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

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.