شناسایی و رتبه بندی معیارهای تاثیرگذار بريكپارچه سازی نگهداری و تعمیرات و برنامه ریزی تولید در سيستم كارگاهي باز

محورهای موضوعی : مدیریت صنعتی

سمیرا کریمی سفیددشتی ¹ , غلامرضا اسماعیلیان ² , مجيد وزيري سرشك ^{3 *}

1 - گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران.
2 - گروه مهندسی صنایع دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران
3 - گروه مهندسي صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ايران

تاریخ دریافت : 1404/05/01 تاریخ پذیرش : 1404/06/15 تاریخ انتشار : 1404/07/02

کلید واژه: نگهداری و تعمیرات, سیستم کارگاهی باز, رویکرد دیمتل, رویکرد اولوت‌بندی ترتیبی,

چکیده مقاله :

ﺑﺮﻧﺎﻣﻪرﯾﺰي ﺗﻮﻟﯿﺪ و زﻣﺎنﺑﻨﺪي ﻧﻘﺶ ﺣﯿﺎﺗﯽ در اﻓﺰاﯾﺶ اﺛﺮﺑﺨﺸﯽ ﮐﺎرﺧﺎﻧﺠﺎت اﯾﻔﺎ ﻣﯽﮐﻨﻨﺪ. در ﮐﺎرﺑﺮدﻫﺎي واﻗﻌﯽ ﻣﺎﻧﻨﺪ زﻣﺎﻧﺒﻨﺪي ﻓﻌﺎﻟﯿﺖ‌ﻫﺎي ﻧﺖ، ﺗﻤﯿﺰ ﮐﺎري، ﺗﻮﻟﯿﺪ در صنایع و ﻓﻌﺎﻟﯿﺖ‌ﻫﺎي ﻣﺮﺑﻮط ﺑﻪ تولید و ﻏﯿﺮه، ﻫﺮ ﮔﻮﻧﻪ ﺗﺄﺧﯿﺮ در اﻧﺠﺎم ﯾﮏ ﮐﺎر، ﻣﻨﺠﺮ ﺑﻪ ﻧﯿﺎز ﺑﻪ ﺗﻼش ﺑﯿﺸﺘﺮ ﺑﺮاي اﻧﺠﺎم آن ﮐﺎر ﺧﻮاﻫﺪ ﺷﺪ. اﯾﻦ ﭘﺪﯾﺪه در ﻣﺮور ادﺑﯿﺎت ﺑﻪ ﻋﻨﻮان اﺛﺮ زوال واﺑﺴﺘﻪ ﺑﻪ زﻣﺎن ﺷﻨﺎﺧﺘﻪ ﺷﺪه اﺳﺖ. ﺑﺪﯾﻦ ﺗﺮﺗﯿﺐ نقش نگهداری و تعمیرات در برنامه‌ریزی تولید به ویژه سیستم کارگاهی باز مساله بسیار حایز اهمیت می‌باشد. با این استدلال و با هدف پر کردن شکاف پژوهش در زمینه کمیابی دسترسی به پژوهشی که شناسایی عوامل تاثیرگذار بر یکپارچه‌سازی فعالیت‌های نگهداری و تعمیرات را در نظر گرفته باشند، پژوهش فعلی این مفهوم را مورد توجه قرار داده و آن را در سیستم تولید کارگاهی باز در نظر می‌گیرد. در این پژوهش رویکرد ترکیبی تصمیم‌گیری چندمعیاره تحت عنوان دیمتل-رویکرد اولویت‌بندی ترتیبی در نظر گرفته می‌شود. رویکرد دیمتل ضمن غربالگری معیارهای گردآوری شده که به صورت کدهای C01، C02، C03، ...، C20 نمادگذاری شدند، برای شناسایی روابط علت و معلولی میان آنها استفاده می‌شود و رویکرد جدید اولویت‌بندی ترتیبی برای رتبه‌بندی آنها مورد استفاده قرار می‌گیرد. بر اساس نتایج بدست آمده، بعد از غربالگری معیارها به تعداد 10 معیار با رویکرد دیمتل، بر اساس خروجی رویکرد اولویت‌بندی ترتیبی مشخص می‌باشد که معیارهای ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود، تعیین هزینه‌های عملیاتی تولید و تعیین هزینه‌های تعمیر و نگهداری به ترتیب در جایگاه های اول تا سوم از نظر اهمیت قرار گرفتند.

چکیده انگلیسی:

Production planning and scheduling are critical for optimizing the performance of manufacturing systems. In practical industrial contexts—including the scheduling of maintenance, cleaning, production runs, and related tasks—delays in task execution often necessitate a subsequent increase in the effort or resources required for completion. This phenomenon is formally recognized in the literature as time-dependent deterioration. Consequently, the integration of maintenance planning with production scheduling, particularly within open job shop environments, represents a significant and complex operational challenge. Addressing the identified research gap, namely the limited investigation into the critical factors influencing this integration, this study examines the phenomenon within an open job shop production system. A hybrid multi-criteria decision-making (MCDM) framework, integrating the Decision-Making Trial and Evaluation Laboratory (DEMATEL) and the Ordinal Priority Approach (OPA), is employed. The DEMATEL method is first applied to analyze the interrelationships among an initial set of 20 criteria (coded C01–C20) and to filter the most influential ones. The subsequent Ordinal Priority Approach is then used to definitively rank these screened criteria. The analysis yielded two primary results. First, the DEMATEL screening process refined the initial set of 20 criteria down to 10 key factors. Second, the OPA ranking revealed the following three criteria as the most critical for integration: the availability of tools, materials, spare parts, and equipment (C04); the determination of operational production costs (C02); and the determination of maintenance and repair costs (C01).

منابع و مأخذ:

Amiri, S., & Honarvar, M. (2018). Providing an integrated Model for Planning and Scheduling Energy Hubs and preventive maintenance. Energy, 163, 1093-1114. https://doi.org/10.1016/j.energy.2018.08.046
Ataei, Y., Mahmoudi, A., Feylizadeh, M. R., & Li, D. F. (2020). Ordinal priority approach (OPA) in multiple attribute decision-making. Applied Soft Computing, 86, 105893. https://doi.org/10.1016/j.asoc.2019.105893
Avakh Darestani, S., Palizban, T., & Imannezhad, R. (2022). Maintenance strategy selection: a combined goal programming approach and BWM-TOPSIS for paper production industry. Journal of Quality in Maintenance Engineering, 28(1), 14-36. 10.1108/JQME-03-2019-0022
Azadeh, A., & Jebreili, S. (2013). An Integrated Fuzzy Algorithm for Job Shop Layout Optimization: The Case of Maintenance Workshop Process. In 2nd International Conference on Mechanical, Automobile and Robotics Engineering (pp. 17-18).
Berthaut, F., Gharbi, A., & Dhouib, K. (2011). Joint modified block replacement and production/inventory control policy for a failure-prone manufacturing cell. Omega, 39(6), 642-654. https://doi.org/10.1016/j.omega.2011.01.006
Bouslah, B., Gharbi, A., & Pellerin, R. (2016). Integrated production, sampling quality control and maintenance of deteriorating production systems with AOQL constraint. Omega, 61, 110-126. https://doi.org/10.1016/j.omega.2015.07.012
dos Santos, C. F., Loures, E. D. F. R., & Santos, E. A. P. (2024). A smart framework to perform a criticality analysis in industrial maintenance using combined MCDM methods and process mining techniques. The International Journal of Advanced Manufacturing Technology, 1-17. https://doi.org/10.1007/s00170-024-13193-8
Ertogral, K., & Öztürk, F. S. (2019). An integrated production scheduling and workforce capacity planning model for the maintenance and repair operations in airline industry. Computers & Industrial Engineering, 127, 832-840. https://doi.org/10.1016/j.cie.2018.11.022
Farwaha, H. S., Singh, S., Ranjan, N., Grewal, J. S., & Pandey, S. (2025). MCDM methods for boom placer maintenance strategy design: a case study in a construction sector. Safety in Extreme Environments, 7(1), 2. https://doi.org/10.1007/s42797-024-00116-9
Fitouhi, M. C., & Nourelfath, M. (2014). Integrating noncyclical preventive maintenance scheduling and production planning for multi-state systems. Reliability Engineering & System Safety, 121, 175-186. https://doi.org/10.1016/j.ress.2013.07.009.
Goli, A., Tirkolaee, E. B., & Aydın, N. S. (2021). Fuzzy integrated cell formation and production scheduling considering automated guided vehicles and human factors. IEEE Transactions on Fuzzy Systems, 29(12), 3686-3695. 10.1109/TFUZZ.2021.3053838.
Jandali, D., & Sweis, R. (2018). Assessment of factors affecting maintenance management of hospital buildings in Jordan. Journal of Quality in Maintenance Engineering, 24(1), 37-60. 10.1108/JQME-12-2016-0074
Jasiulewicz-Kaczmarek, M. (2018). Identification of maintenance factors influencing the development of sustainable production processes–a pilot study. In IOP Conference Series: Materials Science and Engineering (Vol. 400, p. 062014). IOP Publishing. DOI 10.1088/1757-899X/400/6/062014
Khaksari, P. Ghandi Bidgoli, S. (1402). Mathematical modeling and solving the scheduling problem of workshop flow without waiting, considering release time and preventive maintenance activities, Industrial Engineering Researches in Production Systems, Volume 11(23), pp. 39-55. DOI: https://dx.doi.org/10.22084/IER.2024.5564
Kim, J., & Gershwin, S. B. (2008). Analysis of long flow lines with quality and operational failures. IIE transactions, 40(3), 284-296. https://doi.org/10.1080/07408170701558607.
Lin, J., Pulido, J., & Asplund, M. (2015). Reliability analysis for preventive maintenance based on classical and Bayesian semi-parametric degradation approaches using locomotive wheel-sets as a case study. Reliability Engineering & System Safety, 134, 143-156. https://doi.org/10.1016/j.ress.2014.10.011
Liu, J., Shi, J., & Hu, S. J. (2006, January). Quality Assured Setup Planning Based on the Stream-of-Variation Model for Multi-Stage Machining Processes. In International Manufacturing Science and Engineering Conference (Vol. 47624, pp. 529-538). https://doi.org/10.1115/MSEC2006-21065
Liu, Q., Dong, M., & Chen, F. F. (2018). Single-machine-based joint optimization of predictive maintenance planning and production scheduling. Robotics and Computer-Integrated Manufacturing, 51, 238-247. https://doi.org/10.1016/j.rcim.2018.01.002
Liu, X., Wang, W., & Peng, R. (2017). An integrated preventive maintenance and production planning model with sequence‐dependent setup costs and times. Quality and Reliability Engineering International, 33(8), 2451-2461. https://doi.org/10.1002/qre.2202
Mahmud, I., Ismail, I., Abdulkarim, A., Shehu, G. S., Olarinoye, G. A., & Musa, U. (2024). Selection of an appropriate maintenance strategy using analytical hierarchy process of cement plant. Life Cycle Reliability and Safety Engineering, 13(2), 103-109. https://doi.org/10.1007/s41872-024-00249-7
Miyata, H. H., Nagano, M. S., & Gupta, J. N. (2019). Integrating preventive maintenance activities to the no-wait flow shop scheduling problem with dependent-sequence setup times and makespan minimization. Computers & Industrial Engineering. https://doi.org/10.1016/j.cie.2019.05.034
Moreno‐Trejo, J., Kumar, R., & Markeset, T. (2012). Factors influencing the installation and maintenance of subsea petroleum production equipment: a case study. Journal of quality in maintenance engineering, 18(4), 454-471. https://doi.org/10.1108/13552511211281606
Oliveira, M. A., & Lopes, I. (2020). Evaluation and improvement of maintenance management performance using a maturity model. International Journal of Productivity and Performance Management, 69(3), 559-581. https://doi.org/10.1108/IJPPM-07-2018-0247
Regattieri, A., Giazzi, A., Gamberi, M., & Gamberini, R. (2015). An innovative method to optimize the maintenance policies in an aircraft: General framework and case study. Journal of air transport management, 44, 8-20. https://doi.org/10.1016/j.jairtraman.2015.02.001
Ruiz R, Maroto C. (2016). A genetic algorithm for hybrid flowshops with sequence dependent setup times and machine eligibility. European Journal of Operational Research. 169(3):781-800. https://doi.org/10.1016/j.ejor.2004.06.038
Sahu, V. K., Agnihotri, G., & Sadiwala, C. M. (2008). An empirical study on total quality management in maintenance and repair workshops in India. In 2008 IEEE International Conference on Industrial Engineering and Engineering Management (pp. 1557-1561). IEEE. 10.1109/IEEM.2008.4738133
Sana, S. S. (2012). Preventive maintenance and optimal buffer inventory for products sold with warranty in an imperfect production system. International Journal of Production Research, 50(23), 6763-6774. https://doi.org/10.1080/00207543.2011.623838
Shahbazi, A. Vahidy, H. (2024), Optimization Based on Simulation Studies of the Number of Machinery on the Workshop Production Scheduling Under Uncertainty Conditions and Space and Budget Constraints, Research in Production and Operations Management, 15(1), 113-136. 10.22108/pom.2024.137960.1511.
Shahin, A., Aminsabouri, N., & Kianfar, K. (2018). Developing a Decision Making Grid for determining proactive maintenance tactics: A case study in the steel industry. Journal of Manufacturing Technology Management, 29(8), 1296-1315.https://doi.org/10.1108/JMTM-12-2017-0273
Sharma, M., Joshi, S., & Kumar, A. (2020). Assessing enablers of e-waste management in circular economy using DEMATEL method: An Indian perspective. Environmental Science and Pollution Research, 27(12), 13325-13338. https://doi.org/10.1007/s11356-020-07765-w
Souza, R. L. C., Ghasemi, A., Saif, A., & Gharaei, A. (2022). Robust job-shop scheduling under deterministic and stochastic unavailability constraints due to preventive and corrective maintenance. Computers & Industrial Engineering, 168, 108130. https://doi.org/10.1016/j.cie.2022.108130
Tavakli Moghadam, H. Dzagri, H. Amin Naseri, M. R. (1401). Real-time workshop work scheduling and dynamic predictive maintenance using machine learning, Journal of Decision and Operations Research, Volume 7(3), pp. 515-496. http://dorl.net/dor/20.1001.1.25385097.1401.7.3.8.7
Wang, L., Zhang, Z., & Yin, Y. (2022). Order acceptance and scheduling problem with outsourcing in seru production system considering lot-spitting. European Journal of Industrial Engineering, 16(1), 91-116. https://doi.org/10.1504/EJIE.2022.119371
Wang, S., & Ye, B. (2019). Exact methods for order acceptance and scheduling on unrelated parallel machines. Computers & Operations Research, 104, 159-173. https://doi.org/10.1016/j.cor.2018.12.016
Wang, Y., Xia, T., Xu, Y., Ding, Y., Zheng, M., Pan, E., & Xi, L. (2024). Joint optimization of flexible job shop scheduling and preventive maintenance under high-frequency production switching. International Journal of Production Economics, 269, 109163. https://doi.org/10.1016/j.ijpe.2024.109163
Yang, L., Ma, X., Peng, R., Zhai, Q., & Zhao, Y. (2017). A preventive maintenance policy based on dependent two-stage deterioration and external shocks. Reliability Engineering & System Safety, 160, 201-211. https://doi.org/10.1016/j.ress.2016.12.008
Zhang, H., Buchmeister, B., Li, X., & Ojstersek, R. (2023). An Efficient Metaheuristic Algorithm for Job Shop Scheduling in a Dynamic Environment. Mathematics, 11(10), 2336. https://doi.org/10.3390/math11102336
Zhao, Z., & Zhou, H. (2022). A Hybrid Optimization Method for Manufacturing Cell Scheduling with Random Interruptions Based on Improved Wolf Pack Algorithm and Simulation. In Journal of Physics: Conference Series (Vol. 2173, No. 1, p. 012075). IOP Publishing, DOI 10.1088/1742-6596/2173/1/012075
Zhao, Z., Zhou, H., & Lei, Y. (2022). A Simulation Optimization Model for Cell Scheduling Considering Energy Consumption and Machine Breakdown. In Proceedings of 2021 Chinese Intelligent Systems Conference (pp. 126-133). Springer, Singapore. https://doi.org/10.1007/978-981-16-6328-4_15
Zhong, S., Pantelous, A. A., Goh, M., & Zhou, J. (2019). A reliability-and-cost-based fuzzy approach to optimize preventive maintenance scheduling for offshore wind farms. Mechanical Systems and Signal Processing, 124, 643-663. https://doi.org/10.1016/j.ymssp.2019.02.012.

متن کامل:



 

 

 

 

 

شناسایی و رتبه بندی معیارهای تاثیرگذار بريكپارچه سازی

 نگهداری و تعمیرات  و برنامه ریزی تولید در سيستم كارگاهي باز

 

سمیرا کریمی سفیددشتی

گروه مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مجيد وزيري سرشك(نویسنده مسئول)

گروه مهندسي صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ايران

Email: [e-mail]

غلامرضا اسماعیلیان

گروه مهندسی صنایع دانشکده فنی و مهندسی، دانشگاه پیام نور، تهران، ایران

 

 

 

                     تاریخ دریافت: 01/05/1404  * تاریخ پذیرش 15/06/1404

 

         چکيده

این پژوهش با هدف شناسایی و اولویت‌بندی معیارهای مؤثر بر یکپارچه‌سازی نگهداری‌وتعمیرات (نت) و برنامه‌ریزی تولید در سیستم کارگاهی باز انجام شد. به‌این‌منظور، ابتدا ۲۰ معیار بالقوه از ادبیات و نظر خبرگان استخراج شد. سپس با بهره‌گیری از دیمتل، روابط علّی–معلولی میان معیارها تحلیل و ۱۰ معیارِ محرک کلیدی شناسایی و غربال شد. در گام دوم، برای رتبه‌بندی معیارهای منتخب از رویکرد اولویت‌بندی ترتیبی (OPA) بر اساس ورودی‌های رتبه‌ای خبرگان و پنج فاکتور تصمیم (هزینه، سودآوری، مدیریت منابع، استراتژی‌های رقابتی و فناوری‌های مدرن) استفاده گردید. یافته‌ها نشان می‌دهد «ابزار/مواد/قطعات یدکی و تجهیزات موجود»، «تعیین هزینه‌های عملیاتی تولید» و «تعیین هزینه‌های تعمیر و نگهداری» به‌ترتیب بیشترین اهمیت را دارند. از منظر علّی نیز معیارهای هزینه‌ای و منابعی در منطقه علّت قرار گرفته و پیشرانِ یکپارچه‌سازی محسوب می‌شوند. نوآوری کار، ترکیب روشمند دیمتل و OPA برای گذار از تشخیص و ساختاردهی وابستگی‌ها به اولویت‌بندی عملیاتی با استفاده از داده‌های رتبه‌ای ساده و قابل اتکاست. پیامد مدیریتی نتایج آن است که بهینه‌سازی موجودی قطعات یدکی و شفاف‌سازی هزینه‌های تولید و نت، اهرم‌های اصلی برای تسهیل یکپارچه‌سازی در محیط‌های کارگاهی باز هستند.

کلمات کلیدی: نگهداری و تعمیرات، سیستم کارگاهی باز، رویکرد دیمتل، رویکرد اولوت‌بندی ترتیبی.

 

 

 

 

 

 

 

 

 

 

 

1-       مقدمه

در سال‌های اخیر، یک حرکت جهانی بزرگ بر اساس مدیریت رسمی دارایی‌های فیزیکی آغاز شده است. کشورهای توسعه یافته اولین کشورهایی بودند که وارد این حوزه شدند. پس از آن، کشورهای در حال توسعه شروع به بهبود مدیریت نگهداری خود به عنوان مرحله خاصی از چرخه عمر دارایی فیزیکی کردند. مدیریت دارایی با سیاست گذاری و تعیین هدف بر اساس عملکرد و پایداری سروکار دارد. این چشم‌انداز استراتژیک از دیدگاه بلندمدت عملکرد زیرساخت و هزینه استفاده می‌کند. در نتیجه انتخاب تاکتیک‌های نگهداری مناسب یکی از مهمترین تصمیمات در صنایع است (Shahin, Aminsabouri & Kianfar, 2018). از دیگر سو، ﻗﺎﺑﻠﯿﺖ تطبیق‌پذیری ﻧﺴﺒﺖ ﺑﻪ ﺗﻐﯿﯿﺮات ﺗﻘﺎﺿﺎ و ﻃﺮاﺣﯽ ﻣﺤﺼﻮﻻت ﺑﺎ ﺻﺮف ﻫﺰﯾﻨﻪ و زﻣﺎن اﻧﺪك، ﻓﺎﮐﺘﻮري ﮐﻠﯿﺪي در ﻣﻮﻓﻘﯿﺖ ﺻﻨﺎﯾﻊ ﺗﻮﻟﯿﺪي ﺑﺸﻤﺎر می‌رود (Zhao and Zhou, 2022). ﺳﯿﺴﺘﻢﻫﺎي ﺗﻮﻟﯿﺪ ﺳﻨﺘﯽ، ﻣﺎﻧﻨﺪ ﺗﻮﻟﯿﺪ ﮐﺎرﮔﺎﻫﯽ و ﺗﻮﻟﯿﺪ ﺟﺮﯾﺎﻧﯽ ﻗﺎدر ﺑﻪ پاسخ‌دهی ﺳﺮﯾﻊ و هم‌زمان ﺑﻪ ﭼﻨﯿﻦ ﺗﻐﯿﯿﺮاﺗﯽ ﻧﯿﺴﺘﻨﺪ (Zhao and Zhou, 2022). در مقابل سیستم های سنتی، اﺳﺘﻔﺎده از ﺳﯿﺴﺘﻢ های جدید همچون ﺗﻮﻟﯿﺪ ﺳﻠﻮﻟﯽ و کارگاهی باز، می‌تواند راﻫﮑﺎري ﻣﻨﺎﺳﺐ ﺑﺮاي دﺳﺖ ﯾﺎﻓﺘﻦ ﺑﻪ ﭼﻨﯿﻦ ﻗﺎﺑﻠﯿﺘﯽ ﺑﺎﺷﺪ. سیستم ﺗﻮﻟﯿﺪ کارگاهی باز ﯾﮏ روﯾﮑﺮد مؤثر ﺑﺮاي پیاده‌سازی اﺻﻮل فنّاوری تولید اﺳﺖ (Wang et al., 2022). ﻫﺪف فنّاوری تولید کارگاهی باز ﺑﻬﺮه ﺑﺮدن از شباهت‌های ﻣﻮﺟﻮد در ﻓﺮاﯾﻨﺪﻫﺎي ﺗﻮﻟﯿﺪي، در راﺳﺘﺎي اﻓﺰاﯾﺶ ﮐﺎراﯾﯽ در ﺗﻮﻟﯿﺪ می‌باشد. ﺳﯿﺴﺘﻢ ﺗﻮﻟﯿﺪ کارگاهی باز، درحقیقت ﯾﮏ روﯾﮑﺮد ﺗﺮﮐﯿﺒﯽ از ﺗﻮﻟﯿﺪ ﮐﺎرﮔﺎﻫﯽ و ﺗﻮﻟﯿﺪ ﺟﺮﯾﺎﻧﯽ اﺳﺖ؛ و از آن ﺑﺮاي ﺗﻮﻟﯿﺪ ﻣﺤﺼﻮﻻﺗﯽ در ﺣﺠﻢ و ﺗﻨﻮع ﻣﺘﻮﺳﻂ اﺳﺘﻔﺎده می‌شود (Goli et al., 2021).

از سوی دیگر در طی چند دهه گذشته همواره دغدغه‌های فراوانی در ارتباط با تلفیق حوزه‌های مختلف مرتبط با فعالیت های تولید وجود داشته است (Ertogral and Ozturk, 2019). حوزه‌هایی که هر کدام به مثابه قلب تپنده واحدهای تولیدی هستند و باید در تصمیم‌گیری‌های مختلف از آن­ها بهره گرفت. به دلیل اثر متقابل هر کدام از این حوزه ها نمی­توان آن­ها را به صورت جزیره ای بررسی کرد و بسیار مناسب و معقول است تا ساز و کاری را برنامه­ریزی کرد که بتوان تمام عوامل مهم را تا جای امکان باهم در نظر گرفت. تلاش­های زیادی برای یکپارچه­سازی برنامه­ریزی تولید، نگهداری و تعمیرات و تامین مواد اولیه صورت گرفته است. همانطور که مشخص است سیستم مورد نظر(سیستم کارگاهی باز) به صورت زنجیره به یکدیگر متصل است و تصمیم­گیری در هر قسمت اثرات خود را بر روی بخش­های دیگر نمایان می­کند (Liu et al,. 2019). 

پیشرفت­های اخیر در یکپارچه­سازی تولید و نگهداری و تعمیرات پیشگیرانه موجب اتصال مباحث مقدار تولید اقتصادی و سیاست های نگهداری و تعمیرات پیشگیرانه (Sana, 2012)، کنترل همزمان نرخ تولید، نگهداری و تعمیرات پیشگیرانه شده است (Berthaut et al., 2011). تحقیقات در این دوره بیشتر بر روی چند اثر حیاتی متمرکز بودند، مانند اثر پیچیدگی تولید و تکنولوژی، سرعت عملیات، برنامه­ریزی راه­اندازی و طراحی تلورانس­ها با در نظر گرفتن زوال کیفیت و یا تاثیر برنامه­ریزی بازرسی کیفیت بر روی جریان تولید (Kim and Gershwin, 2008) و همچنین برخی از پژوهش ها بر روی یکپارچه‌سازی تولید، نگهداری و تعمیرات با در نظر گرفتن استهلاک سیستم تمرکز کردند (Bouslah et al., 2016).

 در واقع تعداد معدودی از پژوهش‌ها منتشر شده است که سه جنبه تولید، کیفیت و نگهداری و تعمیرات را با هم در نظر گرفته‌اند. همانطور که می­دانیم اصالت در واحدهای تولید با ماشین‌‎آلات است، یعنی ماشین‌آلات نقش اساسی را به خصوص در تولید انبوه انجام می­دهند. انجام کار توسط ماشین آلات با گذر زمان می­تواند سبب مستهلک شدن آنها و زوال روز افرون تجهیزات شود. پس فعالیتی همانند برنامه­ریزی نگهداری و تعمیرات باید برای حفظ کارایی و اثربخشی ماشین­آلات صورت گیرد تا در تمام دوره­ها ماشین­آلات با کمترین خرابی و توقف به کار خود ادامه دهند. به طور طبیعی هر ماشین می تواند در طی دوره زمانی که بررسی می­شود مقداری استهلاک پیدا کند، یکی از روش­های موثر برخورد با چنین پدیده­ای انجام نگهداری و تعمیرات پیشگیرانه است (Souza et al., 2022).

بر اساس توضیحات ذکر شده، این پژوهش، بر روی يكپارچه‌سازی نگهداری و تعمیرات در سيستم كارگاهي باز متمرکز می‎باشد و این مفهوم را از جنبه متفاوت معیارهای تاثیرگذار مورد بررسی قرار می‌دهد و به رتبه‌بندی و اولویت‌بندی این معیارها می‌پردازد. این پژوهش به این منظور رویکرد ترکیبی دیمتل-اولویت‌بندی را بکار می‌گیرد. در این رویکرد پیشنهادی، ضمن غربالگری معیارها، به رتبه‌بندی آنها به منظور شناسایی مهم‌ترین معیارها می‌پردازد.

الف) پیشینه پژوهش

فرواها و همکاران¹(2025) یک مطالعه موردی جامع را با استفاده از روش‌های تصمیم‌گیری چند معیاره برای طراحی استراتژی نگهداری و تعمیر بهینه برای یک بوم پلاسر با هدف به حداقل رساندن خرابی، کاهش هزینه های تعمیر و افزایش قابلیت اطمینان ماشین از طریق یک رویکرد تصمیم‌گیری ساختاریافته مبتنی بر SAW، TOPSIS و VIKOR ارائه کردند تا رویکردهای تعمیر و نگهداری مختلف را بر اساس معیارهایی مانند هزینه، قابلیت اطمینان تجهیزات، زمان و سهولت اجرا ارزیابی و رتبه‌بندی کند.

دوس سانتوس و همکاران‌² (۲۰۲۴) بر ادغام چندین زمینه مطالعاتی ناهمگون مانند فرایندکاوی، تصمیم‌گیری چندمعیاره و ادغام داده‌ها تمرکز کردند تا ارزیابی ریسک و تحلیل بحران را برای رتبه‌بندی ماشین‌های صنعتی به منظور انجام وظایف نگهداری و تعمیر ممکن سازند. نتایج حاصل از سناریوهای تحلیل مختلف، تأثیر شاخص‌های نگهداری و تعمیر را بر فرآیند رتبه‌بندی ماشین نشان داد.  محمود و همکاران³ (۲۰۲۴) کاربرد فرآیند سلسله‌مراتبی تحلیلی را برای انتخاب استراتژی نگهداری مناسب برای یک کارخانه سیمان در شمال نیجریه پیشنهاد کردند. در این مطالعه، تعمیر و نگهداری اصلاحی، نگهداری پیشگیرانه و نگهداری پیش‌بینانه به عنوان استراتژی‌های نگهداری در نظر گرفته شدند. با توجه به نتایج، یک حالت ترکیبی از سه استراتژی نگهداری برای موتور القایی کوره مناسب تشخیص داده شد که در آن نگهداری و تعمیرات پیشگیرانه با 76/41 % بالاترین ترجیح را داشت، پس از آن نگهداری و تعمیرات پیش‌بینانه با 66/31% و در نهایت نگهداری و تعمیرات اصلاحی با 68/%26 قرار گرفتند. ژانگ و همکاران⁴ (۲۰۲۳) در پژوهش خود یک بهینه‌سازی ازدحام ذرات چندفازی بهبودیافته را برای حل مسئله زمان‌بندی کارگاه پویا که به عنوان یک مسئله ان‌پی-هارد چندجمله‌ای زمان غیرقطعی شناخته می‌شود، پیشنهاد کردند. رویکرد ازدحام ذرات چندهدفه برای حل مجموعه مسائل استفاده شد و با بهینه‌سازی ازدحام ذرات چندفازی اصلی و الگوریتم کالمن اکتشافی مقایسه گردید. سوزا و همکارانش⁵ (۲۰۲۲) در پژوهش خود یک روش مدل‌سازی ریاضی و راه‌حلی را برای مسئله برنامه‌ریزی کارگاهی تحت شرایط در دسترس نبودن ماشین قطعی و تصادفی ارائه نمودند که به ترتیب ناشی از نگهداری پیشگیرانه برنامه‌ریزی‌شده و تعمیر و نگهداری اصلاحی برنامه‌ریزی‌نشده به دنبال خرابی‌های تصادفی بود. هدف آن‌ها بهینه‌سازی توالی کارها و وظایف نگهداری پیشگیرانه برنامه‌ریزی‌شده مبتنی بر اجرا به شیوه‌ای بهینه سازی استوار و در عین حال در نظرگیری خرابی ماشین‌ها در طول زمان بود. الگوریتم ژنتیک ابتدا برای بهینه‌سازی توابع جایگزین استفاده شد، سپس مناسب‌ترین راه‌حل‌ها از سه روش حل با سناریوهای شکست تصادفی شبیه‌سازی شدند. فیتوهی و نورالفاث⁶ (۲۰۱۴) در مقاله‌ای به ترکیب برنامه‌ریزی تولید و زمان‌بندی نگهداری پیشگیرانه غیرچرخه‌ای برای سیستم‌های چندحالتی پرداختند. این مقاله نگهداری پیشگیرانه غیرچرخه‌ای را با برنامه‌ریزی تولید تاکتیکی در سیستم‌های چندحالتی ترکیب نمود. سیاست نگهداری جایگزین‌های پیشگیرانه چرخه‌ای مولفه‌ها و حداقل تعمیر در مولفه‌های ناموفق را بیان کرد. این مدل ابتدا با مقایسه نتایج چندین محصول متعدد که در بر گیرنده مسائل میزان تولید بود حل شد. لو و همکاران⁷ (۲۰۱۵) مسئله زمان‌بندی جریان کارگاهی ترکیبی با ماشین‌های غیرمرتبط را مورد بررسی قرار دادند. در ابتدا آن‌ها برای دستیابی به حل بهینه، مسئله را به صورت برنامه‌ریزی عدد صحیح مختلط فرموله نمودند. از آنجایی که این مدل برای مسائلی با تعداد کار بیشتر از چهار کارایی نداشت، آن‌ها یک الگوریتم ابتکاری بر مبنای شبیه‌سازی تبرید برای مسائل با اندازه بزرگتر پیشنهاد دادند. لین و همکاران⁸ (۲۰۱۵) در مقاله‌ای به ارزیابی قابلیت اطمینان برای نگهداری و تعمیرات پیشگیرانه بر مبنای رویکردهای فرسایش سنتی و بیزین پرداخته و مدل ارائه‌شده خود را بر روی نمونه موردی در شرکت ساخت لوکوموتیو ارائه نمودند. آن‌ها در این مقاله با بررسی میزان فرسایش چرخ‌های لوکوموتیو با دو رویکرد ذکر شده، به ارزیابی سیاست نگهداری و تعمیرات بهینه پرداختند. رگاتیری و همکارانش⁹ (۲۰۱۵) در مقاله‌ای به ارائه یک روش ابتکاری برای بهینه‌سازی سیاست تعمیر و نگهداری در هواپیما پرداختند. در این مقاله با بررسی الزامات نگهداری و تعمیرات در هواپیما، راهکارها و خط‌مشی‌هایی به منظور بهینه‌سازی سیاست نگهداری و تعمیرات در هواپیما ارائه شد و بر روی هواپیمای A320 پیاده‌سازی و نتایج مورد تحلیل و ارزیابی قرار گرفت.

رویز و ماروتو¹⁰ (۲۰۱۶) همین مسئله را با الگوریتم فراابتکاری بر اساس الگوریتم ژنتیک برای مسئله جریان کارگاهی ترکیبی با ماشین‌های موازی غیرمرتبط با در نظرگیری زمان‌های راه‌اندازی وابسته به توالی و محدودیت شایستگی ماشین ارائه کردند. در این مسئله آن‌ها چندین مشخصه مسائل واقعی را با هم در نظر گرفتند. این مشخصه‌ها شامل زمان‌های در دسترس برای ماشین‌ها، وجود ماشین‌های موازی غیرمرتبط در هر مرحله، شایستگی ماشین و امکان عبور کارها از برخی مراحل بدون پردازش می‌شد. یانگ و همکارانش¹¹ (۲۰۱۷) در مقاله خود به ارائه یک سیاست نگهداری و تعمیرات در شرایط وجود شوک‌های خارجی پرداختند. آن‌ها در این مقاله، به منظور بررسی تأثیر شوک‌های خارجی بر روی ماشین‌ها، رویکرد جدیدی را در بحث نگهداری و تعمیرات پیشگیرانه ارائه نمودند. آن‌ها در این مدل، بحث نگهداری بر مبنای سن دستگاه‌ها را مطرح نمودند و برای هر دستگاه متناسب با عمر و میزان کارکرد آن، سیاست نگهداری و تعمیرات خاصی ارائه کردند. لیو و همکارانش¹² (۲۰۱۷) در تحقیقی به ارائه یک مدل برنامه‌ریزی یکپارچه نگهداری و تعمیرات و برنامه‌ریزی تولید با در نظرگیری هزینه‌ها و زمان‌های مربوط به آماده‌سازی مبتنی بر توالی ماشین‌آلات پرداختند.

در این راستا، مدل برنامه‌ریزی ریاضی مورد نظر با در نظرگیری موارد ذکر شده ارائه شد و سپس مسائل عددی در ابعاد مختلف حل شد که نتایج به‌دست‌آمده حکایت از کارکرد مناسب مدل ارائه‌شده داشت. میا و همکارانش¹³ (۲۰۱۹) در تحقیقی به ارائه یک مدل برنامه‌ریزی ریاضی یکپارچه به منظور برنامه‌ریزی همزمان زمان فعالیت‌ها و همچنین نگهداری و تعمیرات در یک مسئله تولید کارگاهی با در نظرگیری توالی وابسته به زمان و زمان‌های راه‌اندازی پرداختند. مدل ارائه‌شده با بهره‌گیری از رویکردهای ابتکاری حل شد که نتایج به‌دست‌آمده حکایت از کارکرد مناسب رویکردهای ارائه‌شده داشت. امیری و همکارانش (۲۰۱۸) به ارائه مدلی یکپارچه برای برنامه‌ریزی همزمان زمان‌بندی و نگهداری و تعمیرات هاب‌های انرژی پرداختند. در این راستا، یک مدل یکپارچه به منظور زمان‌بندی و برنامه‌ریزی نگهداری و تعمیرات با در نظرگیری ریسک خرابی‌های تصادفی برای تجهیزات در نظر گرفته شد. به منظور حل مسئله از رویکرد محدودیت اپسیلون استفاده شد. شاهین و همکارانش (۲۰۱۸) به توسعه بیشتر شبکه تصمیم‌گیری (DMG) پیشنهاد شده توسط اشرف لبیب با پیشنهاد راه‌حلی نوآورانه برای تعیین تاکتیک‌های نگهداری پیشگیرانه بر اساس میانگین زمان بین خرابی‌ها (MTBF) و میانگین زمان تعمیر (MTTR) پرداختند. ابتدا تأثیر شاخص‌های MTTR و MTBF بر تاکتیک‌های نگهداری پیشگیرانه محاسبه شد. سپس تاکتیک‌ها به سلول‌های یک DMG با محورهای MTTR و MTBF اختصاص داده شد. ژانگ و همکارانش¹⁴ (۲۰۱۹) به ارائه مدل فازی مبتنی بر قابلیت اطمینان و هزینه به منظور بهینه‌سازی برنامه نگهداری و تعمیرات تجهیزات نیروگاه بادی که در دریا واقع شده پرداختند. بدین منظور، یک مدل برنامه‌ریزی ریاضی ارائه شد که دارای دو هدف بود: حداقل کردن هزینه‌های نگهداری و تعمیرات و حداکثر کردن قابلیت اطمینان تجهیزات. به منظور حل مسائل عددی، رویکرد ژنتیک چندهدفه نامغلوب ارائه شد. وانگ و یه¹⁵ (۲۰۱۹) به ارائه یک رویکرد حل دقیق به منظور حل مسئله تعیین توالی و زمان‌بندی ماشین‌های موازی غیرمرتبط پرداختند. مسئله به صورت مدل برنامه‌ریزی عدد صحیح مختلط مدل‌سازی شد.

توکلی مقدم و همکاران (1401) پس از به دست آوردن مدل یادگیری تقویتی زمانبندی با در نظر گرفتن نگهداری و تعمیرات پیشگویانه، چندین رویکرد ابتکاری برای ارزیابی مدل مطرح کردند. این مدل یادگیری در حالت‌های مختلف ورود کار به کارگاه مورد بررسی قرار گرفت. نتایج به دست آمده از روش‌های دیگر زمانبندی, خروجی‌های بهتری را از خود نشان می‌دهد. مدل نت پیشگویانه, با چهار روش مدل‌سازی یادگیری مورد ارزیابی و کیفیت مدل ها مورد بررسی قرار گرفت. خاکساری و قندی بیدگلی (1402) مسأله زمان‌بندی جریان کارگاهی بدون انتظار با زمان آزادسازی کارها و فعالیت‌های نگهداری و تعمیرات پیشگیرانه را بررسی کردند. برای این مسأله یک مدل برنامه‌ریزی غیرخطی عدد صحیح مختلط ارائه گردید. باتوجه به پیچیدگی مدل و NP-hard بودن مسأله مورد بررسی, جهت حل مسائل با ابعاد بزرگ الگوریتم فراابتکاری جستجوی هارمونی ترکیبی پیشنهاد شد. شهبازی و وحیدی (1403) در مقاله‌ای با عنوان بهینه‌سازی بر مبنای شبیه‌سازی تعداد ماشین‌آلات در مسئلۀ زمان‌بندی تولید کارگاهی در شرایط عدم قطعیت و محدودیت بودجه و فضا ابتدا مدل ریاضی مسئلۀ تولید کارگاهی با محدودیت‌های فضا و هزینه بیان شد، سپس مدل شبیه‎‍سازی برای m ماشین با n کار‌، که دارای توالی تولید مختلفی‌‌اند، طراحی و درنهایت با حل یک مثال عددی، جواب نزدیک به بهینۀ مسئله از‌لحاظ حداقل‌کردن تابع هدف مجموع هزینۀ دیرکرد و زودکرد به‌منظور تعیین تعداد بهینۀ ماشین‌آلات، با در نظر گرفتن قوانین اولویت‎‍بندی کارها در سلول‌های کاری با اجرای مدل و الگوریتم جست‌وجوی پراکنشی و طراحی آزمایش‌ها بررسی شد. بعد از بررسی ادبیات موضوع، عوامل موثر بر یکپارچه سازی نگهداری و تعمیرات بر اساس بررسی مرور ادبیات و مطابق با نظر خبرگان به صورت جدول 1 می‌باشد.

جدول شماره (1): عوامل موثر بر یکپارچه سازی نگهداری و تعمیرات

ردیف	عامل	نماد	منبع
1	تعیین هزینه‌های نگهداری و تعمیر	C01	Moreno‐Trejo et al., (2012)
2	تعیین هزینه‌های عملیاتی تولید	C02
3	هزینه‌های از کار افتادن خط به دلیل انجام عملیات نگهداری و تعمیر	C03
4	ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود	C04
5	مدیریت قطعات یدکی و مواد مصرفی	C05	Jasiulewicz-Kaczmarek. (2018)
6	همکاری با تولید کنندگان / تامین کنندگان ماشین آلات و تجهیزات	C06
7	همکاری نگهداری و تعمیر با بخش تحقیق و توسعه	C07
8	همکاری نگهداری و تعمیر با واحدهای تولید و کیفیت	C08
9	آموزش پرسنل	C09	Sahu et al., (2008)
10	در نظر گرفتن چرخه عمر تجهیزات و تحلیل آن	C10	Jandali & Sweis (2018)
11	مدیر نگهداری و تعمیر با صلاحیت	C11
12	زمان نصب و راه اندازی تجهیزات	C12	Darestani et al., (2020)
13	قابلیت و توانمندی‌های نیروی کار	C13
14	بهینه سازی چیدمان تسهیلات	C14	Azadeh & Jebreili, (2013)
15	اعتبار سنجی و تایید چیدمان تسهیلات	C15
16	چرخه نگهداری و تعمیر ماشین	C16	Wang et al., (2024)
17	تعین نرخ خرابی دستگاه‌ها	C17
18	ایجاد برنامه‌ریزی و زمان بندی برای انجام فعالیت‌های نگهداری و تعمیر	C18	Oliveira & Lopes. (2020)
19	مدت زمان آماده‌سازی قطعات بر روی تجهیزات و دستگاه‌ها	C19	نظر خبرگان
20	مجموعه تمام پرسنل تولیدی و تعمیراتی	C20	نظر خبرگان

 

مرور ادبیات نشان می‌دهد عمده مطالعات یا بر زمان‌بندی/تولید در محیط‌های کارگاهی تمرکز داشته‌اند یا بر سیاست‌های نگهداری و قابلیت اطمینان؛ در حالی‌که شناسایی هم‌زمان معیارهای یکپارچه‌سازی نت و تولید و اولویت‌بندی آن‌ها در سیستم کارگاهی باز کمتر بررسی شده است. افزون‌براین، بسیاری از پژوهش‌ها به هم‌بستگی معیارها بی‌توجه‌اند و یک چارچوب علّی برای تفکیک «پیشران‌ها» از «پیامدها» ارائه نمی‌کنند. پژوهش حاضر این خلأ را با (۱) استخراج مجموعه‌ای منسجم از معیارها، (۲) ساختاردهی روابط علّی-معلولی با دیمتل و (۳) ترجمه آن ساختار به اولویت‌های اجرایی به‌کمک OPA بر پایه داده‌های رتبه‌ای خبرگان، پوشش می‌دهد. از این رو، نوآوری مطالعه در پل‌زدن بین شناسایی وابستگی‌ها و تعیین اولویت‌های عملیاتی برای تصمیم‌گیران تولید و نت در محیط‌های واقعی کارگاهی باز است.

2-روش تحقیق

در این بخش، به تشریح روش پژوهش پرداخته می‌شود، با توجه به هدف تعریف شده، پژوهش حاضر از نوع هدف کاربردی و از نوع گردآوری اطلاعات توصیفی می‌باشد. همانگونه که پیشتر اشاره شد، پژوهش فعلی رویکرد ترکیبی دیمتل-اولویت‌بندی ترتیبی را به کار می‌گیرد. بر اساس این رویکرد، گام‌های اجرا به صورت شکل 1 می‌باشد که در ادامه به تشریح این رویکردها پرداخته می‌شود.

 

 

 

 

 

 

 

 

شکل شماره (1): گام‌های اجرای رویکرد پیشنهادی پژوهش

جامعه خبرگان و شیوه انتخاب: خبرگان از میان مدیران و کارشناسان واحد تولید و واحد نتِ سازمانِ مطالعه موردی انتخاب شدند. ملاک‌های اصلی انتخاب شامل آشنایی حرفه‌ای با فرآیندهای نت/تولید و تجربه میدانی بود. در مجموع ۷ نفر در پنل خبرگی مشارکت کردند.

ابزار گردآوری داده‌ها: دو فرم رتبه‌بندی ساختاریافته طراحی شد: (الف) فرم رتبه‌بندی فاکتورها و (ب) فرم رتبه‌بندی معیارها برای هر فاکتور. به هر خبره دستورالعمل مکتوب درباره تعریف هر فاکتور/معیار و مثال‌های کاربردی ارائه شد.

نحوه تعامل و تضمین کیفیت داده: پیش از تکمیل فرم‌ها، یک نشست توجیهی کوتاه برای یکسان‌سازی درک مفاهیم برگزار شد. داده‌ها به‌صورت فردی گردآوری و سپس برای رفع ابهام‌ها با هر خبره بازبینی شد. در صورت مشاهده تعارض آشکار، توضیحات تکمیلی اخذ و ورودی نهایی ثبت گردید. محرمانگی پاسخ‌ها رعایت و نتایج فقط در سطح جمعی گزارش شد.

پردازش داده‌ها: داده‌های دیمتل برای برآورد ماتریس روابط مستقیم و محاسبات D و R  به‌کار رفت. داده‌های رتبه‌ای OPA با استفاده از حل‌گر اختصاصی OPA پردازش شد تا اوزان خبرگان، فاکتورها و معیارها به‌دست آید. در نهایت، رتبه‌بندی نهایی معیارها گزارش شد.

الف) روش دیمتل

روش دیمتل برای آشکار کردن وابستگی متقابل یک متغیر به متغیر دیگر استفاده می‌شود. وابستگی متقابل بین متغیرها با کمک نمودار علی به نام نمودار نشان داده می‌شود این رابطه در مقیاس 0 تا 4 اندازه‌گیری می‌شود که در آن 0 نشان می‌دهد که متغیر «x» هیچ تأثیری بر «y» ندارد و 4 نشان می‌دهد که «x» به طور قابل‌توجهی بر «y» تأثیر می‌گذارد (Sharma et al, 2020). گام‌های اجرای این رویکرد ضمن حل و ارائه نتایج ارائه می‌گردد.  

ب) روش اولویت‌بندی ترتیبی

با علم به هدف پژوهش فعلی رویکرد اولویت‌بندی ترتیبی پیشنهاد شده توسط عطایی و همکاران بکار گرفته می‌شود پیش از ارائه گام های رویکرد، مجموعه­ها، شاخص­ها، پارامترها و متغیرهای مدل به شرح ذیل می‌باشد:  

جدول شماره (2): مجموعه‌ها، شاخص‌ها و متغیرها در رویکرد OPA

 

 

در فرآیند تصمیم‌گیری می‌توان گزینه­ها و شاخص­ها و خبرگان را به عنوان سه ضلع مثلث تصمیم­گیری به صورت همزمان در تعیین اهمیت یکدیگر دخالت داد. در این مدل پیشنهادی می­شود بصورت همزمان از ویژگی­های هریک از این اضلاع به منظور تصمیم­گیری استفاده گردد و با روندی ساده­تری از خبرگان پیرامون گزینه­ها بر حسب شاخص­ها اظهار نظر نماید و در پایان اهمیت هر یک از اجزاء مشخص خواهد گردید. فرض کنید بر حسب مراحل زیر رتبه­بندی از k گزینه موجود می‌باشد:

·       رتبه‌بندی خبرگان ( بر حسب نمودار سازمانی، درجه علمی، سابقه و...)

·       رتبه‌بندی شاخص‌ها توسط هر یک از خبرگان

·       رتبه‌بندی گزینه‌ها بر اساس هر یک از شاخص­ها توسط هر یک از خبرگان

با توضیحات ذکر شده و حل مدل (5) می‌توان به مقادیر مناسب برای وزن (اهمیت) هر رتبه برای هر گزینه بر اساس رتبه شاخص و رتبه خبره دست یابیم.

مجموعه‌ها
I	مجموعه خبره‌ها ∀ i∈ I
J	مجموعه معیار‌ها ∀ j ∈ J
K	مجموعه گزینه‌ها ∀ k ∈ K
شاخص ها
i	شاخص مربوط به خبره‌ها  (1, 2, …, p)
j	شاخص مربوط به معیارها  (1, 2, …, n)
k	شاخص مربوط به گزینه‌ها  (1, 2, …, m)
متغیرها
Z	تابع هدف
	وزن (اهمیت) 𝑘مین گزینه بر اساس ویژگی 𝑗ام توسط متخصص در رتبه 𝑟
	k امین گزینه بر اساس ویژگی j توسط متخصص i در رتبه r

(5)

Max: Z s.t:         لازم به ذکر می باشد که متغیر تصمیم این مدل ریاضی خطی   است که نشان‌دهنده وزن کاردینال گزینه kام بر حسب شاخص j‌ام توسط خبره iام در رتبه rام است. از طریق حل مدل ریاضی خطی (5) به ازای خبره(i) و شاخص (j) برای هر گزینه چند مقدار بدست خواهد آمد. بنابراین وزن گزینه­ها، شاخص­ها و خبرگان طبق روابط (6)، (7) و (8) عبارت می باشند از: وزن گزینه‌ها: (6)   وزن شاخص­ها: (7)   وزن خبرگان: (8)   در ادامه این بخش، بر اساس روابط ذکر شده، مراحل مدل پیشنهادی برای تصمیم‌گیری گروهی بیان خواهد شد. گام اول: تعیین خبرگان و کارشناسان آگاه به موضوع و رتبه‌بندی آنها: خبرگانی که بر اساس تخصصشان در تصمیم‌گیری شرکت می‌نمایند را رتبه‌بندی کنید. به منظور رتبه‌بندی می‌توان از چارت سازمانی، میزان سابقه و ... استفاده نمود. گام دوم: شناسایی شاخص‌های پژوهش: با توجه به موضوع تصمیم‌گیری شاخص‌های کلیدی مورد نظر انتخاب شوند. شاخص‌هایی که دارای زیر‌معیار هستند، بر حسب زیر‌معیار‌های آنها در تصمیم‌گیری مشارکت داده شوند گام سوم: رتبه‌بندی شاخص‌های پژوهش توسط هر یک از خبرگان آگاه به موضوع: در این مرحله، خبرگان بر اساس تخصصشان شاخص‌های تصمیم‌گیری را اولویت‌بندی می نمایند. در صورتی که از نظر برخی خبرگان بعضی از شاخص‌ها مهم نباشند در این صورت آن خبره می‌تواند آن شاخص‌ها را لحاظ نکند. گام چهارم: رتبه‌بندی گزینه‌ها بر اساس هر یک از شاخص‌ها توسط هر یک از خبرگان آگاه به موضوع: در این بخش از رویکرد، از خبرگان درخواست می‌ گردد تا بر حسب هر یک از شاخص‌ها، گزینه‌ها را رتبه‌بندی نمایند که بصورت رابطه (9) بیان می‍‌‌شود:   (9)   که  بیانگر رتبه گزینه kام بر اساس شاخص j ام توسط خبره iام است. گام پنجم: یافتن وزن بهینه () به عنوان آخرین مرحله برای تعیین وزن بهینه گزینه kام بر اساس شاخص j ام توسط خبره iام در رتبه rام از مدل ریاضی خطی (5) استفاده می‌گردد. سپس با بکارگیری روابط (6)، (7) و (8) به ترتیب وزن نهایی گزینه‌ها، شاخص‌ها و خبرگان محاسبه می‌شود که بر حسب این وزن‌ها می‌توان رتبه‌بندی انجام گیرد (Ataie et al,. 2020). شایان ذکر است که علاوه بر مدل شرح داده شده، یکی از پتانسیل‌های این رویکرد، حل مدل پیشنهادی با استفاده از نرم افزار OPA Solver است که مطالعه فعلی نرم افزار ذکر شده را بکار می‌گیرد.  منطق ترکیب این دو روش بر اساس تلفیق قابلیت‌های مکمل آن‌ها شکل گرفته است: دیمتل با مدل‌سازی وابستگی‌ها و بازخوردهای میان معیارها و تفکیک رابطه علّی و معلولی و نیز غربالگری معیارهای کلیدی، ساختار مسئله را در فاز شناخت تحلیل می‌کند و نقشه علّی ارائه می‌دهد؛ سپس در فاز تصمیم‌سازی اجرایی، OPA با استفاده از ورودی‌های رتبه‌ای ساده خبرگان و در نظرگیری هم‌زمان ابعاد سه‌گانه خبره‌ها، معیارها و فاکتورها در یک مدل خطی، بدون نیاز به مکانیزم‌های پیچیده ارزیابی سازگاری، اوزان پایدار تولید کرده و اولویت‌بندی نهایی را انجام می‌دهد. این مسیر شفاف «از تحلیل ساختار تا تعیین اولویت» نه‌تنها اهداف دوگانه پژوهش را محقق می‌سازد، بلکه با تقسیم فرآیند، خطر سوگیری یا بیش‌برازش ناشی از تکیه بر یک روش منفرد را نیز کاهش می‌دهد. 3-نتایج و بحث در این بخش به ارائه نتایج بدست آمده پرداخته می‌شود. پیش از ارائه نتایج، اطلاعات جمعیت شناختی پژوهش فعلی که مدیران و کارشناسان واحد تولیدی و واحد نگهداری و تعمیرات کارخانه صنعت سازان اسپادانا می‌باشد در جدول 2 قابل مشاهده می‌باشد. جدول شماره(3): اطلاعات جمعیت شناختی پژوهش خبره‎‌ها پست سازمانی سابقه خدمت تحصیلات E1 معاونت تولید و بهره برداری 21 سال کارشناسی ارشد E2 مدیر برنامه ریزی واحد نت 19 سال کارشناسی ارشد E3 کارشناس واحد نت 11 سال کارشناسی E4 کارشناس واحد نت 3 سال کارشناسی E5 معاونت فنی و پشتیبانی 18 سال دکتری E6 کارشناس بخش تولید 14 سال کارشناسی E7 کارشناس بخش تولید 5 سال کارشناسی مطابق با گام‌های تعریف شده، بعد از تشکیل کمیته خبرگی، وارد مرحله گردآوری معیارها می‌شویم که این معیارها بر اساس مرور ادبیات و نظر خبرگان به صورت جدول 4 می‌باشد. جدول شماره (4): عوامل موثر بر یکپارچه سازی نگهداری و تعمیرات ردیف عامل نماد منبع 1 تعیین هزینه های تعمیر و نگهداری C01 Moreno‐Trejo et al., (2012) 2 تعیین هزینه های عملیاتی تولید C02 3 هزینه های از کار افتادن خط به دلیل انجام عملیات تعمیر و نگهداری C03 4 ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود C04 5 مدیریت قطعات یدکی و مواد مصرفی C05 Jasiulewicz-Kaczmarek. (2018) 6 همکاری با تولید کنندگان / تامین کنندگان ماشین آلات و تجهیزات C06 7 همکاری تعمیر و نگهداری با بخش تحقیق و توسعه C07 8 همکاری تعمیر و نگهداری با واحدهای تولید و کیفیت C08 9 آموزش پرسنل C09 Sahu et al., (2008) 10 در نظر گرفتن چرخه عمر تجهیزات و تحلیل آن C10 Jandali & Sweis (2018) 11 مدیر تعمیر و نگهداری با صلاحیت C11 12 زمان نصب و راه اندازی تجهیزات C12 Darestani et al., (2020) 13 قابلیت و توانمندی های نیروی کار C13 14 بهینه سازی چیدمان تسهیلات C14 Azadeh & Jebreili, (2013) 15 اعتبار سنجی و تایید چیدمان تسهیلات C15 16 چرخه تعمیر و نگهداری ماشین C16 Wang et al., (2024) 17 تعین نرخ خرابی دستگاه ها C17 18 ایجاد برنامه ریزی و زمان بندی برای انجام فعالیت های نگهداری و تعمیر C18 Oliveira & Lopes. (2020) 19 مدت زمان آماده سازی قطعات بر روی تجهیزات و دستگاه ها C19 نظر خبرگان 20 مجموعه تمام پرسنل تولیدی و تعمیراتی C20 نظر خبرگان   انتخاب معیارها از طریق استخراج اولیه از مطالعات حوزه‌های نگهداری، تولید و کارگاه‌های باز آغاز شد و سپس با تطبیق فهرست به‌دست‌آمده با بافت مطالعه موردی در واحد تولید و نت، اعتبارسنجی محتوایی به کمک پنل خبرگان انجام گرفت؛ در ادامه با حذف هم‌پوشانی‌ها و یکپارچه‌سازی عناوین، کدگذاری نهایی صورت پذیرفت. فاکتورهای رتبه‌بندی نیز بر اساس استدلالی هدفمند انتخاب شدند: میزان هزینه به‌عنوان انعکاس‌دهنده فشارهای بودجه‌ای یکپارچه‌سازی و هزینه مالکیت دارایی؛ میزان سودآوری به‌عنوان پیونددهنده تصمیمات نت و تولید با بازده اقتصادی و حاشیه سود؛ مدیریت صحیح منابع به‌منظور پوشش قیود کلیدی شامل نیروی انسانی، زمان، ماشین‌آلات و موجودی قطعات یدکی؛ استراتژی‌های رقابتی برای تضمین تناسب یکپارچه‌سازی با اهداف کسب مزیت رقابتی مانند کیفیت، انعطاف و تحویل؛ و فناوری‌های مدرن به‌منزله توانمندی فنی برای پشتیبانی از اجرای یکپارچه از طریق حسگرها، تحلیلات و نرم‌افزار. این معیارها و فاکتورها به‌گونه‌ای طراحی شده‌اند که هم پیشران‌های فنی–منابعی و هم پیامدهای اقتصادی–راهبردی را پوشش دهند تا نتایج پژوهش قابلیت پیاده‌سازی در تصمیم‌گیری‌های عملیاتی را داشته باشند و هم‌ترازی کاملی با اهداف پژوهش برقرار شود. بعد از گردآوری، مرتب‌سازی و نهایی‌سازی معیارها، بر اساس نظر خبرگان مطالعه فعلی، وارد مرحله بعد که بکارگیری رویکرد دیمتل به منظور دسته‌بندی معیارها به دو دسته معیارهای تاثیرگذار و تاثیر پذیر می‌شویم. مطابق با گام‌های ذکر شده برای رویکرد دیمتل، نتایج بدست آمده در این مرحله به شرح ذیل می‌باشد: در ابتدا، بر اساس نظر خبرگان اقدام به گردآوری ماتریس ارتباط مستقیم میان معیارها می‌گردد. بعد از تشکیل ماتریس ارتباط مستقیم، اقدام به نرمال‌سازی این ماتریس می‌شود. در مرحله بعد اقدام به تشکیل ماتریس کل که مجموع تاثیرات مستقیم و غیر مستقیم را نشان می‌دهد، می‌شود که به این منظور لازم است ماتریس (I-N) و ماتریس معکوس آن محاسبه شود. در نهایت ماتریس کل بدست آمد. پس از محاسبه ماتریس روابط کل، با در نظر گرفتن حد آستانه 363/0 مجموع سطر و ستون‌های ماتریس که نشان دهنده میزان تاثیرگذاری (D) و تاثیرپذیری (R) هر شاخص می‌باشد محاسبه می‌شود. مقادیر نتایج حاصل شده از این محاسبات به صورت جدول 5 می‌باشد. جدول شماره (5): میزان تاثیر گذاری و تاثیرپذیری شاخص‌ها   C01 C02 C03 C04 C05 C06 C07 C08 C09 C10 C01 0 1 1 1 1 0 1 1 1 0 C02 1 0 1 0 1 0 1 1 1 0 C03 1 0 0 0 1 0 1 1 1 0 C04 1 1 1 0 1 0 1 1 1 0 C05 1 1 1 0 0 0 1 1 1 0 C06 0 0 0 0 0 0 0 0 0 0 C07 1 0 1 0 1 0 1 1 1 0 C08 0 0 0 0 0 0 0 0 0 0 C09 1 0 0 0 0 0 1 0 0 0 C10 1 0 1 1 1 0 1 1 1 0 C11 1 0 1 1 1 0 1 1 1 0 C12 1 0 0 0 1 0 1 1 1 0 C13 0 0 0 0 0 0 1 0 0 0 C14 1 1 1 1 1 0 1 1 1 0 C15 1 1 1 0 1 0 1 1 1 0 C16 1 1 1 1 1 0 1 1 1 0 C17 1 0 1 0 1 0 1 1 1 1 C18 1 0 1 1 1 0 1 1 1 0 C19 0 0 0 0 0 0 1 0 0 0 C20 0 0 0 0 0 0 0 0 0 0 ادامۀ جدول شماره (5): میزان تاثیر گذاری و تاثیرپذیری شاخص‌ها   C11 C12 C13 C14 C15 C16 C17 C18 C19 C20 C01 1 1 0 1 1 1 0 1 1 1 C02 1 1 0 1 1 0 0 1 1 0 C03 1 1 0 1 1 0 0 1 1 1 C04 1 1 0 1 1 1 0 1 1 1 C05 1 1 0 1 1 0 0 1 1 0 C06 0 1 0 0 0 0 0 0 0 0 C07 1 1 0 1 1 0 0 1 1 1 C08 0 0 0 0 0 0 0 0 0 0 C09 0 1 0 1 1 0 0 1 0 0 C10 1 1 0 1 1 0 0 1 1 1 C11 0 1 0 1 1 0 0 1 1 1 C12 1 1 0 1 1 0 0 1 1 1 C13 0 1 0 0 0 0 0 0 0 0 C14 1 1 1 1 1 1 1 1 1 1 C15 1 1 0 1 0 0 0 1 1 1 C16 1 1 0 1 1 0 0 1 1 1 C17 1 1 0 1 1 1 0 1 1 1 C18 1 1 0 1 1 0 0 1 1 1 C19 0 1 0 1 0 0 0 0 0 0 C20 0 0 0 0 0 0 0 0 0 0 برای رسم دیاگرام علت و معلولی باید مقادیر D-R و D+R بدست آید. مقادیر D+R که محور افقی دیاگرام علت و معلولی را نشان می‌دهد به طور مشابه محور عمودی (D-R) نشان دهنده موقعیت یک عنصر در طول محور عرض‌ها می‌باشد. این موقعیت در صورت مثبت بودن مقدار به طور قطع تاثیرگذار است و در صورت منفی بودن آن به طور قطع تاثیر پذیر خواهد بود. جدول 6 میزان تاثیر‌پذیری و تاثیرگذاری معیارها، رتبه‌بندی و دسته‌بندی آنها به دو گروه علت و معلول را ارائه می‌کند. جدول شماره (6): مرتب‌سازی شاخص‌ها بر اساس مقادیر D، R، D+R و D-R Index R D R+D R-D Cause/Effect C01 99/7 60/7 59/15 39/0 Cause C02 07/7 73/6 80/13 34/0 Cause C03 30/7 51/7 81/14 22/0- Effect C04 69/7 80/6 48/14 89/0 Cause C05 53/7 62/7 16/15 09/0- Effect C06 40/6 18/6 58/12 22/0 Cause C07 45/7 24/8 69/15 79/0- Effect C08 06/6 49/7 54/13 43/1- Effect C09 94/6 63/7 56/14 69/0- Effect C10 58/7 24/6 82/13 35/1 Cause C11 47/7 53/7 00/15 06/0- Effect C12 36/7 12/8 49/15 76/0- Effect C13 47/6 42/6 90/12 05/0 Cause C14 09/8 15/8 24/16 06/0- Effect C15 79/7 71/7 50/15 08/0 Cause C16 99/7 64/6 63/14 35/1 Cause C17 83/7 43/6 26/14 40/1 Cause C18 87/7 71/7 57/15 16/0 Cause C19 47/6 53/7 00/14 06/1- Effect C20 20/6 12/7 32/13 93/0- Effect   الف) خوانش عمیق‌ترِ دیمتل ·       قرارگیری معیارهای هزینه‌ای/منابعی در ناحیه علّت (مانند تعیین هزینه‌های نت/تولید، چرخه نت ماشین، نرخ خرابی، برنامه‌ریزی و زمان‌بندی نت و…)، نشان می‌دهد اهرم‌های اقتصادی و ظرفیت منابع، محرک‌های بالا‌دستیِ یکپارچه‌سازی‌اند. ·       معیارهای همکارانه/آموزشی و بخشی از چیدمان، عمدتاً در ناحیه معلول قرار گرفته‌اند؛ یعنی بهبود آن‌ها پیامد اصلاح پیشران‌های هزینه–منابع است. ·       دلالت مدیریتی: تمرکز سرمایه‌گذاری و بهبود فرایندی باید نخست بر معیارهای علّی باشد (شفاف‌سازی هزینه‌ها، بهینه‌سازی موجودی قطعات، برنامه‌ریزی نت و مدیریت چرخه عمر)، چراکه حرکت این اهرم‌ها اثرات آبشاری بر معیارهای معلولی دارد. ب) خوانش عمیق‌ترِ OPA ·       در سطح فاکتورها، «مدیریت صحیح منابع» وزن بالاتری دارد؛ لذا طبیعی است معیارهایی که به موجودی قطعات یدکی/تجهیزات و بهره‌برداری از منابع گره می‌خورند، در صدر قرار گیرند. ·       چینش نهایی معیارها نشان می‌دهد منابع فیزیکی (قطعات/مواد/ابزار) و هزینه‌ها (تولید/نت) سه‌ضلعی اصلیِ اهمیت را می‌سازند؛ این هم‌سوییِ فاکتورها و معیارها اعتبار برون‌نمونه‌ای نتایج را تقویت می‌کند. ج) تحقق اهداف پژوهش و مقایسه گزیده ·       هدف شناسایی–ساختاردهی–اولویت‌بندی محقق شده است: دیمتل نقشه علّی و غربالگری را فراهم کرده و OPA وزن‌ها و رتبه‌ها را تولید نموده است. ·       برون‌دادها با جهت‌گیری ادبیات هم‌خوان است: مطالعات پیشین نیز اهمیت مدیریت قطعات یدکی، برنامه‌ریزی نت و هزینه‌محوری را برجسته کرده‌اند؛ در این مطالعه، این موضوع در قالب نقشه علّی + اوزان قابل تصمیم‌گیری تلفیق شده است. اساس جدول 6 دیاگرام علت و معلولی به صورت شکل 2 قابل مشاهده می‌باشد.       بر شکل شماره (2): دیاگرام علت و معلولی معیارها با در نظر گفتن دیاگرام علت و معلولی، معیارهای تاثیرگذار (علت) به صورت جدول 7 بدست می آید. جدول شماره (7): معیارهای تاثیرگذار (علت) ردیف عامل نماد 1 تعیین هزینه های تعمیر و نگهداری C01 2 تعیین هزینه های عملیاتی تولید C02 3 ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود C04 4 همکاری با تولید کنندگان / تامین کنندگان ماشین آلات و تجهیزات C06 5 در نظر گرفتن چرخه عمر تجهیزات و تحلیل آن C10 6 قابلیت و توانمندی های نیروی کار C13 7 اعتبار سنجی و تایید چیدمان تسهیلات C15 8 چرخه تعمیر و نگهداری ماشین C16 9 تعین نرخ خرابی دستگاه ها C17 10 ایجاد برنامه ریزی و زمان بندی برای انجام فعالیت های نگهداری و تعمیر C18 بر اساس گام­های تعریف شده در رویکرد OPA، بعد از تعریف شاخص‌ها که در این مطالعه همان عوامل موثر بر زنجیره تامین و نقش بالانس خط تولید در آن می­باشند، نیازمند تعریف فاکتور­هایی برای رتبه­بندی شاخص‌های تاثرگذاری می‌باشیم، که به صورت جدول8 می­باشد: جدول شماره (8): فاکتورهای در نظر گرفته برای رتبه بندی معیارها ردیف فاکتور نماد 1 میزان هزینه F1 2 میزان سودآوری F2 3 مدیریت صحیح منابع F3 4 تدوین استراتژی های رقابتی F4 5 بکارگیری فناوری‌های مدرن F5   با در نظر گرفتن جداول ورودی 6 و 7 گام‌های اجرا و نتایج بدست آمده در هر مرحله به صورت ذیل می­باشد: مرحله اول: رتبه‌بندی خبرگان ( بر اساس نمودار سازمانی، درجه علمی، سابقه و...) بر اساس گام‎های رویکرد پیشنهادی، به منظور رتبه‌بندی خبرگان، این پژوهش بر آن شده است که خبرگان را در وهله نخست بر اساس سابقه خدمت و در صورت تساوی بودن سابقه خدمت، بر اساس تحصیلات رتبه‌بندی نماید. لذا رتبه‌بندی 7 خبره این پژوهش با در نظر گرفتن اطلاعات جمعیت شناختی از مدیران و کارشناسان واحد تولیدی و واحد نگهداری و تعمیرات کارخانه صنعت سازان اسپادانا در جدول 9 قابل مشاهده می­باشد: جدول شماره (9): رتبه‌بندی خبرگان خبره‎‌ها پست سازمانی سابقه خدمت تحصیلات رتبه E1 معاونت تولید و بهره برداری 21 سال کارشناسی ارشد 1 E2 مدیر برنامه ریزی واحد نت 19 سال کارشناسی ارشد 2 E3 کارشناس واحد نت 11 سال کارشناسی 5 E4 کارشناس واحد نت 3 سال کارشناسی 7 E5 معاونت فنی و پشتیبانی 18 سال دکتری 3 E6 کارشناس بخش تولید 14 سال کارشناسی 4 E7 کارشناس بخش تولید 5 سال کارشناسی 6   مرحله دوم: رتبه­بندی فاکتور­ها توسط هر یک از خبرگان در این مرحله از رویکرد از اعضای کمیته خبرگی درخواست گردید، فاکتورهایی که برای رتبه­بندی معیار­ها در نظر گرفته می­شود را بر اساس تجربه کاری خویش رتبه­بندی نمایند که به صورت جدول 10 می­باشد: جدول شماره (10): رتبه‌بندی فاکتورها توسط خبرگان          Factors Experts F1 F2 F3 F4 F5 Expert 1 4 3 1 5 2 Expert 2 1 3 2 5 4 Expert 3 4 1 2 3 5 Expert 4 5 3 1 2 4 Expert 5 5 3 2 4 2 Expert 6 3 1 2 5 4 Expert 7 2 5 1 4 3   مرحله سوم: رتبه‌بندی معیار­ها (عوامل تاثیر گذار بر زنجیره تامین) توسط هر یک از خبرگان در این مرحله از رویکرد OPA، معیارهایی که هدف رتبه­بندی آنها را داریم، توسط خبرگان رتبه‌بندی می­شوند که به شرح جدول 11 می­باشد. جدول شماره (11): رتبه بندی معیارها توسط خبرگان             Factors Experts Criteria C01 C02 C04 C06 C10 C13 C15 C16 C17 C18 Expert 1 F1 3 5 1 2 6 4 9 7 8 10 F2 2 4 1 8 7 3 6 10 9 5 F3 4 1 2 5 3 10 9 8 7 6 F4 5 1 2 4 3 8 9 6 7 10 F5 4 2 3 5 6 1 8 7 10 9 Expert 2 F1 1 3 2 6 7 4 5 9 8 10 F2 4 5 1 2 3 7 9 10 6 8 F3 6 5 2 1 3 4 10 9 7 8 F4 5 2 6 1 4 3 9 10 7 8 F5 4 5 2 1 3 9 7 10 6 8 Expert 3 F1 5 6 1 3 2 8 7 9 10 6 F2 3 4 2 5 1 7 6 8 9 10 F3 2 1 4 3 5 6 9 10 8 7 F4 4 3 2 1 7 6 8 7 5 9 F5 5 6 1 2 3 8 7 4 10 9 Expert 4 F1 3 5 6 1 2 4 9 8 7 10 F2 3 6 5 2 1 8 7 9 10 4 F3 2 1 6 4 5 9 8 7 3 10 F4 4 3 5 2 1 8 7 9 3 10 F5 2 5 1 3 4 6 7 10 8 9 Expert 5 F1 3 4 1 2 5 6 8 7 9 10 F2 4 3 5 1 2 7 6 8 9 10 F3 2 4 5 6 3 1 9 10 7 8 F4 4 3 6 5 1 2 8 7 9 10 F5 5 6 1 2 3 7 4 9 8 10 Expert 6 F1 4 5 1 3 2 6 7 9 10 8 F2 2 3 1 4 5 7 6 8 9 10 F3 4 3 2 1 6 7 9 10 5 8 F4 2 3 4 1 5 8 7 9 10 6 F5 1 2 4 6 7 8 9 10 3 5 Expert 7 F1 2 1 3 5 8 4 6 9 10 7 F2 3 2 4 1 5 7 8 6 10 9 F3 1 3 2 4 6 7 8 5 9 10 F4 2 4 3 1 8 7 6 10 5 9 F5 2 1 3 4 6 5 9 7 8 10 نتایج بدست آمده از رویکرد پیشنهادی در قالب سه خروجی وزن خبرگان، فاکتور­ها و معیار­ها به شرح ذیل می­باشد: الف) محاسبه وزن خبرگان: وزن­ 7 خبره در نظر گرفته شده در جدول 12 قابل مشاهده است. جدول شماره (12): وزن خبرگان خبره‎‌ها پست سازمانی رتبه وزن خبره ها E1 معاونت تولید و بهره برداری 1 386117/0 E2 مدیر برنامه ریزی واحد نت 2 193058/0 E3 کارشناس واحد نت 5 076209/0 E4 کارشناس واحد نت 7 055029/0 E5 معاونت فنی و پشتیبانی 3 128706/0 E6 کارشناس بخش تولید 4 096529/0 E7 کارشناس بخش تولید 6 064353/0  ب) محاسبه وزن فاکتورها در این مرحله از رویکرد، به محاسبه وزن فاکتور­ها بر اساس نظر خبرگان پرداخته می­شود که این اوزان بر اساس نظر خبرگان به صورت جدول 13 می­باشد. جدول شماره (13): اوزان شاخص‌ها بر اساس رویکرد OPA ردیف شاخص نماد وزن شاخص‌ها 1 میزان هزینه F1 178556/0 2 میزان سودآوری F2 193125/0 3 مدیریت صحیح منابع F3 358134/0 4 تدوین استراتژی‌های رقابتی F4 103676/0 5 بکارگیری فناوری‌های مدرن F5 166509/0   ج) محاسبه وزن معیار‌های موثر (گزینه­ها) در آخرین گام از رویکرد OPA، بعد از محاسبه اوزان خبره­ها و فاکتور­ها، به محاسبه اوزان معیار‌های موثر پرداخته می­شود که در جدول 14 قابل مشاهده می­باشد. جدول شماره (14): اوزان معیارها بر اساس رویکرد OPA ردیف عامل نماد وزن 1 تعیین هزینه‌های تعمیر و نگهداری C01 148053/0 2 تعیین هزینه‌های عملیاتی تولید C02 167322/0 3 ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود C04 194814/0 4 همکاری با تولید کنندگان / تامین کنندگان ماشین آلات و تجهیزات C06 143633/0 5 در نظر گرفتن چرخه عمر تجهیزات و تحلیل آن C10 117217/0 6 قابلیت و توانمندی‌های نیروی کار C13 083409/0 7 اعتبار سنجی و تایید چیدمان تسهیلات C15 042558/0 8 چرخه تعمیر و نگهداری ماشین C16 031866/0 9 تعین نرخ خرابی دستگاه‌ها C17 037174/0 10 ایجاد برنامه‌ریزی و زمان‌بندی برای انجام فعالیت‌های نگهداری و تعمیر C18 033954/0   بر اساس خروجی این مرحله مشخص می‌باشد که معیارهای ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود، تعیین هزینه‌های عملیاتی تولید و تعیین هزینه‌های تعمیر و نگهداری به ترتیب با اوزان 194814/0، 167322/0 و 148053/0 به ترتیب در جایگاه های اول تا سوم از نظر اهمیت قرار گرفتند.   نتایج تحقیق و پیشنهادات به صورت زیر ارائه می گردد: زمان‌بندی تولید یک جنبه بسیار حیاتی در مدیریت یک سیستم کارگاهی باز است. این سیستم‌ها معمولاً تشکیل شده از تعداد زیادی از کارگران و ماشین‌آلات متنوع هستند که در یک محیط پویا و پیچیده به کار می‌روند. از اینرو در یک سیستم کارگاهی باز، هماهنگی بین اجزای ماشین‌ها، اجزاء مختلف تولید و حمل و نقل بسیار حائز اهمیت است. برنامه‌ریزی زمانبندی باید به گونه‌ای باشد که تعاملات بین اجزاء بهینه شود و هیچ ایجاد موانعی برای جریان تولید نشود. از این جنبه شناسایی عوامل موثر بر یکپارچه‌سازی فعالیت های زنجیره تامین موضوع برجسته ای می شود. با این ایده، مطالعه فعلی شناسایی معیارهای تاثیرگذار بريكپارچه سازی نگهداری و تعمیرات در سيستم كارگاهي باز را هدف خود قرار داده است. بر اساس گام های رویکرد ترکیبی پیشنهادی در این پژوهش، در مرحله نخست، بعد از بررسی ادبیات موضوع و مشورت با خبرگان، فهرست اولیه ای از معیارها گردآوری شد. در مرحله بعد با استفاده از رویکرد دیمتل با تعیین روابط علت و معلولی میان معیارها، به غربالگری آنها پرداخته شد. با 10 معیار غربالگری شده، در مرحله اولویت‌بندی، معیارهای ابزار، مواد، قطعات یدکی و سایر تجهیزات موجود، تعیین هزینه‌های عملیاتی تولید و تعیین هزینه‌های تعمیر و نگهداری به عنوان معیارهای با اهمیت شناسایی شدند. بر اساس نتایج بدست آمده در ادامه به ارائه برخی پیشنهادات مدیریتی پرداخته می‌شود. بر مدیران و کارشناسان واحدهای تولیدی پوشیده نمی‌باشد که فعالیت‌های نگهداری و تعمیرات سهم قابل توجهی از هزینه‎های سیستم‎های تولیدی را شامل می‎شود. از طرف دیگر امروزه تکنولوژی‌های مبتنی بر فناوری اطلاعات تحت عنوان سیستم‎های هوشمند برای واحدهای نگهداری و تعمیرات رشد بسیار چشم‌گیری داشته است. از اینرو با توجه به سیستم تولیدی، تعداد اپراتورها، دستگاه، توسعه یکی از روش‎های نوین نگهداری و تعمیرات که در آن یک سامانه هوشمند به تعیین تعمیر یا تعویض بر اساس سطوح متخلفی از قبیل مدت زمان کارکرد و پایداری سیستم می‎پردازد، پیشنهاد می‌شود. یکی دیگر از مسائل مهم در حوزه تصمیم‌گیری در واحدهای نگهداری و تعمیرات، تعیین زمان بهینه استفاده از تجهیزات و مواد و قطعات می‌باشد. چرا که جایگزینی پیش از موعد، هزینه‌های اضافی برای آن واحد در پی خواهد داشت و برعکس جایگزینی دیرتر از موعد منجر به افزایش هزینه‌های نگهداری و تعمیرات می‌شود. از اینرو آگاهی از عمر مفید تجهیزات می‌تواند مدیریت تجهیزات را تسهیل کند و مانع از ایجاد هزینه‌های اضافی شود. 4-منابع Amiri, S., & Honarvar, M. (2018). Providing an integrated Model for Planning and Scheduling Energy Hubs and preventive maintenance. Energy, 163, 1093-1114. https://doi.org/10.1016/j.energy.2018.08.046 Ataei, Y., Mahmoudi, A., Feylizadeh, M. R., & Li, D. F. (2020). Ordinal priority approach (OPA) in multiple attribute decision-making. Applied Soft Computing, 86, 105893. https://doi.org/10.1016/j.asoc.2019.105893 Avakh Darestani, S., Palizban, T., & Imannezhad, R. (2022). Maintenance strategy selection: a combined goal programming approach and BWM-TOPSIS for paper production industry. Journal of Quality in Maintenance Engineering, 28(1), 14-36. 10.1108/JQME-03-2019-0022 Azadeh, A., & Jebreili, S. (2013). An Integrated Fuzzy Algorithm for Job Shop Layout Optimization: The Case of Maintenance Workshop Process. In 2nd International Conference on Mechanical, Automobile and Robotics Engineering (pp. 17-18). Berthaut, F., Gharbi, A., & Dhouib, K. (2011). Joint modified block replacement and production/inventory control policy for a failure-prone manufacturing cell. Omega, 39(6), 642-654. https://doi.org/10.1016/j.omega.2011.01.006 Bouslah, B., Gharbi, A., & Pellerin, R. (2016). Integrated production, sampling quality control and maintenance of deteriorating production systems with AOQL constraint. Omega, 61, 110-126. https://doi.org/10.1016/j.omega.2015.07.012 dos Santos, C. F., Loures, E. D. F. R., & Santos, E. A. P. (2024). A smart framework to perform a criticality analysis in industrial maintenance using combined MCDM methods and process mining techniques. The International Journal of Advanced Manufacturing Technology, 1-17. https://doi.org/10.1007/s00170-024-13193-8 Ertogral, K., & Öztürk, F. S. (2019). An integrated production scheduling and workforce capacity planning model for the maintenance and repair operations in airline industry. Computers & Industrial Engineering, 127, 832-840. https://doi.org/10.1016/j.cie.2018.11.022 Farwaha, H. S., Singh, S., Ranjan, N., Grewal, J. S., & Pandey, S. (2025). MCDM methods for boom placer maintenance strategy design: a case study in a construction sector. Safety in Extreme Environments, 7(1), 2. https://doi.org/10.1007/s42797-024-00116-9 Fitouhi, M. C., & Nourelfath, M. (2014). Integrating noncyclical preventive maintenance scheduling and production planning for multi-state systems. Reliability Engineering & System Safety, 121, 175-186. https://doi.org/10.1016/j.ress.2013.07.009. Goli, A., Tirkolaee, E. B., & Aydın, N. S. (2021). Fuzzy integrated cell formation and production scheduling considering automated guided vehicles and human factors. IEEE Transactions on Fuzzy Systems, 29(12), 3686-3695. 10.1109/TFUZZ.2021.3053838. Jandali, D., & Sweis, R. (2018). Assessment of factors affecting maintenance management of hospital buildings in Jordan. Journal of Quality in Maintenance Engineering, 24(1), 37-60. 10.1108/JQME-12-2016-0074 Jasiulewicz-Kaczmarek, M. (2018). Identification of maintenance factors influencing the development of sustainable production processes–a pilot study. In IOP Conference Series: Materials Science and Engineering (Vol. 400, p. 062014). IOP Publishing. DOI 10.1088/1757-899X/400/6/062014 Khaksari, P. Ghandi Bidgoli, S. (1402). Mathematical modeling and solving the scheduling problem of workshop flow without waiting, considering release time and preventive maintenance activities, Industrial Engineering Researches in Production Systems, Volume 11(23), pp. 39-55. DOI: https://dx.doi.org/10.22084/IER.2024.5564 Kim, J., & Gershwin, S. B. (2008). Analysis of long flow lines with quality and operational failures. IIE transactions, 40(3), 284-296. https://doi.org/10.1080/07408170701558607. Lin, J., Pulido, J., & Asplund, M. (2015). Reliability analysis for preventive maintenance based on classical and Bayesian semi-parametric degradation approaches using locomotive wheel-sets as a case study. Reliability Engineering & System Safety, 134, 143-156. https://doi.org/10.1016/j.ress.2014.10.011 Liu, J., Shi, J., & Hu, S. J. (2006, January). Quality Assured Setup Planning Based on the Stream-of-Variation Model for Multi-Stage Machining Processes. In International Manufacturing Science and Engineering Conference (Vol. 47624, pp. 529-538). https://doi.org/10.1115/MSEC2006-21065 Liu, Q., Dong, M., & Chen, F. F. (2018). Single-machine-based joint optimization of predictive maintenance planning and production scheduling. Robotics and Computer-Integrated Manufacturing, 51, 238-247. https://doi.org/10.1016/j.rcim.2018.01.002 Liu, X., Wang, W., & Peng, R. (2017). An integrated preventive maintenance and production planning model with sequence‐dependent setup costs and times. Quality and Reliability Engineering International, 33(8), 2451-2461. https://doi.org/10.1002/qre.2202  Mahmud, I., Ismail, I., Abdulkarim, A., Shehu, G. S., Olarinoye, G. A., & Musa, U. (2024). Selection of an appropriate maintenance strategy using analytical hierarchy process of cement plant. Life Cycle Reliability and Safety Engineering, 13(2), 103-109. https://doi.org/10.1007/s41872-024-00249-7 Miyata, H. H., Nagano, M. S., & Gupta, J. N. (2019). Integrating preventive maintenance activities to the no-wait flow shop scheduling problem with dependent-sequence setup times and makespan minimization. Computers & Industrial Engineering. https://doi.org/10.1016/j.cie.2019.05.034 Moreno‐Trejo, J., Kumar, R., & Markeset, T. (2012). Factors influencing the installation and maintenance of subsea petroleum production equipment: a case study. Journal of quality in maintenance engineering, 18(4), 454-471. https://doi.org/10.1108/13552511211281606 Oliveira, M. A., & Lopes, I. (2020). Evaluation and improvement of maintenance management performance using a maturity model. International Journal of Productivity and Performance Management, 69(3), 559-581. https://doi.org/10.1108/IJPPM-07-2018-0247 Regattieri, A., Giazzi, A., Gamberi, M., & Gamberini, R. (2015). An innovative method to optimize the maintenance policies in an aircraft: General framework and case study. Journal of air transport management, 44, 8-20. https://doi.org/10.1016/j.jairtraman.2015.02.001 Ruiz R, Maroto C. (2016). A genetic algorithm for hybrid flowshops with sequence dependent setup times and machine eligibility. European Journal of Operational Research. 169(3):781-800. https://doi.org/10.1016/j.ejor.2004.06.038 Sahu, V. K., Agnihotri, G., & Sadiwala, C. M. (2008). An empirical study on total quality management in maintenance and repair workshops in India. In 2008 IEEE International Conference on Industrial Engineering and Engineering Management (pp. 1557-1561). IEEE. 10.1109/IEEM.2008.4738133 Sana, S. S. (2012). Preventive maintenance and optimal buffer inventory for products sold with warranty in an imperfect production system. International Journal of Production Research, 50(23), 6763-6774. https://doi.org/10.1080/00207543.2011.623838 Shahbazi, A. Vahidy, H. (2024), Optimization Based on Simulation Studies of the Number of Machinery on the Workshop Production Scheduling Under Uncertainty Conditions and Space and Budget Constraints, Research in Production and Operations Management, 15(1), 113-136. 10.22108/pom.2024.137960.1511. Shahin, A., Aminsabouri, N., & Kianfar, K. (2018). Developing a Decision Making Grid for determining proactive maintenance tactics: A case study in the steel industry. Journal of Manufacturing Technology Management, 29(8), 1296-1315.https://doi.org/10.1108/JMTM-12-2017-0273 Sharma, M., Joshi, S., & Kumar, A. (2020). Assessing enablers of e-waste management in circular economy using DEMATEL method: An Indian perspective. Environmental Science and Pollution Research, 27(12), 13325-13338. https://doi.org/10.1007/s11356-020-07765-w Souza, R. L. C., Ghasemi, A., Saif, A., & Gharaei, A. (2022). Robust job-shop scheduling under deterministic and stochastic unavailability constraints due to preventive and corrective maintenance. Computers & Industrial Engineering, 168, 108130. https://doi.org/10.1016/j.cie.2022.108130 Tavakli Moghadam, H. Dzagri, H. Amin Naseri, M. R. (1401). Real-time workshop work scheduling and dynamic predictive maintenance using machine learning, Journal of Decision and Operations Research, Volume 7(3), pp. 515-496. http://dorl.net/dor/20.1001.1.25385097.1401.7.3.8.7 Wang, L., Zhang, Z., & Yin, Y. (2022). Order acceptance and scheduling problem with outsourcing in seru production system considering lot-spitting. European Journal of Industrial Engineering, 16(1), 91-116. https://doi.org/10.1504/EJIE.2022.119371  Wang, S., & Ye, B. (2019). Exact methods for order acceptance and scheduling on unrelated parallel machines. Computers & Operations Research, 104, 159-173. https://doi.org/10.1016/j.cor.2018.12.016  Wang, Y., Xia, T., Xu, Y., Ding, Y., Zheng, M., Pan, E., & Xi, L. (2024). Joint optimization of flexible job shop scheduling and preventive maintenance under high-frequency production switching. International Journal of Production Economics, 269, 109163. https://doi.org/10.1016/j.ijpe.2024.109163 Yang, L., Ma, X., Peng, R., Zhai, Q., & Zhao, Y. (2017). A preventive maintenance policy based on dependent two-stage deterioration and external shocks. Reliability Engineering & System Safety, 160, 201-211. https://doi.org/10.1016/j.ress.2016.12.008 Zhang, H., Buchmeister, B., Li, X., & Ojstersek, R. (2023). An Efficient Metaheuristic Algorithm for Job Shop Scheduling in a Dynamic Environment. Mathematics, 11(10), 2336. https://doi.org/10.3390/math11102336 Zhao, Z., & Zhou, H. (2022). A Hybrid Optimization Method for Manufacturing Cell Scheduling with Random Interruptions Based on Improved Wolf Pack Algorithm and Simulation. In Journal of Physics: Conference Series (Vol. 2173, No. 1, p. 012075). IOP Publishing, DOI 10.1088/1742-6596/2173/1/012075  Zhao, Z., Zhou, H., & Lei, Y. (2022). A Simulation Optimization Model for Cell Scheduling Considering Energy Consumption and Machine Breakdown. In Proceedings of 2021 Chinese Intelligent Systems Conference (pp. 126-133). Springer, Singapore. https://doi.org/10.1007/978-981-16-6328-4_15 Zhong, S., Pantelous, A. A., Goh, M., & Zhou, J. (2019). A reliability-and-cost-based fuzzy approach to optimize preventive maintenance scheduling for offshore wind farms. Mechanical Systems and Signal Processing, 124, 643-663. https://doi.org/10.1016/j.ymssp.2019.02.012               Identification and Ranking of Influential Criteria for the Integration of Maintenance and Production Planning in Open Job Shop Systems   Samiria Karimi Sefid-Dashti Departeman of Industrial Engineering, Najaf Abad Branch, Islamic Azad University, Najaf Abad, Iran Majid Vaziri Sarashk (Corresponding Author) Departeman of Industrial Engineering, Najaf Abad Branch, Islamic Azad University, Najaf Abad, Iran Email: [e-mail]         Gholamreza Esmaeilian Department of Industrial Engineering, Payame Noor University, PO BOX 19395-3697, Tehran,Iran     Abstract  Production planning and scheduling are critical for optimizing the performance of manufacturing systems. In practical industrial contexts—including the scheduling of maintenance, cleaning, production runs, and related tasks—delays in task execution often necessitate a subsequent increase in the effort or resources required for completion. This phenomenon is formally recognized in the literature as time-dependent deterioration. Consequently, the integration of maintenance planning with production scheduling, particularly within open job shop environments, represents a significant and complex operational challenge. Addressing the identified research gap, namely the limited investigation into the critical factors influencing this integration, this study examines the phenomenon within an open job shop production system. A hybrid multi-criteria decision-making (MCDM) framework, integrating the Decision-Making Trial and Evaluation Laboratory (DEMATEL) and the Ordinal Priority Approach (OPA), is employed. The DEMATEL method is first applied to analyze the interrelationships among an initial set of 20 criteria (coded C01–C20) and to filter the most influential ones. The subsequent Ordinal Priority Approach is then used to definitively rank these screened criteria. The analysis yielded two primary results. First, the DEMATEL screening process refined the initial set of 20 criteria down to 10 key factors. Second, the OPA ranking revealed the following three criteria as the most critical for integration: the availability of tools, materials, spare parts, and equipment (C04); the determination of operational production costs (C02); and the determination of maintenance and repair costs (C01). Keywords: Strategy, Supply Chain, Capabilities, Petrochemical Industry.           [1] . Farwaha et al., (2025)  [2] . Dos Santos et al. 3. Mahmud et al.  [3]   [4]  Zhang et al. [5]  Suza et al. [6]  Fitouhi and Nourelfath [7]  Loh et al. [8]  Lin et al. [9]  Regattieri et al. [10]  Ruiz and Maroto [11]  Yang et al. [12]  Liu et al. [13]  Miyaa et al. [14]  Zhang et al. [15]  Wang and Ye