Professional Documents
Culture Documents
Outro conceito importante em confiabilidade a taxa de falha, expressa pela funo de
risco h(t), utilizada para modelar e calcular o comportamento de falhas ao longo da vida til
de um componente ou sistema de componentes (FOGLIATTO e RIBEIRO, 2009)
sujeita a 0, 0 e
t 0,
A transformao de dados de falha nas funes descritas passo fundamental no
clculo de otimizaes de manutenes centradas em confiabilidade.
2.3 ALGORITMOS GENTICOS
A observao de funcionamento dos mecanismos da evoluo biolgica,
principalmente no estudo de como a combinao de presses seletivas com mecanismos de
modificao (cruzamento, mutao) consegue resolver problemas complexos, deu origem
rea de estudo denominada algoritmos genticos, um ramo da computao evolucionria e da
inteligncia artificial.
Tanomaru (1995) define Algoritmos Genticos (AG) como mtodos computacionais
de busca baseados nos mecanismos de evoluo natural e na gentica. Em AGs, uma
populao de possveis solues para o problema em questo evolui de acordo com
operadores probabilsticos concebidos a partir de metforas biolgicas assumindo que, na
mdia, os indivduos representem solues cada vez melhores medida que o processo
evolutivo continua.
Rusell e Norvig (2004) definem algoritmos genticos como mtodos estocsticos de
busca formal e codificada de solues quase-timas, e os estruturaram com base em 5
operadores lgicos genticos:
1) Funo Fitness: mede a adaptao de certa soluo possvel ao seu meio, ou seja, o
ndice de quo perto ela est da otimizao desejada;
2) Seleo: seleciona solues mais aptas para posteriores operaes de formao da
nova populao, como clonagem e cruzamento neste segundo caso a seleo ocorre aos
pares. Os cromossomos no-selecionados so removidos da populao de solues por
estarem menos aptos que as outras solues.
3) Cruzamento: operao com objetivo de simular nos algoritmos genticos as
vantagens evolutivas trazidas pela reproduo sexuada presente na natureza.
4) Mutao: introduz um fator de aleatoriedade no algoritmo alterando cromossomos
aleatoriamente.
5) Clonagem: a duplicao direta de uma soluo para a prxima gerao, podendo
ser explcita caso seja uma rotina declarada, ou implcita caso no existam restries no
programa que impeam o cruzamento de pares idnticos.
Para melhor entender como os operadores genticos se estruturam e quais seus
encadeamentos lgicos, a Figura 1 apresenta o aspecto geral de um algoritmo gentico
genrico.
Figura 1 Aspecto Geral de um Algoritmo Gentico
Algoritmos genticos em geral so muito flexveis, possuem a maior base terica de
pesquisas no campo de computao evolutiva e no requerem uma quantidade grande de
conhecimento terico do pesquisador em inteligncia artificial, sendo necessrias somente
habilidades matemticas e de programao (RUSSELL e NORVIG, 2004). Alm disso, tais
mtodos so robustos, ou seja, a populao inicial no tem influncia, na maior parte dos
casos, para impedir a obteno de um timo global.
Dentre os defeitos dos algoritmos genticos, o principal deles a no-garantia de
encontro de timo global, ou seja, possvel que um algoritmo que aparentemente se
comportou bem tenha atingido somente um timo local (GOSSELIN e POTVIN, 2009).
Os campos de aplicao de algoritmos genticos so amplos, incluindo estudos na rea
de otimizao de manuteno. Tanomaru (1995) lista aplicaes em redes neurais, anlise de
aglomerados (clustering) de dados, otimizaes de funes de um objetivo ou multi-objetivo,
controle de processos, problemas de transporte, modelos ecolgicos, modelos sociais,
modelos econmicos, mquinas de estados finitos e robtica. Carrijo et al. (2003) aplicou a
tcnica na definio de regras de operao de sistemas urbanos de distribuio de gua.
Gosselin e Potvin (2009) revisaram aplicaes de AGs em problemas de transferncia de
massa e calor. Okasha e Frangopol (2009) utilizaram AGs em um problema de manuteno
em sistemas estruturais, utilizando otimizao multi-objetivo considerando confiabilidade,
redundncia e custo. Wang e Handschin (2000) propem um novo tipo de algoritmo gentico
inteiro com melhor eficincia que os AGs binrios na resoluo de problemas de manuteno
de usinas de fora, enquanto que Lapa et al. (2006) apresentam um modelo de plano de
manuteno utilizando AGs na minimizao da funo de no-confiabilidade (unreliability
function). Tsai et al. (2001) utilizou algoritmos genticos na otimizao de manuteno de
componentes mecnicos com partes eltricas e comparou o uso de AGs com o clculo de
todas solues, obtendo uma reduo de 480 minutos para 5 minutos de clculo em um
mesmo computador. Como possvel inferir, demanda computacional tambm constitui-se
em interesse ao utilizar-se AG.
3. METODOLOGIA
O mtodo proposto parte de modificaes na abordagem sugerida por Tsai et al.
(2001), dado que o tipo de mquina analisado semelhante: predominantemente mecnico
com sistemas eltro-eletrnicos secundrios. O mtodo adaptado composto pelas seguintes
etapas: (i) determinao e coleta de dados necessrios e modelagem de confiabilidade
utilizando aplicativo estatstico, (ii) determinao, junto empresa, da confiabilidade mnima
aconselhada para bom funcionamento do equipamento, (iii) determinao, junto a tcnicos no
processo, dos ganhos das manutenes preventivas, (iv) levantamento de custos associados s
manutenes corretivas e preventivas, (v) modelagem final da funo-objetivo, e (vi)
otimizao da funo objetivo via algoritmos genticos.
A primeira etapa consiste na coleta dos tempos de falha das mquinas analisadas.
Utilizam-se dados de ordens de manuteno, cruzadas com dados de paradas de mquina,
geradas pelo ERP (Enterprise Resource Planning) da empresa. Tal entrada de informaes
permite calcular o tempo at falha de cada sistema em operao normal, bem como o tipo de
manuteno (mecnica ou eltrica/eletrnica) para os anos de 2009 e 2010, a fim de mapear a
confiabilidade. Os dados so ento modelados para definir a distribuio probabilstica que
mais se ajusta aos mesmos, valendo-se do software Proconf. So testadas as distribuies
Exponencial, Weibull, Normal e Lognormal.
A etapa seguinte consiste na avaliao da eficcia de duas sistemticas de manuteno
preventiva: (i) manuteno preventiva imperfeita e (ii) manuteno preventiva perfeita.
Para a manuteno do tipo (i), gera-se uma tabela de manuteno do tipo de atividade
(X
i
) versus sistema da mquina (Tabela 1), adaptado do modelo proposto por Tsai et al.
(2001). Tal sistemtica avalia o incremento de confiabilidade gerado por uma manuteno
preventiva imperfeita, atravs da avaliao do impacto de seis atividades genricas sobre os
sistemas avaliados: lubrificar (1), limpar (2), ajustar/calibrar (3), apertar (4), suprir (5) e
reparo simples (6). Cada atividade ento multiplicada pelo peso proporcional de tal sistema
da mquina em relao as suas paradas totais.
Tabela 1 Sistemas versus Atividades de manuteno preventiva
O clculo do fator de melhoria m de uma manuteno preventiva imperfeita se d
atravs da equao (1), onde
(1)
A manuteno preventiva do tipo (ii) consiste na substituio completa do componente
antes de uma quebra. Como o caso estudado trata de sistemas e no componentes, a
substituio preventiva ser considerada como o overhaul de equipamento, consistindo na
plena inspeo e reviso do sistema, com substituio de todos componentes desgastados e
execuo de reparos necessrios. Na empresa estudada, tal atividade estritamente realizada
aos sbados, durante a parada de planta. Para esse tipo de interveno, especialistas de
engenharia e manuteno da empresa-foco arbitraram um fator de melhoria
= 0,98, visto
que trata-se de uma renovao geral no sistema.
O prximo passo a determinao da confiabilidade mnima do equipamento com
base no conhecimento de especialistas de processo, levando em conta fatores de segurana e
desempenho esperado. Tal confiabilidade serve como restrio otimizao.
A influncia dos fatores de melhoria pode ser entendida como uma diminuio do
tempo de uso sujeito ao desgaste do equipamento, dentro de intervalos fixos e constantes de
tempo. Considere T como o intervalo padro de manuteno. Se no intervalo T no for feita
nenhuma manuteno, a curva de confiabilidade avanar T horas. Caso ocorra uma
manuteno preventiva com efeito m, tem-se que o tempo transcorrido desde o tempo inicial
at o intervalo considerado retroceder m%. Portanto, uma melhoria m=1 representaria a
reposio do nvel de confiabilidade verificada T unidades de tempo atrs. Uma relao
genrica para a determinao do tempo referente reposio do nvel de confiabilidade, ou
tempo de desgaste efetivo (t
ik
), dada pela equao (2) para o i-simo componente ou
subsistema ao final do k-simo intervalo, sujeito j-sima manuteno:
(2)
onde a j-sima manuteno pode assumir 3 nveis: 0 se uma manuteno no necessria, 1
se uma manuteno preventiva imperfeita ser efetivada, e 2 se uma manuteno do tipo
overhaul (preventiva perfeita) ser efetivada. Portanto, dada a funo de confiabilidade do
sistema da mquina R(t), a confiabilidade ao final do k-simo intervalo ser R(
), que
equivale R(kT) para ausncia completa de manuteno. Tal conceito pode ser visualizado na
Figura 2.
Figura 2 Confiabilidade mapeada versus confiabilidade sujeita a manutenes
Na sequncia, calcula-se o custo de manutenes corretivas do sistema ao final do k-
simo intervalo atravs da equao (3). Para tanto, levantam-se os custos de cada tipo de
atividade, bem como os custos gerados por possveis falhas do equipamento. Tambm so
necessrios dados de velocidade de mquina (provenientes de dados histricos) para
cruzamento com as bases de dados de manuteno, a fim de testar a hiptese de influncia dos
overhauls no ritmo produtivo.
CMC
tdt
(3)
onde S o custo de manuteno corretiva do i-simo componente considerando p-simos
fatores (1: custo de parada da mquina, 2: custo de componentes substitudos, 3: custo de
insumos consumidos, 4: custo hora-homem de tcnicos).
Ao final das modelagens, possvel determinar uma funo objetivo (expressa em
unidades monetrias) que relacione os diferentes custos de manuteno visando sua
minimizao:
MIN F(
, ,
) = CMC
CMP
Sujeito a
Rt R
t 0, t
N
onde CMP o custo de manuteno preventiva determinado pela soma dos custos de homem-
hora e insumos consumidos por atividade, e CMC
, ,
sujeito a
0; 1; 2.
4. RESULTADOS
Foi escolhida, dentre as mquinas formadoras da empresa-alvo, a formadora de tubos
de ao carbono de grande bitola e espessura, com base na anlise do indicador de utilizao.
Foram coletados dados de falhas operacionais de janeiro a maio de 2010, perodo no qual a
mquina operou sem qualquer tipo de manuteno preventiva. Foram coletados tambm
dados de custos mensais mdios do centro de custos individual da mquina e custos de
manuteno.
Os ganhos de manutenes preventivas imperfeitas foram levantadas junto aos
especialistas, bem como o tempo mdio de parada de mquina para a execuo de tais
manutenes. Os resultados geraram um fator de melhoria = 0,2371 [calculado de acordo
com a equao (1)] e 3,5 horas de mquina parada, contando com o trabalho de dois tcnicos.
Os dados de falha foram modelados atravs do software Proconf. A distribuio que
melhor se ajusta aos dados a normal, com papel de probabilidade e intervalo de confiana
dos parmetros apresentada na Figura 3.
Figura 3 Papel de probabilidade e intervalo de confiana
O prximo passo foi a montagem da funo objetivo, consistindo basicamente na sua
alimentao com os dados reais do problema, tanto de confiabilidade quanto de custos. Para o
problema de manuteno de 6 meses, dividido em 28 semanas, a configurao da funo de
custo total apresentada abaixo, considerando a k-sima semana na qual foi realizada a j-
sima manuteno e na qual a mquina esteve sujeita aos p-simos tipos de custos preventivos
e corretivos:
F
, ,
CM
1
2
e
1
1
2
e
dt
dt
CP
Importante notar que a funo taxa de falha no integrvel por mtodo analtico,
sendo necessria sua integrao por mtodos numricos; utilizou-se, para isso, a quadratura
adaptativa de Simpson.
A programao do algoritmo gentico no MATLAB foi realizada utilizando-se a
funo de algoritmos genticos j presente no programa. A mesma foi modificada, tendo as
funes de criao e mutao da populao customizadas para permitir o trabalho com
solues inteiras limitadas, ao invs do uso de variveis double, de ponto flutuante. Outra
alterao foi a funo taxa de falha, que, pela necessidade de resoluo de integrais definidas
por mtodos numricos, foi programada como funo separada em mdulo parte. Aps
montado o algoritmo completo, sua eficcia foi testada para um problema piloto, cuja
resoluo por algoritmos genticos levou, em testes repetidos, entre 8,2 e 9,8 segundos,
enquanto o mtodo da enumerao por fora bruta computacional precisou de 1212 a 1299
segundos. O algoritmo completo utilizado pode ser visto nos apndices 1 a 5.
O algoritmo foi rodado com parmetro de 250 geraes, populao de 20
cromossomos e tolerncia de 10
-6
. A otimizao foi finalizada em 151 geraes, quando a
mudana mdia na funo fitness ficou abaixo da tolerncia. A soluo tima encontrada,
chamada cromossomo-soluo, para o problema de 28 semanas (6 meses) de programao de
manutenes foi:
0 0 0 0 0 0 1 1 1 1 0 1 0 1 1 1 0 1 1 0 1 0 1 1 1 1 1 1
Tal soluo apresenta o valor timo da funo objetivo de R$187.511,57, no qual j
esto includas as perdas relativas s falhas esperadas para cada perodo, calculadas atravs da
integral da taxa de falha sujeita manutenes, conforme equaes bsicas e metodologia
proposta. Atravs da anlise da evoluo dos valores da funo objetivo, conforme Figura 4,
percebe-se que a convergncia para a soluo foi rpida ao longo das geraes.
Verifica-se que a soluo tima no inclui manutenes do tipo preventiva completa
(overhaul). Isso se d por conta do curto horizonte de 6 meses, o qual, segundo especialistas,
pequeno demais para a recomendao de tal procedimento. Tal manuteno seria
provavelmente recomendada para programaes de longo prazo, com mais de 1 ano de
agendamento de manutenes (esse teste no feito neste estudo).
Figura 4 Evoluo grfica da funo objetivo e soluo tima
Importante tambm notar que a sequncia de manutenes preventivas s tima aps
correr um tempo de 6 semanas de uso da mquina e consequente degradao de seu estado.
Manutenes antes de tal perodo no se pagariam, do ponto de vista de custos, pois haveria
poucos componentes suficientemente desgastados para reviso e reparo/substituio.
Apesar da impossibilidade do mtodo de algoritmos genticos de garantir formal e
matematicamente que a soluo encontrada um timo global do espao de solues, o fato
de a soluo, em conjunto com o valor mdio populacional da funo objetivo, mostrar-se
estvel entre a gerao 50 e 150 permite ter bom nvel de confiana em sua acuracidade.
Infelizmente no possvel testar a resposta por enumerao, pois o tempo computacional
seria de aproximadamente 61 mil anos.
Financeiramente, o resultado tambm relevante, gerando um retorno, para o perodo
considerado, de R$45.221,55. O custo de manuteno esperado para o programa de
manutenes sugerido, de R$187.511,57, inferior ao custo, no perodo, de quebras e
manutenes corretivas para o caso de nenhuma manuteno preventiva ser efetuada, que se
soma em R$232.733,12.
5. CONCLUSO
O primeiro resultado importante do presente estudo o reforo das evidncias de
eficincia do uso de algoritmos genticos em problemas de pesquisa operacional relacionada a
agendas de manuteno baseada em confiabilidade. Tal resultado, esperado e presente na
literatura, torna possvel a resoluo de um problema de otimizao no qual o uso da tcnica
de enumerao seria ineficiente o suficiente para tornar invivel a obteno de uma soluo
tima.
A baixa necessidade de tempo computacional para realizar a programao de
manutenes, mesmo utilizando-se um equipamento de uso pessoal, torna vivel seu uso
cotidiano na empresa para determinao de manutenes das principais mquinas. possvel,
inclusive, desenvolver um aplicativo que automatize a coleta de dados de falha no ERP da
organizao, o mapeamento da distribuio estatstica e seus parmetros, e o clculo e
determinao de agenda de manuteno via algoritmos genticos. Tal ferramenta torna
possvel o uso de MCC mesmo em empresas que no disponham dos especialistas necessrios
para executar os passos de maneira manual.
Dado que os recursos em horas-homem de manuteno preventiva de uma empresa
geralmente so escassos, uma sugesto de futura pesquisa seria um estudo de pesquisa
operacional de otimizao, usando algoritmos genticos, para uma planta completa. Tal
estudo deveria levar em conta escassez de homens-hora de manuteno para um planejamento
de curto prazo, para o qual haveria dificuldades de contratao e treinamento de novos
tcnicos, e ao mesmo tempo dimensionar equipes de manuteno de tamanho timo para
mdio e longo prazo.
Por fim, na empresa estudada h fortes evidncias empricas de correlao entre
velocidade ou ritmo de mquina e tambm de indicadores de qualidade com a confiabilidade
do equipamento. A partir disso se pode notar que a influncia de um bom plano de
manutenes na eficincia global da mquina, medida pelo IROG, vai alm da simples
diminuio do tempo parado e conseqente melhoria no ndice de utilizao. Dado o exposto,
uma pesquisa futura envolveria a modelagem de uma funo que correlacione a funo
confiabilidade com o IROG.
6. REFERNCIAS
APLELAND, S., AVEN,T. Risk based maintenance optimization: foundational issues. Reliability
Engineering & System Safety, v.67, n.3, p.285-292, mar. 2000
CAMPOS, V.F. O Significado dos Indicadores. INDG, Nova Lima, Out. 2006. Disponvel em
<http://www.indg.com.br/institucional/falconi/request_id.asp?id=132>. Acesso em 20 jun. 2010.
CARRIJO, I. B. et al. Otimizao da operao de sistemas de distribuio de gua utilizando algoritmos
genticos multiobjetivo. In: Anais do XV Simpsio Brasileiro de Recursos Hdricos, 15., 2003, Curitiba. Anais...
Porto Alegre: ABRH, 2003
CHAN, F. T. S., LAU, H. C. W., IP, R. W. L. Implementation of total productive maintenance: A case
study. International Journal of Production Economics, v.95, n.1, p.71-94, jan. 2005
COULIBALY, A., HOUSSIN, R., MUTEL, B. Maintainability and safety indicators at design stage for
mechanical products. Computers in Industry, v.59, n.5, p.438-449, maio 2008
DESPHANDE, V.S,, MODAK, J.P. Application of RCM for safety considerations in a steel plant.
Reliability Engineering & System Safety, v.78, n.3, p.325-334, dez. 2002
FOGLIATTO, F.S., RIBEIRO, J.L.D. Confiabilidade e Manuteno Industrial. Rio de Janeiro:
Elsevier, 2009.
GOSSELIN, M.T., POTVIN, F.M. Review of utilization of genetic algorithms in heat transfer
problems. International Journal of Heat and Mass Transfer, v.52, n.9-10, p.2169-2188, abr. 2009
KAEGI, M., MOCK, R., KRGER, W. Analyzing maintenance strategies by agent-based simulations:
A feasibility study. Reliability Engineering & System Safety, v.94, n.9, p.1416-1421, set. 2009
LAPA, C.M.F.; PEREIRA, C.M.; BARROS, M.P. A model for preventive maintenance
planning by genetic algorithms based in cost and reliability. Reliability Engineering & System Safety, v.91,
n.2, p.233-240, fev. 2006
LUCATELLI, M. V. Proposta de aplicao de manuteno centrada em confiabilidade em
equipamentos mdico-hospitalares. Tese de Doutorado em Sistemas de Informao Programa de Ps-
Graduao em Engenharia Eltrica Universidade Federal de Santa Catarina, 2002
MIRSHAWKA, V. Manuteno Preditiva. So Paulo: Markon Books do Brasil, 1991
MOHANTA, D.K., SADHU, P.K., CHAKRABARTI, R. Deterministic and stochastic approach for
safety and reliability optimization of captive power plant maintenance scheduling using GA/SA-based hybrid
techniques: A comparison of results. Reliability Engineering & System Safety, v.92, n.2, p. 87-199, fev. 2007
OKASHA, N.M., FRANGOPOL, D.M. Lifetime-oriented multi-objective optimization of structural
maintenance considering system reliability, redundancy and life-cycle cost using GA. Structural Safety, n.31,
p.460474, 2009
PEREIRA, M.N.A et al. A Particle Swarm Optimization (PSO) approach for non-periodic preventive
maintenance scheduling programming. Progress in Nuclear Energy, v.52, n.8, p.710-714, nov. 2010
PINJALA, S.K., PINTELON, L., VEREECKE, A. An empirical investigation on the relationship
between business and maintenance strategies. International Journal of Production Economics, v.104,
n.1, p.214-229, nov. 2006
RUSSEL, S.; NORVIG, P. (2004). Inteligncia Artificial. Rio de Janeiro: Elsevier, 2004
SALEH, J.H.; MARAIS, K. Highlights from the early (and pre-) history of reliability engineering
Reliability Engineering & System Safety, v.91, n.2, p.249-256, fev 2006
SPERANCETTA, A. O Impacto da Implantao do TPM nos Indicadores de Manuteno.
Dissertao de Mestrado Profissionalizante em Engenharia Escola de Engenharia, Universidade Federal do
Rio Grande do Sul, Porto Alegre, 2005.
SUPPEN, N., CARRANZA, M., HUERTA, M., HERNANDEZ, M.A. Environmental management and
life cycle approaches in the Mexican mining industry. Journal of Cleaner Production, v.14, n.12-13, p.1101-
1115, 2006
SWANSON, L. Linking maintenance strategies to performance. International Journal of Production
Economics, v.70, n.3, p.237-244, abr. 2001
TANOMARU, J. Motivao, fundamentos e aplicaes de Algoritmos Genticos. In: Congresso
Brasileiro de Redes Neurais, 2., 1995, Curitiba. Anais... Curitiba: CNRN/Copel, 1995. p.373-403.
TSAI, Y.T., WANG, K.S.; TENG, H.Y. Optimizing preventive maintenance for mechanical
components using genetic algorithms. Reliability Engineering & System Safety, v.74, n.1, p.89-97, Oct 2001
VASSILIADIS, C.G.; PISTIKOPOULOS, E.N. Maintenance scheduling and process optimization
under uncertainty. Computers & Chemical Engineering. v.25, n.2-3, p.217-236, mar. 2001
WANG, Y,; HANDSCHIN, E. A new genetic algorithm for preventive unit maintenance scheduling of
power systems. International Journal of Electrical Power & Energy Systems. v.22, n.5, p.343-348, jun. 2000
WYREBSKI, J. Manuteno Produtiva Total Um Modelo Adaptado. Dissertao de Mestrado em
Engenharia de Produo e Sistemas. Centro Tecnolgico, Universidade Federal de Santa Catarina, Florianpolis,
1997
XENOS, H.G.D. Gerenciando a Manuteno Produtiva. Belo Horizonte: FDG, 1998
7. APNDICES
APENDICE 1 FUNO TAXA DE FALHA
function [valor] = h_normal(t)
%PARAMETROS PARA A MAQUINA
mi = 38.6571
var = 20.3022
%CONFIABILIDADE
Rt = 1 - cdf('norm',t,mi,var)
%DENSIDADE
ft = pdf('norm',t,mi,var)
%RETORNA A TAXA DE FALHA
%RETORNA COMO VETOR PARA PERMITIR A INTEGRAO NUMRICA USANDO QUAD
d = size(t)
for i=1:d(2)
valor(i) = ft(i) / Rt(i)
end
end
APENDICE 2 FUNO DE MUTAO PARA INTEIROS
function mutationChildren = int_mutation(parents,options,GenomeLength, ...
FitnessFcn,state,thisScore,thisPopulation)
shrink = .01;
scale = 1;
scale = scale - shrink * scale * state.Generation/options.Generations;
range = options.PopInitRange;
lower = range(1,:);
upper = range(2,:);
scale = scale * (upper - lower);
mutationPop = length(parents);
% O Uso da funo RAND garante que os filhos sero inteiros.
mutationChildren = repmat(lower,mutationPop,1) + ...
round(repmat(scale,mutationPop,1) .* rand(mutationPop,GenomeLength));
APENDICE 3 FUNO DE CRIAO PARA INTEIROS
function Population = int_pop(GenomeLength,FitnessFcn,options)
totalpopulation = sum(options.PopulationSize);
range = options.PopInitRange;
lower= range(1,:);
span = range(2,:) - lower;
% O Uso da funo RAND garante que os indivduos sero inteiros.
Population = repmat(lower,totalpopulation,1) + ...
round(repmat(span,totalpopulation,1) .*
rand(totalpopulation,GenomeLength));
APENDICE 4 FUNO OBJETIVO
function [custo] = confiabilidade(manut8)
%variveis iniciais
s=1
custo_semana = [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
custo_intermed = 0
t=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
m=[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
Tsem = 8.8*2*5*0.4
falhas = [0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0]
final = [0]
for s = 1:28
%atribui o valor correto de fator de melhoria e custo
switch manut8(s)
case 0
m(s) = 0
Cprev(s) = 0
case 1
m(s) = 0.2371
Cprev(s) = A-CONSTANTE_NUMRICA_CONFIDENCIAL
case 2
m(s) = 0.98
Cprev(s) = B-CONSTANTE_NUMRICA_CONFIDENCIAL
end
%aplica o fator de melhoria de acordo com semana
if s>1
anterior = s-1
tmen = t(anterior)
t(s)=tmen+Tsem - m(s)*(tmen+Tsem)
inicial = tmen
else
t(s)=Tsem - m(s)*Tsem
inicial = 0
end
final = t(s)
%calcula o nmero de falhas esperadas no perodo
falhas(s) = quad(@h_normal,inicial,final)
%calcula o custo das falhas
Cfalhas(s) = falhas(s) * C-CONSTANTE_NUMRICA_CONFIDENCIAL
%calcula o custo total da semana das preventivas
custo_semana(s) = Cfalhas(s)+Cprev(s)
custo_intermed = custo_intermed + custo_semana(s)
s = s + 1
end
%calcula o custo total
custo = custo_intermed
end
APENDICE 5 CONFIGURAES DO GATOOL
function [x,fval,exitflag,output,population,score] =
problema_E2(nvars,PopInitRange_Data,Generations_Data,StallGenLimit_Data)
% This is an auto generated M-file from Optimization Tool.
% Start with the default options
options = gaoptimset;
% Modify options setting
options = gaoptimset(options,'PopulationType', 'custom');
options = gaoptimset(options,'PopInitRange', PopInitRange_Data);
options = gaoptimset(options,'Generations', Generations_Data);
options = gaoptimset(options,'StallGenLimit', StallGenLimit_Data);
options = gaoptimset(options,'CreationFcn', @int_pop);
options = gaoptimset(options,'MutationFcn', @int_mutation);
options = gaoptimset(options,'Display', 'off');
options = gaoptimset(options,'PlotFcns', { @gaplotbestf @gaplotbestindiv
@gaplotscores @gaplotstopping });
[x,fval,exitflag,output,population,score] = ...
ga(@confiabilidade,nvars,[],[],[],[],[],[],[],options);