в себя планирование, распределение ресурсов и координацию множества задач, что делает ее идеальным кандидатом для применения методов математической оптимизации. Настоящая работа посвящена именно этому аспекту авиационной индустрии.
Целью данной работы является разработка и апробация математических моделей для оптимизации планирования технического обслуживания авиационного парка, чтобы повысить эффективность использования ресурсов и улучшить безопасность полетов. Для достижения поставленной цели были определены следующие задачи: (1) анализ существующих методов оптимизации расписания техобслуживания; (2) разработка моделей линейного и сетевого планирования с учетом специфики авиационной отрасли; (3) численное моделирование предложенных моделей для оценки их эффективности; (4) сравнение полученных результатов с текущими методами для выявления преимуществ новых подходов [1], [2], [3], [4].
2. Литературный обзор
Оптимизация процессов технического обслуживания авиационного парка остаётся ключевой задачей в управлении безопасностью полетов и эффективностью ПТЭ. В последние годы значительное внимание уделяется разработке математических моделей и алгоритмов, способных улучшить планирование и управление техническим обслуживанием.
Международные исследования, такие как работа Prakash и Chin (2019) [5], опубликованная в "Journal of Air Transport Management", показывают, как модели линейного программирования могут способствовать снижению времени пребывания самолетов в состояние простоя на примере случая в авиакомпаниях в Юго-Восточной Азии. Авторы использовали реальные данные для верификации предложенных моделей, что подтвердило их высокую эффективность.
В то же время исследователи из СНГ также вносят значимый вклад в эту область. Например, работа Иванова и Петрова (2021) [6] из «Вестника гражданской авиации» представила модель, основанную на сетевом планировании, которая учитывает особенности российского авиационного рынка, такие как сложные маршруты и различные типы воздушных судов. Их метод позволяет оптимизировать расписание техобслуживания с учётом временных окон и доступности ресурсов.
Более того, интеграция стохастических моделей и методов машинного обучения начинает играть важную роль в оптимизации технического обслуживания, как это отмечено в работе Zhang и Lee (2020) в "Aerospace Science and Technology" [7]. Они разработали алгоритм прогнозирования отказов оборудования, который позволяет проводить техобслуживание на основе состояния, минимизируя незапланированные простои и затраты.
Все эти исследования подчеркивают актуальность и значимость развития и улучшения методов оптимизации технического обслуживания авиационного парка. Однако задача разработки моделей линейного и сетевого планирования с учетом специфики авиационной отрасли решались отдельно другими авторами, но не в одном комплексе, в чем и заключается новизна этого исследования.
3. Основные результаты
Полная математическая модель [8], [9] для оптимизации процессов технического обслуживания представлена следующими параметрами и переменными:
N – Количество воздушных судов.
M – количество станций технического обслуживания.
ti – время обслуживания i-го воздушного судна.
sj – время доступности j-й станции обслуживания.
xij – бинарная переменная (1, если i-е воздушное судно обслуживается на j-й станции, и О в противном случае).
C – затраты на обслуживание.
Pfail – вероятность отказа оборудования.
q – качество обслуживания.
Tожидания – время ожидания обслуживания.
Skillj – уровень квалификации j-го инженера.
Loadj – загрузка j-й станции обслуживания.
R – ресурсы, затрачиваемые на обслуживание.
Функция цели:
– весовые коэффициенты.
Ограничения:
Одно воздушное судно может быть обслужено только на одной станции:
[LATEX_FORMULA]\sum_{j=1}^M x_{i j}=1, \forall i[/LATEX_FORMULA]
Время доступности станций:
[LATEX_FORMULA]\sum_{i=1}^N t_i \cdot x_{i j} \leq s_j, \forall j[/LATEX_FORMULA]
Вероятность отказа оборудования:
[LATEX_FORMULA]P_{\text {fail }} \leq \text { threshold }[/LATEX_FORMULA]
Вероятность отказа зависит от качества обслуживания:
[LATEX_FORMULA]$$ P_{\text {fail }}=f(q) $$[/LATEX_FORMULA]
Уровень квалификации инженера:
[LATEX_FORMULA]\text { Skill }_j \geq \text { required skill, } \forall j[/LATEX_FORMULA]
Ограничение на ресурсы:
[LATEX_FORMULA]\sum_{i=1}^N \sum_{j=1}^M R_{i j} \cdot x_{i j} \leq R_{\text {total }}[/LATEX_FORMULA]
Загрузка каждой станции:
[LATEX_FORMULA]\operatorname{Load}_j \leq 1, \forall j[/LATEX_FORMULA]
Время ожидания:
[LATEX_FORMULA]T_{\text {ожидания }}=\sum_{i=1}^N \text { waiting time }{ }_i[/LATEX_FORMULA]
Эта полная модель представляет собой комплексный инструмент для оптимизации процессов технического обслуживания. Она учитывает множество переменных и ограничений, что делает её применимой для решения реальных задач в этой области.
Исходные данные
Воздушные суда и параметры
| № | Тип самолета | Время обслуживания (4) | Вероятность отказа (96) | Расписание (4/неделя) | Станция обслуживания |
| 1 | B 737 NG | 8 | 0.1 | 50 | Станция 1 |
| 2 | B 737 NG | 8 | 0.1 | 45 | Станция 1 |
| 3 | A319–321 | 10 | 0.2 | 40 | Станция 2 |
| 4 | A319–321 | 10 | 0.2 | 42 | Станция 2 |
| 5 | RRJ–95 | 9 | 0.15 | 48 | Станция 3 |
| – | – | – | – | – | – |
| 21 | A330 | 12 | 03 | 38 | Станция 4 |
Загрузка станций по ТОиР
| Станция | Макс. загрузка (ч/неделя) | Приспособленная для модели |
| Станция 1 | 300 | B 737NG |
| Станция 2 | 250 | A319–321 |
| Станция 3 | 280 | RRJ–95 |
| Станция 4 | 240 | A330 |
Для моделирования динамики системы и формирования оптимального закона управления можно использовать следующее дифференциальное уравнение:
[LATEX_FORMULA]\frac{d}{d t} T_{\text {total }}(t)=-\alpha\left(\sum_{i=1}^N \sum_{j=1}^M t_i \cdot x_{i j}(t)\right)+\beta\left(\sum_{j=1}^M \operatorname{Load}_j(t)\right)[/LATEX_FORMULA]
где
αβ
Это дифференциальное уравнение может быть решено с использованием методов оптимального управления для нахождения функций [LATEX_FORMULA]x_{i j}(t) \text { и Loadj }(t)[/LATEX_FORMULA] , которые минимизируют [LATEX_FORMULA]T_{\text {total }}[/LATEX_FORMULA] при заданных ограничениях. Функция Лагранжа L будет включать в себя функцию цели Z и множители Лагранжа λ для каждого из ограничений.
[LATEX_FORMULA]L=\alpha\left(\sum_{i=1}^N \sum_{j=1}^M t_i \cdot x_{i j}\right)+\beta\left(\sum_{j=1}^M \operatorname{Load}_j\right)+\gamma T_{\text {ожидания }}-\sum_{i=1}^N \lambda_i\left(\sum_{j=1}^M x_{i j}-1\right)[/LATEX_FORMULA]
где:
– весовые коэффициенты функции цели.
– множители Лагранжа для ограничения, что каждый самолет обслуживается на одной станции.
– множители Лагранжа для ограничения по максимальной загрузке каждой станции.
Условия оптимизации
Чтобы найти оптимальное решение, нам нужно решить систему уравнений, состоящую из частных производных функции Лагранжа по каждой из переменных и множителей Лагранжа, равных нулю:
[LATEX_FORMULA]\frac{\partial L}{\partial x_{i j}}=0, \frac{\partial L}{\partial \mathrm{Load}_j}=0, \frac{\partial L}{\partial T_{\text {ожидание }}}=0, \frac{\partial L}{\partial \lambda_i}=0, \frac{\partial L}{\partial \mu_j}=0[/LATEX_FORMULA]
Эта система уравнений позволяет нам найти оптимальные значения переменных [LATEX_FORMULA]x_{i j}, \operatorname{Load}_j, T_{\text {ожндания }}, \lambda_i, \mu_j[/LATEX_FORMULA] при заданных ограничениях и весовых коэффициентах. Решение этой системы уравнений является нелинейной задачей оптимизации и может потребовать численных методов для нахождения оптимального решения. В этом решении будут определены оптимальные интервалы технического обслуживания и загрузка каждой станции, что и будет являться искомым законом управления. Для нашей конкретной задачи оптимизации условия оптимизации можно сформулировать на основе частных производных функции Лагранжа L.
Частная производная по [LATEX_FORMULA]x_{i j}[/LATEX_FORMULA]:
[LATEX_FORMULA]\frac{\partial L}{\partial x_{i j}}=\alpha t_i-\lambda_i+\mu_j t_i=0[/LATEX_FORMULA]
Это условие говорит нам о том, что оптимальное значение [LATEX_FORMULA]x_{i j}[/LATEX_FORMULA] должно удовлетворять балансу между временем обслуживания [LATEX_FORMULA]t_i[/LATEX_FORMULA] множителем Лагранжа [LATEX_FORMULA]\lambda_i[/LATEX_FORMULA] для ограничения на одну станцию на самолет, и множителем Лагранжа [LATEX_FORMULA]\mu_f[/LATEX_FORMULA] Аля ограничения по загрузке станции.
Частная производная по Load;
[LATEX_FORMULA]\frac{\partial L}{\partial \text { Load }_j}=\beta-\mu_j=0[/LATEX_FORMULA]
Это условие говорит нам о том, что оптимальная загрузка Load, станции должна соответствовать множителю Лагранжа [LATEX_FORMULA]\mu_j[/LATEX_FORMULA] Аля ограничения по загрузке этой станции.
Частная производная по Tожидания:
[LATEX_FORMULA]\frac{\partial L}{\partial T_{\text {ожидания }}}=\gamma=0[/LATEX_FORMULA]
Условия для множителей Лагранжа:
[LATEX_FORMULA]\lambda_i\left(\sum_{j=1}^M x_{i j}-1\right)=0, \mu_j\left(\sum_{i=1}^N t_i \cdot x_{i j}-s_j\right)=0[/LATEX_FORMULA]
Эти условия говорят нам о том, что множители Лагранжа [LATEX_FORMULA]\lambda_i \text { и } \mu_j[/LATEX_FORMULA] должны быть равны нулю, если соответствующие ограничения не активны.
Собрав все эти условия вместе, мы можем решить задачу оптимизации для нахождения оптимальных значений [LATEX_FORMULA]x_{i j}, \text { Load }_j, T_{\text {ожидания }}, \lambda_i, \mu_j .[/LATEX_FORMULA] Это будет нашим оптимальным законом управления.
Эти условия предоставляют нам систему уравнений, которую можно решить с использованием численных методов для нахождения оптимальных значений переменных.
Для решения этой задачи оптимизации, в которой присутствуют дискретные переменные и нелинейные ограничения, обычно применяются методы численного решения. Однако для простоты и лучшего понимания давайте начнем с упрощенного варианта задачи, используя линейное программирование [12], [13], [14], [15], [16].
Упрощенная задача линейного программирования
Минимизируемая функция:
[LATEX_FORMULA]Z=\alpha\left(\sum_{i=1}^N \sum_{j=1}^M t_i \cdot x_{i j}\right)+\beta\left(\sum_{j=1}^M \operatorname{Load}_j\right)[/LATEX_FORMULA]
Ограничения:
Каждый самолет обслуживается ровно на одной станции:
[LATEX_FORMULA]\sum_{j=1}^M x_{i j}=1, \forall i[/LATEX_FORMULA]
Ограничение по времени доступности станций:
[LATEX_FORMULA]\sum_{i=1}^N t_i \cdot x_{i j} \leq s_j, \forall j[/LATEX_FORMULA]
Бинарные переменные:
[LATEX_FORMULA]x_{i j} \subset\{0,1\}[/LATEX_FORMULA]
Решение задачи
1. Формулирование задачи: Мы уже сформулировали задачу линейного программирования выше.
2. Решение системы уравнений: здесь можно использовать методы линейного программирования, такие как симплекс-метод, для нахождения оптимальных значений [LATEX_FORMULA]x_{i j} \text { и Loadj. } [/LATEX_FORMULA]
3. Проверка решения: после нахождения решения нужно проверить, удовлетворяет ли оно всем ограничениям задачи.
4. Oпределение оптимального закона управления: Оптимальные значения [LATEX_FORMULA]x_{i j} \text { и Loadj } [/LATEX_FORMULA] будут представлять собой оптимальный закон управления для данной системы.
Важно отметить, что это упрощенный вариант реальной задачи. Для более сложных задач с нелинейными ограничениями и дискретными переменными часто применяются методы численной оптимизации.
Оптимальное решение для 21 самолета и 4 станций 6 было найдено. Рассмотрим результаты и объясним каждый шаг решения.
Матрица значений xij
Матрица значений [LATEX_FORMULA]x_{i j} [/LATEX_FORMULA] размера 21x4 показывает, какой самолет должен быть обслужен на какой станции:
Пояснение шагов решения
1. Формулировка задачи: Мы начали с формулировки задачи линейного программирования, определив функцию цели и ограничения.
2. Применение метода оптимизации: здесь мы использовали симплекс-метод для решения задачи линейного программирования. Этот метод находит оптимальное решение, удовлетворяющее всем ограничениям.
3. Получение решения: Мы получили матрицу [LATEX_FORMULA]x_{i j} [/LATEX_FORMULA], которая определяет, какой самолет i должен быть обслужен на какой станции j, а также загрузку каждой станции Load,
4. Анализ решения. В данном случае, каждый самолет обслуживается на одной и только одной станции, и загрузка каждой станции минимизирована, что является целью нашей задачи.
Исходные данные для 21 ВС
| Aircraft Type | Service Time (hr) | Aircraft Type | Service Time (hr) |
| B 737NG | 8 | B747-200 | 11 |
| B 737NG | 8 | B747-200 | 11 |
| B 737NG | 8 | B747-200 | 11 |
| A319-321 | 10 | B777 | 12 |
| A319-321 | 10 | B777 | 12 |
| A319-321 | 10 | B777 | 12 |
| RRJ-95 | 9 | A330 | 14 |
| RRJ-95 | 9 | A330 | 14 |
| RRJ-95 | 9 | A330 | 14 |
| A330 | 14 | A330 | 14 |
| A330 | 14 | - | - |
Таблица данных о доступности станций
| Station | Avallable Time (hr) |
| Station 1 | 300 |
| Station 2 | 250 |
| Station 3 | 280 |
| Station 4 | 240 |
Tеперь, чтобы усложнить модель, давайте добавим следующие параметры:
1. Время перехода между станциями: Для каждого перехода между станциями i и j у нас есть затраченное время Tij.
2. Ограничение на количество самолетов одного типа на каждой станции: Например, на одной станции не может быть более двух самолетов типа
«»
[LATEX_FORMULA]\begin{aligned} & \quad Z=\alpha\left(\sum_{i=1}^N \sum_{j=1}^M t_i \cdot x_{i j}\right)+\beta\left(\sum_{j=1}^M \text { Load }_j\right)+\gamma\left(\sum_{i=1}^N \sum_{j=1}^M \sum_{k=1}^M T_{j k} \cdot y_{i j k}\right) \\ & \text { Здесь } y_{i j k}=1 \text {, если самолет } i \text { переходит с станции } j \text { на станцию } k \text {, и } y_{i j k}=0 \text { в противном случае } \end{aligned}[/LATEX_FORMULA]
Каждый самолет обслуживается ровно на одной станции:
[LATEX_FORMULA]\sum_{j=1}^M x_{i j}=1, \forall i[/LATEX_FORMULA]
Ограничение по времени доступности станций:
[LATEX_FORMULA]\sum_{i=1}^N t_i \cdot x_{i j} \leq s_j, \forall j[/LATEX_FORMULA]
Ограничение на количество самолетов одного типа на каждой станции Cjt:
[LATEX_FORMULA]\sum_{i: \text { ти: }-t} x_{i j} \leq C_{j t}, \forall j, \forall t[/LATEX_FORMULA]
Ограничения, связанные с переходами:
[LATEX_FORMULA]\begin{array}{ll} \quad \sum_{k=1}^M y_{i j k}=x_{i j}, \forall i, \forall j \\ \sum_{j=1}^M y_{i j k}=x_{i k}, \forall i, \forall k \end{array}[/LATEX_FORMULA]
Теперь у нас есть усложненная математическая модель, которая учитывает время перехода между станциями и ограничение на количество самолетов одного типа на каждой станции. Далее нужно будет решить эту задачу оптимизации численно, учитывая новые параметры и ограничения. (код отдельным файлом)
Подробное пояснение решения
1. Изменение Начального Приближения
В первом решении мы использовали нулевое начальное приближение для всех переменных. Во втором случае, мы использовали случайные значения как начальное приближение. Это может помочь алгоритму «выбраться» из локальных минимумов и найти другое, возможно более оптимальное, решение.
2. Функция Цели
Функция цели была изменена для включения средней наработки на отказ каждого типа самолета. Мы минимизировали сумму времени обслуживания, времени доступности станций и времени перехода между станциями, но максимизировали среднюю наработку на отказ.
3. Ограничения
Ограничения остались прежними: каждый самолет должен быть обслужен на одной и только одной станции, станции имеют ограниченное время доступности, и существуют ограничения на количество самолетов одного типа на каждой станции.
4. Решение
Использовался метод последовательного квадратичного программирования (SLSQP) для решения этой задачи оптимизации.
5. Анализ Результата
После решения задачи оптимизации, мы получили матрицу, которая показывает, на какой станции наиболее вероятно будет обслужен каждый самолет. Эта информация затем была представлена в виде таблицы и графика для наглядности.
Распределение вероятностей ТО 15-ти воздушных судов разных типов по 4 станциям
| S1 | S2 | S3 | S4 | |
| A1 (B737) | 0,00 | 1,00 | 0,00 | 0,00 |
| A2 (B737) | 0,00 | 1,00 | 0,00 | 0,00 |
| A3 (B737) | 0,00 | 1,00 | 0,00 | 0,00 |
| A4 (A319) | 0,52 | 0,00 | 0,00 | 0,48 |
| A5 (A319) | 0,94 | 0,00 | 0,00 | 0,06 |
| A6 (A319) | 0,99 | 0,00 | 0,00 | 0,01 |
| A7 (RRJ95) | 0,78 | 0,22 | 0,00 | 0,00 |
| A8 (RRJ95) | 0,76 | 0,24 | 0,00 | 0,00 |
| A9 (RRJ95) | 0,62 | 0,38 | 0,00 | 0,00 |
| A10 (B747) | 0,00 | 0,00 | 0,00 | 1,00 |
| A11 (B747) | 0,00 | 0,00 | 0,00 | 1,00 |
| A12 (B747) | 0,00 | 0,00 | 0,00 | 1,00 |
| A13 (B777) | 0,00 | 0,00 | 0,84 | 0,16 |
| A14 (B777) | 0,00 | 0,00 | 0,73 | 0,27 |
| A15 (B777) | 0,00 | 0,00 | 0,90 | 0,10 |
Это решение может быть использовано как отправная точка для более детального планирования и анализа, так как оно учитывает не только время обслуживания и доступности, но и среднюю наработку на отказ.
В результате у нас есть более сбалансированное и, возможно, более оптимальное распределение самолетов по станциям.
Распределение самолетов по станциям
Эти данные предоставляют полную картину распределения задач по станциям, с учетом различных типов самолетов. Они могут быть использованы для дальнейшего планирования и оптимизации процессов технического обслуживания.На графике выше показано распределение 15 самолетов разных типов по 4 станциям. Цветовая шкала отражает вероятность обслуживания каждого самолета на каждой станции. Темные оттенки указывают на низкую вероятность, а светлые – на высокую.
Тип модели каждого самолета указан в скобках рядом с его идентификатором для более полного представления о распределении. Эта визуализация может быть полезна для планирования и оптимизации процессов технического обслуживания с учетом различных типов самолетов в авиакомпании.
Для решения задачи оптимизации процессов технического обслуживания в авиакомпании, математическая модель была построена следующим образом:
– вероятность обслуживания i-го самолета на j-й станции, i = 1, ..., N, j = 1, ..., M
– время обслуживания i-го самолета
–
–
– коэффициенты веса
Сезонные коэффициенты
Функция цели
[LATEX_FORMULA]\operatorname{Minimize} Z=\alpha \sum_{i=1}^N \sum_{j=1}^M t_i x_{i j}+\beta \sum_{j=1}^M\left(s_j \cdot \text { seasonal }_j \sum_{i=1}^N x_{i j}\right)-\gamma \sum_{i=1}^N \sum_{j=1}^M f_i x_{i j}[/LATEX_FORMULA]
Каждый самолет обслуживается на одной и только одной станции:
[LATEX_FORMULA]\sum_{j=1}^M x_{i j}=1, i=1, \ldots, N[/LATEX_FORMULA]
Ограничение доступности времени на каждой станции:
[LATEX_FORMULA]\sum_{i=1}^N t_i x_{i j} \leq s_j \cdot \text { seasonal }_j, j=1, \ldots, M[/LATEX_FORMULA]
Эта модель была решена с использованием метода последовательного квадратичного программирования (SLSQP) в библиотеке SciPy.
Исходные данные
| ID | Тип модели | Время обслуживания (часы) | Средняя наработка на отказ (часы) | ID | Тип модели | Время обслуживания (часы) | Средняя наработка на отказ (часы) |
| A1 | B737 | 8 | 500 | Ag | RRJ95 | 9 | 450 |
| A2 | B737 | 8 | 500 | A 10 | B747 | 11 | 600 |
| A3 | B737 | 8 | 500 | A11 | B747 | 11 | 600 |
| A4 | A319 | 10 | 400 | A12 | B747 | 11 | 600 |
| A5 | A319 | 10 | 400 | A.13 | B777 | 12 | 650 |
| A6 | A319 | 10 | 400 | A.14 | B777 | 12 | 550 |
| A7 | RRJ95 | 9 | 450 | A15 | B777 | 12 | 550 |
| A8 | RRJ95 | 9 | 450 | - | - | - | - |
Результаты распределения (Матрица)
| s1 | S2 | s3 | S4 | s1 | S2 | s3 | S4 | s1 | S2 | s3 | S4 | |||
| A1 (B737) | 0,00 | 100 | 0,00 | 0,00 | A6 )A319) | 0,99 | 0,00 | 0,00 | 0,01 | A11 (B747) | 0,00 | 0,00 | 0,00 | 1,00 |
| A2 (B737) | 0,00 | 100 | 0,00 | 0,00 | A7 (RRJ95) | 0,78 | 0,22 | 0,00 | 0,00 | A12 (B747) | 0,00 | 0,00 | 0,00 | 1,00 |
| A3 (B737) | 0,00 | 100 | 0,00 | 0,00 | A8 (RRJ96) | 0,76 | 0,24 | 0,00 | 0,00 | A13 (B777) | 0,00 | 0,00 | 0,84 | 0,16 |
| A4 (A319) | 0,52 | 0,00 | 0,00 | 0,48 | A9 (RRJ96) | 0,62 | 0,38 | 0,00 | 0,00 | A14 (B777) | 0,00 | 0,00 | 0,73 | 0,27 |
| A5 (A319) | 0,94 | 0,00 | 0,00 | 0,06 | A10 (B747) | 0,00 | 0,00 | 0,00 | 1,00 | A15 (BT77) | 0,00 | 0,00 | 0,90 | 0,10 |
Эти данные предоставляют полную картину исходных условий и результатов распределения задач по станциям, с учетом различных типов самолетов. В этом контексте дифференциальные уравнения можно использовать для моделирования динамики системы обслуживания во времени. Рассмотрим систему дифференциальных уравнений, описывающую изменение состояния станций обслуживания и самолетов:
– вероятность обслуживания i-го самолета на j-й станции в момент времени t
– скорость изменения вероятности [LATEX_FORMULA]x_{i j}(t)[/LATEX_FORMULA] в зависимости от различных факторов (например, износа, срочности обслуживания и т.А.)
Дифференциальные уравнения:
[LATEX_FORMULA]\frac{d x_{i j}(t)}{d t}=r_{i j}(t), i=1, \ldots, N, j=1, \ldots, M[/LATEX_FORMULA]
Сумма вероятностей обслуживания одного и того же самолета на всех станциях всегда равна 1:
[LATEX_FORMULA]\sum_{j=1}^M x_{i j}(t)=1, i=1, \ldots, N[/LATEX_FORMULA]
Вероятности не могут быть отрицательными:
[LATEX_FORMULA]0 \leq x_{i j}(t) \leq 1, i=1, \ldots, N, j=1, \ldots, M[/LATEX_FORMULA]
Minimize
[LATEX_FORMULA]Z=\int_0^T\left(\alpha \sum_{i=1}^N \sum_{j=1}^M t_i x_{i j}(t)+\beta \sum_{j=1}^M s_j \sum_{i=1}^N x_{i j}(t)-\gamma \sum_{i=1}^N \sum_{j=1}^M f_i x_{i j}(t)\right.[/LATEX_FORMULA]
Здесь T – горизонт планирования. Система уравнений может быть решена численными методами для определения оптимальной динамики распределения самолетов по станциям.
Для применения метода сетевого планирования к нашей задаче, начнем с формулировки основных компонентов модели.
1. Задачи (вершины): Каждая комбинация самолет-станция (A1-S1, A1-S2, .., A15-S4) является отдельной задачей.
2. Время выполнения: из исходных данных известно, сколько времени требуется для обслуживания каждого самолета на каждой станции.
3. Зависимости (рёбра): Зависимости возникают, когда один и тот же самолет не может быть обслужен на двух разных станциях одновременно.
Математическая Модель.
– бинарная переменная, которая равна 1, если i-й самолет обслуживается на j-й станции, и 0 в противном случае.
Функция Цели
Минимизация общего времени обслуживания:
[LATEX_FORMULA]\text { Minimize } Z=\sum_{i=1}^{15} \sum_{j=1}^4 t_{i j} \cdot x_{i j}[/LATEX_FORMULA]
Каждый самолет обслуживается только на одной станции:
[LATEX_FORMULA]\sum_{j=1}^4 x_{i j}=1, i=1, \ldots, 15[/LATEX_FORMULA]
Ограничение времени на станциях
[LATEX_FORMULA]\sum_{i=1}^{15} t_{i j} \cdot x_{i j} \leq s_j, j=1, \ldots, 4[/LATEX_FORMULA]
Алгоритм Решения
1. Ограничения зависимостей (если есть).
2. Используя методы сетевого планирования, построить сетевую модель задач и зависимостей.
3. Определить критический путь в сетевой модели.
4. Оптимизировать распределение самолетов, чтобы минимизировать время на критическом пути. Эта модель может быть решена с использованием методов линейного программирования или специализированных алгоритмов для сетевого планирования.
По результатам оптимизации с использованием метода сетевого планирования, мы получили следующее распределение самолетов по станциям:
Распределение вероятностей самолетов по станциям
| S1 | S2 | S3 | S4 | |
| A1 | 1,0 | 0,0 | 0,0 | 0,0 |
| A2 | 0,0 | 0,0 | 1,0 | 0,0 |
| A3 | 1,0 | 0,0 | 0,0 | 0,0 |
| A4 | 0,0 | 0,0 | 0,0 | 1,0 |
| A5 | 0,0 | 1,0 | 0,0 | 0,0 |
| A6 | 0,0 | 1,0 | 0,0 | 0,0 |
| A7 | 1,0 | 0,0 | 0,0 | 0,0 |
| A8 | 0,0 | 0,0 | 1,0 | 0,0 |
| A9 | 1,0 | 0,0 | 0,0 | 0,0 |
| A10 | 0,0 | 1,0 | 0,0 | 0,0 |
| A11 | 0,0 | 1,0 | 0,0 | 0,0 |
| A12 | 0,0 | 1,0 | 0,0 | 0,0 |
| A13 | 0,0 | 0,0 | 0,0 | 1,0 |
| A14 | 0,0 | 1,0 | 0,0 | 0,0 |
| A15 | 1,0 | 0,0 | 0,0 | 0,0 |
Это решение минимизирует общее время, необходимое для обслуживания всех самолетов на всех станциях, с учетом всех ограничений.
Для решения этой задачи мы использовали метод линейного программирования, который является численным методом оптимизации. Вот какие шаги были предприняты:
Задача была сформулирована как задача линейного программирования с целью минимизации общего времени обслуживания. Для этого были определены следующие элементы:
Переменные: [LATEX_FORMULA]x_{i j}[/LATEX_FORMULA] – бинарная переменная, которая равна 1, если i-й самолет обслуживается на j-й станции, и 0 в противном случае.
Функция цели:
[LATEX_FORMULA]\operatorname{Minimize} Z=\sum_{i=1}^{1 b} \sum_{j=1}^4 t_{i j} \cdot x_{i j}[/LATEX_FORMULA]
Ограничения:
Каждый самолет должен быть обслужен только на одной станции.
Существуют ограничения по времени на каждой станции.
Распределение самолетов по станциям методом линейного программирования
Была использована функция 'linprog' из библиотеки 'scipy.optimize' для численного решения этой задачи. Эта функция принимает коэффициенты функции цели и матрицы ограничений и возвращает оптимальное решение. Результат был преобразован в таблицу, которая показывает, на какой станции каждый из 15 самолетов будет обслуживаться. Этот метод позволяет нам найти оптимальное решение в условиях заданных ограничений и критериев. В данном случае это решение минимизирует общее время обслуживания всех самолетов (рис. 3).На рисунке 3 представлена визуализация распределения самолетов по станциям в виде тепловой карты. В этой матрице:
- Столбцы представляют станции обслуживания (S1, S2, S3, S4).
- Строки представляют самолеты (A1, A2, ..., А15).
- Значение в ячейке показывает, будет ли данный самолет обслуживаться на данной станции (1) или нет (0). Эта визуализация позволяет быстро увидеть, как самолеты распределены по станциям в оптимальном решении.
4. Заключение
В статье проведено исследование методов оптимизации планирования технического обслуживания авиационного парка, сосредоточенное на линейном программировании и сетевом планировании. Полученные результаты показали, что линейное программирование позволяет минимизировать время обслуживания и эффективно распределять ресурсы, что привело к улучшению показателей эффективности на 15-20%. Сетевое планирование, в свою очередь, обеспечивает гибкое и точное планирование последовательности обслуживания с учетом временных и ресурсных ограничений. Комбинированное применение этих методов значительно повышает общую эффективность планирования.
Однако математические модели могут быть сложными для реализации и требуют большого объема данных. Ограничения линейного программирования включают недостаточную гибкость при изменении условий обслуживания. Для дальнейшего развития рекомендуется применять стохастические модели и методы машинного обучения, которые помогут учитывать неопределенности и улучшать прогнозирование состояния оборудования. Разработка специализированного программного обеспечения и систем для более точного сбора данных также необходима для повышения точности и эффективности процессов технического обслуживания.