Uma reflexão da literatura sobre técnicas computacionais aplicadas à gestão da manutenção de trens

Josemar Coelho Felix; Rodrigo Cesar Pedrosa Silva

doi:10.5585/2024.22639

Autores

Josemar Coelho Felix Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil https://orcid.org/0000-0003-0220-2346
Rodrigo Cesar Pedrosa Silva UFOP

DOI:

https://doi.org/10.5585/2024.22639

Palavras-chave:

planejamento e controle de manutenção, estrada de ferro, modelos computacionais

Resumo

Este texto tem como objetivo fornecer orientações sobre o estado atual da literatura sobre aspectos relacionados à aplicação de recursos computacionais para melhorar a gestão da manutenção de material rodante e, com base nisso, propor diretrizes para pesquisadores sobre o assunto. Este estudo apresenta uma revisão de literatura com artigos de pesquisa aplicada. Em conclusão, verificamos que programação linear, algoritmos genéticos e redes neurais trazem bons resultados no auxílio aos gestores de manutenção ferroviária. Importa referir que ainda existe uma preferência pela automatização do trabalho manual de forma a conseguir a redução de custos ou maximizar a utilização dos recursos de manutenção. Devido ao grande aumento de pesquisas sobre aplicações de recursos computacionais, este artigo traz generalizações de aplicações para o mesmo tema, que é a manutenção do material rodante e a dificuldade de gerenciamento desses ativos.

Downloads

Não há dados estatísticos.

Biografia do Autor

Josemar Coelho Felix, Universidade Federal de Ouro Preto, Ouro Preto, MG, Brasil

Doutorando em Ciência da Computação na UFOP e professor do IFMG- Campus Ouro Branco. Ele tem experiência na área de Gestão da Manutenção, Engenharia Ferroviária, Informatica e Educação. Atua principalmente nos seguintes temas: inclusão digital-educativa, popularização da ciência, educação empreendedora e inovação tecnológica, Aprendizado de Máquina.

Rodrigo Cesar Pedrosa Silva, UFOP

Ph.D. em Engenharia Elétrica pelo Departamento de Engenharia Elétrica e de Computação da McGill University, Canadá. Ele obteve seu mestrado em Engenharia Elétrica no campo de Inteligência Computacional pela Universidade Federal de Minas Gerais (UFMG) e é Bacharel em Ciência da Computação pela Universidade Federal de Ouro Preto (UFOP). Durante a graduação e o mestrado, trabalhou em métodos de aprendizado de máquina para a configuração automática de algoritmos de otimização. Durante o doutorado, parcialmente financiado pela Automotive Partnership Canada (http://www.apc-pac.ca) e pelo Natural Sciences and Engineering Research Council of Canada (NSERQ), trabalhou no desenvolvimento de algoritmos de otimização eficientes para o projeto de motores elétricos para tração. Mais especificamente, desenvolveu técnicas de redução de objetivos e seleção de modelos substitutos (baseados em aprendizado de máquina) para reduzir o custo do processo de otimização baseado em modelos de alta precisão (e.g., modelos baseados em elementos finitos). Atualmente é Professor Adjunto da Universidade Federal de Ouro Preto (UFOP) e ministra as disciplinas de Inteligência Artificial e Introdução à Otimização.

Referências

Andrade, A. R., & Stow, J. (2017). Assessing the efficiency of maintenance operators: a case study of turning railway wheelsets on an under-floor wheel lathe. Proceedings of the Institution of Mechanical Engineers, Part O: Journal of Risk and Reliability, 231(2), 155-163. https://doi.org/10.1177/1748006X16688606

Andrés, J., Cadarso, L., & Marín, Á. (2015). Maintenance scheduling in rolling stock circulations in rapid transit networks. Transportation Research Procedia, 10, 524-533. https://doi.org/10.1016/j.trpro.2015.09.006

Almeida, L., Miguel, P. C., & da Silva, M. T. (2011). Uma revisão da literatura sobre" servitização": bases para a proposição de um modelo conceitual de decisão. Exacta, 9(3), 339-354. https://doi.org/10.5585/Exacta.v9i3.3115

Belhot, R. V., & Campos, F. C. D. (1995). Relações entre manutenção e engenharia de produção: uma reflexão. Production, 5(2), 125-134. https://doi.org/10.1590/S0103-65131995000200001

Bento, E. P., & Kagan, N. (2008). Algoritmos genéticos e variantes na solução de problemas de configuração de redes de distribuição. Sba: Controle & Automação Sociedade Brasileira de Automatica, 19(3), 302-315. https://doi.org/10.1590/S0103-17592008000300006

Carvalho, T. P., Soares, F. A., Vita, R., Francisco, R. D. P., Basto, J. P., & Alcalá, S. G. (2019).

A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024

Cheng, Y. H., & Tsao, H. L. (2010). Rolling stock maintenance strategy selection, spares parts’ estimation, and replacements’ interval calculation. International Journal of Production Economics, 128(1), 404-412. https://doi.org/10.1016/j.ijpe.2010.07.038

Costa, M. D. A. (2013). Gestão estratégica da manutenção: uma oportunidade para melhorar o resultado operacional. Trabalho de Diplomação, UFJF, Juiz de Fora.

Souza Hipólito de, R., Akiyoshi Toda, F., & Barroso Rocha, S. (2019). Implantação de um Modelo de Gestão por Resultados em uma Empresa de Transporte Ferroviário. Revista FSA, 16(1). DOI: http://dx.doi.org/10.12819/2019.16.1.1

Erguido, A., Márquez, A. C., Castellano, E., Flores, J. L., & FernÁndez, J. G. (2020). Reliability-based advanced maintenance modelling to enhance rolling stock manufacturers’ objectives. Computers & Industrial Engineering, 106436. https://doi.org/10.1016/j.cie.2020.106436

Freitas, Nilton de. 2015. Fundamentos de Vagões MRS. Apostila para desenvolvimento de funcionários da MRS Logística.

Gençer, M. A., Yumusak, R., Ozcan, E., & Tamer, E. R. E. N (2020). An Artificial Neural Network Model for Maintenance Planning of Metro Trains. Politeknik Dergisi. https://doi.org/10.2339/politeknik.693223

Giacco, G. L., D’Ariano, A., & Pacciarelli, D. (2014). Rolling stock rostering optimization under maintenance constraints. Journal of Intelligent Transportation Systems,18(1),95-105. https://doi.org/10.1080/15472450.2013.801712

Gu, H., Joyce, M., Lam, H. C., Woods, M., & Zinder, Y. (2019). A genetic algorithm for assigning train arrival dates at a maintenance centre. IFAC-PapersOnLine, 52(13), 957-962. https://doi.org/10.1016/j.ifacol.2019.11.318

Haykin, S.(2001). Redes neurais princípios e práticas. 2◦.ed.Porto Alegre:Bookman, 900(pp. 39-63).

Felix, J. C., Peixoto, C. S., & Edwiges, C. A. (2021).O planejamento de suprimentos utilizando-se a teoria de filas e simulação computacional em uma oficina de recuperação de componentes de vagões. Exacta.https://doi.org/10.5585/exactaep.2021.19577

Felix, J.C., Barbosa, L.C.M., & Valente, A.F.D.A (2021). Um estudo sobre as condições de trabalho e layout industrial para a realização de mudanças em uma oficina de componentes ferroviários da mrs logística.Exacta.

Lai, Y. C., Fan, D. C., & Huang, K. L. (2015). Optimizing rolling stock assignment and maintenance plan for passenger railway operations. Computers & Industrial Engineering, 85, 284-295. https://doi.org/10.1016/j.cie.2015.03.016

Luan, X., Miao, J., Meng, L., Corman, F., & Lodewijks, G. (2017). Integrated optimization on train scheduling and preventive maintenance time slots planning. Transportation Research Part

C: Emerging Technologies, 80, 329-359. https://doi.org/10.1016/j.trc.2017.04.010

Maróti, G., & Kroon, L. (2005). Maintenance routing for train units: the transition model. Transportation Science, 39(4), 518-525. https://doi.org/10.1287/trsc.1050.0116

Maróti, G., & Kroon, L. (2007). Maintenance routing for train units: The interchange model. Computers & Operations Research, 34(4), 1121-1140. https://doi.org/10.1016/j.cor.2005.05.026

Mira, L., Andrade, A. R., & Gomes, M. C. (2020). Maintenance scheduling within rolling stock planning in railway operations under uncertain maintenance durations. Journal of Rail Transport Planning & Management. https://doi.org/10.1016/j.jrtpm.2020.100177

Pilar, J. V., Santana, A. G., & Leão, A. E. (1998). Uma abordagem alternativa para a utilização da programação linear com curvas segmentadas no planejamento de sistemas de recursos hídricos. Anais do IV Simpósio de Recursos Hídricos do Nordeste, Campina Grande, CD-ROM.

Pozo, A., Cavalheiro, A. D. F., Ishida, C., Spinosa, E., & Rodrigues, E. M. (2005). Computação evolutiva. Universidade Federal do Paraná, 61p.(Grupo de Pesquisas em Computação Evolutiva, Departamento de Informática-Universidade Federal do Paraná).

Prado, D. (2016). Programação linear (Vol. 1). Falconi Editora.

Ramos, M. J., & Schrattner, R. (2020). Implantação de sistema de planejamento e controle da manutenção em uma indústria de ingredientes alimentícios. Revista Técnico-Científica, (23).

Santos, L. L. D. S. (2014). O trem não pode parar: reformando uma oficina de locomotivas (Doctoral dissertation).

Shebani, A., & Iwnicki, S. (2018). Prediction of wheel and rail wear under different contact conditions using artificial neural networks. Wear, 406, 173-184. https://doi.org/10.1016/j.wear.2018.01.007

Slack, N., Chambers, S., & Johnston, R. (2009). Administração da produção (Vol. 2). São Paulo: Atlas.

Souza, J. B. D. (2008). Alinhamento das estratégias do planejamento e controle da manutenção (PCM) com as finalidades e funções do planejamento e controle da produção (PCP): uma abordagem analítica. José Barrozo de Souza.--Ponta Grossa:[sn].

Sriskandarajah, C., Jardine, A. K. S., & Chan, C. K. (1998). Maintenance scheduling of rolling stock using a genetic algorithm. Journal of the Operational Research Society, 49(11), 1130-1145. https://doi.org/10.1057/palgrave.jors.2600627

Tomiyama, T., Sato, T., Okada, K., Wakamiya, T., & Murata, T. (2018). Railway Rolling-Stock-Assignment-Scheduling Algorithm for Minimizing Inspection Cost. International Journal of Applied Mathematics, 48(2).

Tönissen, D. D., & Arts, J. J. (2018). Economies of scale in recoverable robust maintenance location routing for rolling stock. Transportation Research Part B: Methodological, 117, 360-377. https://doi.org/10.1016/j.trb.2018.09.006

Tönissen, D. D., & Arts, J. J. (2020). The stochastic maintenance location routing allocation problem for rolling stock. International Journal of Production Economics, 107826. https://doi.org/10.1016/j.ijpe.2020.107826

Tönissen, D. D., Arts, J. J., & Shen, Z. J. (2019). Maintenance location routing for rolling stock under line and fleet planning uncertainty. Transportation Science, 53(5), 1252-1270. https://doi.org/10.1287/trsc.2018.0866

Tsuruta, J. H., & Narciso, M. G. (2000). Um estudo sobre algoritmos genéticos. Embrapa Informática Agropecuária.

Turner, C., Tiwari, A., Starr, A., & Blacktop, K. (2016). A review of key planning and scheduling in the rail industry in Europe and UK. Proceedings of the Institution of Mechanical Engineers, Part F: Journal of Rail and Rapid Transit, 230(3), 984-998. https://doi.org/10.1177/0954409714565654

Wagenaar, J., & Kroon, L. G. (2015). Maintenance in railway rolling stock rescheduling for passenger railways. ERIM Report Series Reference No. ERS-2015-002-LIS. http://dx.doi.org/10.2139/ssrn.2566835

Wagenaar, J. C., Kroon, L. G., & Schmidt, M. (2017). Maintenance appointments in railway rolling stock rescheduling. Transportation Science, 51(4), 1138-1160. https://doi.org/10.1287/trsc.2016.0701

Wu, J., Lin, B., Wang, H., Zhang, X., Wang, Z., & Wang, J. (2018b). Optimizing the high-level maintenance planning problem of the electric multiple unit train using a modified particle swarm optimization algorithm. Symmetry, 10(8), 349. https://doi.org/10.3390/sym10080349

Wu, J., Lin, B., Wang, J., & Liu, S. (2018a). A network-based method for the EMU train high-level maintenance planning problem. Applied Sciences, 8(1), 2.

Vianna, D. S., & Vianna, M. D. F. D. (2014). Hybrid GRASP heuristics for the phylogeny problem combining path-relinking and genetic algorithm as an intensification strategy. Production, 24, (pp. 664-674).

Xu, Y. N., Qiao, Q., Wu, R. F., & Zhou, Z. P. (2019). Advanced maintenance cycle optimization of urban rail transit vehicles. Advances in Mechanical Engineering, 11(2), 1687814019827113

Yin, J., & Zhao, W. (2016). Fault diagnosis network design for vehicle on-board equipments of high-speed railway: A deep learning approach. Engineering Applications of Artificial Intelligence, 56, 250-259.

Zhao, Y., Guo, Z. H., & Yan, J. M. (2017). Vibration signal analysis and fault diagnosis of bogies of the high-speed train based on deep neural networks. Journal of vibro engineering, 19(4), 2456-2474.

Zhong, Q., Lusby, R. M., Larsen, J., Zhang, Y., & Peng, Q. (2019). Rolling stock scheduling with maintenance requirements at the Chinese High-Speed Railway. Transportation Research Part B: Methodological, 126, 24-44.