Queue Model of Technical Readiness of Large Car Fleet
DOI:
https://doi.org/10.14529/ctcr200202Keywords:
repair, freight transport, simulation, technical readinessAbstract
Introduction. A making decisions about the volume of vehicle repairs after breakdowns is based on the minimum cost of repairs. However, this can lead to a decrease in the technical readiness of the enterprise as a whole, non-fulfillment of applications for transportation and economic damage. To calculate the required amount of repair work, leading to a sufficient increase in the technical readiness of the vehicle, a model of the enterprise’s activity is needed, which allows calculating the consequences of a particular volume of repair work with respect to the fulfillment of transportation requests. Aim. A development of a stochastic queue model of the activity of a truck enterprise, taking into account a decrease in the technical readiness of vehicles during operation. Materials and methods. The analysis of the structure of the costs of operating vehicles, including repair costs. The structure of the simulation model, including the full life cycle of transportation and repair work, is substantiated. The assumptions inherent in the working conditions of a large motor transport enterprise are adopted. The model is implemented in the GPSS language. The technical availability of an individual vehicle is approximated by a piecewise linear function. The information on the modeling procedure is given. Results. The adequacy of the simulation results was checked when changing factors leading to obvious consequences: speed of vehicles, number of vehicles in the fleet, time of repair work. Consistency of results is shown. The possibility of increasing the implementation of the system of applications for transportation through more comprehensive repair work has been investigated. An asymptotic dependence of fleet availability as a whole on the degree of recovery of vehicles as a result of repairs was obtained. Conclusion. The model is developed can be used as a module of a decision support system for managing a motor transport enterprise.References
Akbaba, Ö. The Effects of Reengineering, Organizational Climate and Psychological Capital on the Firm Performance / Ö. Akbaba, E. Altındağ // Procedia – Social and Behavioral Sciences. – 2016. – Vol. 235. – P. 320–331. DOI: 10.1016/j.sbspro.2016.11.038
Рыбалов, Ю.В. Автоматизированная информационно-аналитическая система по искусственным сооружениям на автомобильных дорогах / Ю.В. Рыбалов // САПР и ГИС автомобильных дорог. – 2015. – № 2. – С. 127–132.
Горяев, Н.К. Транспортный аудит как основной инструмент оценки эффективности перевозок / Н.К. Горяев // Вестник Южно-Уральского государственного университета. Серия «Экономика и менеджмент». – 2012. – № 44. – С. 183–184.
Invest Approach to the Transportation Services Cost Formation / A. Halkin, V. Skrypin, E. Kush et al. // Procedia Engineering. – 2017. – Vol. 178. – P. 435–442. DOI: 10.1016/j.proeng.2017.01.086
Постановка задачи определения технической готовности подвижного состава автотранспортного предприятия / Х.С. Салих, С.Я. Егоров, А.В. Затонский, М.Н. Фелькер // Современная наука. Актуальные проблемы теории и практики. Серия: Естественные и технические науки. – 2020. – № 2. – С. 88–94.
Acquiring insights into infrastructure repair policy using discrete choice models / Y. Qiao, T.U. Saeed, S. Chen et al. // Transportation Research Part A: Policy and Practice. – 2018. – Vol. 113. – P. 491–508. DOI: 10.1016/j.tra.2018.04.020
Затонский, А.В. Внешние связи информационной модели системы управления техническим состоянием оборудования /А.В. Затонский, В.Ф. Беккер, П.В. Плехов // Современные наукоемкие технологии. – 2009. – № 7. – С. 78–79.
Li, Z. A deep learning driven method for fault classification and degradation assessment in mechanical equipment / Z. Li, Y. Wang, K. Wang // Computers in Industry. – 2019. – Vol. 104. – P. 1–10. DOI: 10.1016/j.compind.2018.07.002
Moving objects control under uncertainty / I.S. Kobersy, D.V. Shkurkin, A.V. Zatonskiy et al. // ARPN Journal of Engineering and Applied Sciences. – 2016. – Т. 11, № 5. – С. 2830–2834.
Плехов, П.В. Оценка состояния технологического оборудования по модели жизненного цикла / П.В. Плехов, А.С. Латышева // Известия ЮФУ. Технические науки. – 2009. – № 2 (91). – С. 138–140.
ГОСТ Р-03112194-0376–98. Методика оценки остаточной стоимости транспортных средств с учетом технического состояния (утв. Минтрансом РФ 10.12.98).
Егоров, С.Я. Методика расчета нижней оценки стоимости соединений в задачах размещения промышленных объектов / С.Я. Егоров // Вестник Тамбовского государственного технического университета. – 2006. – Т. 12, № 4-2. – С. 1191–1199.
Алиев, Т.И. Погрешности моделирования высоконагруженных систем в GPSS WORLD / Т.И. Алиев // Научно-технический вестник информационных технологий, механики и оптики. – 2013. – № 1 (83). – С. 70–75.
Vondra, T. Cloud autoscaling simulation based on queueing network model / T. Vondra, J. Šedivý // Simulation Modelling Practice and Theory. – 2017. – Vol. 70. – P. 83–100. DOI: 10.1016/j.simpat.2016.10.005
Затонский, А.В. Разработка объектных средств имитационного и многоагентного моделирования производственных процессов / А.В. Затонский, В.Н. Уфимцева // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2018. – № 4. – С. 56–62. DOI: 10.24143/2072-9502-2018-4-56-62
