Los servicios públicos en los campos de la electricidad, el gas natural, el agua y las aguas residuales urbanas y las telecomunicaciones son intensivos en activos. La generación, producción, procesamiento, transmisión y distribución de electricidad, gas natural, petróleo y agua dependen de una infraestructura física que debe mantenerse, actualizarse y mejorarse adecuadamente con el tiempo. Maximizar el tiempo de actividad de los activos y la confiabilidad de la infraestructura física exige una gestión eficaz del inventario, la previsión de piezas de repuesto y la gestión de proveedores.

Una empresa de servicios públicos que ejecuta estos procesos de manera efectiva superará a sus pares, brindará mejores retornos para sus inversores y mayores niveles de servicio para sus clientes, al mismo tiempo que reducirá su impacto ambiental. Estos esfuerzos se ven obstaculizados por los sistemas de TI desactualizados, las amenazas de seguridad en evolución, las frecuentes interrupciones en la cadena de suministro y la extrema variabilidad de la demanda. Sin embargo, la convergencia de estos desafíos con la tecnología de nube madura y los avances recientes en el análisis de datos, el pronóstico probabilístico y las tecnologías para la gestión de datos presentan a las empresas de servicios públicos una oportunidad generacional para transformar digitalmente su empresa.

Aquí hay siete transformaciones digitales que requieren inversiones iniciales relativamente pequeñas pero generarán retornos de siete cifras.

1. Gestión de inventario es el primer paso en la optimización del inventario MRO. Implica analizar los niveles de inventario actuales y los patrones de uso para identificar oportunidades de mejora. Esto debe incluir la búsqueda de artículos obsoletos, con exceso o falta de existencias. La nueva tecnología de pronóstico probabilístico ayudará a simular el uso futuro de piezas y predecir cómo funcionarán las políticas de almacenamiento actuales. Los planificadores de Pats pueden usar los resultados de la simulación para identificar de manera proactiva dónde deben modificarse las políticas.

2. Previsión precisa y planificación de la demanda son muy importantes para optimizar los inventarios de piezas de servicio de MRO. Un pronóstico preciso de la demanda es un impulsor crítico de la cadena de suministro. Al comprender los patrones de demanda que resultan de los proyectos de capital y el mantenimiento planificado y no planificado, los planificadores de piezas pueden anticipar con mayor precisión las necesidades futuras de inventario, presupuestar adecuadamente y comunicar mejor la demanda anticipada a los proveedores. El software de previsión de piezas se puede utilizar para albergar automáticamente un conjunto preciso de uso histórico que detalla la demanda de piezas planificada frente a la no planificada.

3. Gestión de proveedores y plazos de entrega son componentes importantes de la optimización del inventario de MRO. Implica seleccionar a los mejores proveedores para el trabajo, tener proveedores de respaldo que puedan entregar rápidamente si el proveedor preferido falla y negociar términos favorables. Otro componente importante es identificar el tiempo de entrega correcto para basar las políticas de almacenamiento. Las simulaciones probabilísticas disponibles en el software de planificación de piezas se pueden utilizar para pronosticar la probabilidad de cada posible tiempo de entrega que se enfrentará. Esto dará como resultado una recomendación más precisa de qué almacenar en comparación con el uso de un proveedor cotizado o un tiempo de entrega promedio.

4. Racionalización de SKU y gestión de datos maestros elimina los SKU ineficaces o desactualizados del catálogo de productos y la base de datos de ERP. También identifica diferentes números de pieza que se han utilizado para el mismo SKU. El costo operativo y la rentabilidad de cada producto se evalúan durante este procedimiento, lo que da como resultado una lista común de SKU activos. El software de gestión de datos maestros puede evaluar los catálogos de productos y la información almacenada en bases de datos dispares para identificar las racionalizaciones de SKU y garantizar que las políticas de inventario se basen en el número de pieza común.

5. Sistemas de control de inventario son clave para sincronizar la optimización del inventario. Proporcionan una forma rentable para que las empresas de servicios públicos rastreen, controlen y gestionen su inventario. Ayudan a garantizar que la empresa de servicios públicos tenga los suministros y materiales correctos cuando y donde se necesiten, a la vez que minimizan los costos de inventario.

6. La mejora continua es esencial para optimizar los inventarios de MRO. Implica monitorear y ajustar regularmente los niveles de inventario y las políticas de almacenamiento para garantizar el uso más eficiente de los recursos. Cuando las condiciones de operación cambian, la empresa de servicios públicos debe detectar el cambio y ajustar sus operaciones en consecuencia. Esto significa que los ciclos de planificación deben operar a un ritmo lo suficientemente alto como para adaptarse a las condiciones cambiantes. Aprovechar la previsión probabilística para recalibrar las políticas de almacenamiento de piezas de servicio en cada ciclo de planificación garantiza que las políticas de almacenamiento (como los niveles mínimos/máximos) estén siempre actualizadas y reflejen el uso de piezas y los plazos de entrega de los proveedores más recientes.

7. Planificación para la demanda intermitente con el moderno software de planificación de piezas de repuesto. El resultado es una estimación muy precisa de las existencias de seguridad, los puntos de pedido y las cantidades de los pedidos, lo que conduce a mayores niveles de servicio y menores costos de inventario. El software de pronóstico probabilístico de piezas de repuesto patentado de Smart Software simula la probabilidad de cada posible demanda, determinando con precisión cuánto almacenar para lograr los niveles de servicio objetivo de una empresa de servicios públicos. Aprovechar el software para simular con precisión el flujo de entrada y salida de repuestos reparables predecirá mejor el tiempo de inactividad, los niveles de servicio y los costos de inventario asociados con cualquier tamaño de grupo elegido para repuestos reparables.

La gestión de inventarios de piezas de repuesto puede parecer imposible. No sabes qué se romperá y cuándo. Los comentarios de los departamentos mecánicos y los equipos de mantenimiento suelen ser inexactos. Los programas de mantenimiento planificados a menudo se modifican, lo que los convierte en cualquier cosa menos "planificados". Los patrones de uso (es decir, la demanda) suelen ser extremadamente intermitentes, es decir, la demanda salta aleatoriamente entre cero y algo más, a menudo un número sorprendentemente grande. La intermitencia, combinada con la falta de tendencias significativas o patrones estacionales, hace que los métodos tradicionales de pronóstico de series de tiempo sean inexactos. La gran cantidad de combinaciones parte por ubicación hace que sea imposible crear manualmente o incluso revisar pronósticos para partes individuales. Dados todos estos desafíos, pensamos que sería útil delinear una serie de cosas que se deben hacer (y sus correspondientes prohibiciones).

1. Utilice métodos probabilísticos para calcular los puntos de pedido y los niveles mínimos y máximos.
   Basar las decisiones de almacenamiento en el uso diario promedio no es la respuesta correcta. Tampoco lo es la confianza en los métodos de pronóstico tradicionales como los modelos de suavizado exponencial. Ninguno de los enfoques funciona cuando la demanda es intermitente porque no tienen debidamente en cuenta la volatilidad de la demanda. métodos probabilísticos que simulan miles de posibles escenarios de demanda funcionan mejor. Proporcionan una estimación realista de la distribución de la demanda y pueden manejar todos los ceros y no ceros aleatorios. Esto garantizará que el nivel de inventario tenga el tamaño adecuado para alcanzar cualquier objetivo de nivel de servicio que elija.
    
2. Use niveles de servicio en lugar de métodos de regla empírica para determinar los niveles de existencias
   Muchas organizaciones de planificación de piezas se basan en múltiplos de la demanda diaria y otros Reglas de juego para determinar las políticas de almacenamiento. Por ejemplo, los puntos de reorden a menudo se basan en la duplicación de la demanda promedio durante el tiempo de entrega o en la aplicación de algún otro múltiplo según la importancia del artículo. Sin embargo, los promedios no tienen en cuenta cuán volátil (o ruidosa) es una pieza y darán lugar a un exceso de existencias de piezas menos ruidosas y una escasez de piezas más ruidosas.
    
3. Vuelva a calcular con frecuencia las políticas de almacenamiento
   El hecho de que la demanda sea intermitente no significa que nada cambie con el tiempo. Sin embargo, después de entrevistar a cientos de empresas que administran el inventario de piezas de repuesto, encontramos que menos de 10% vuelven a calcular las políticas de almacenamiento mensualmente. Muchos nunca vuelven a calcular las políticas de almacenamiento hasta que surge un “problema”. En miles de piezas, se garantiza que el uso aumentará o disminuirá en al menos algunas de las piezas. Los plazos de entrega de los proveedores también pueden cambiar. El uso de un punto de pedido desactualizado hará que los pedidos se activen demasiado pronto o demasiado tarde, lo que creará muchos problemas. Recálculo de políticas en cada ciclo de planificación asegura que el inventario tendrá el tamaño correcto. No sea reactivo y espere a que ocurra un problema antes de considerar si se debe modificar el valor mínimo o máximo. Para entonces ya es demasiado tarde, es como esperar a que los frenos fallen antes de repararlos. No se preocupe por el esfuerzo de volver a calcular los valores Mín./Máx. para una gran cantidad de SKU: el software moderno lo hace automáticamente. Recuerda: ¡La recalibración de sus políticas de almacenamiento es un mantenimiento preventivo contra el agotamiento de existencias!
    
4. Obtenga aceptación en los niveles de servicio específicos
   El inventario es costoso y debe tener el tamaño correcto en función de lograr un equilibrio entre la disposición de la organización a agotarse y su disposición a presupuestar repuestos. Con demasiada frecuencia, los planificadores toman decisiones de forma aislada basándose en la evitación del dolor o en las solicitudes de los técnicos de mantenimiento sin tener en cuenta cómo el gasto en una parte afecta la capacidad de la organización para gastar en otra parte. El exceso de inventario en una parte perjudica los niveles de servicio en otras partes al consumir de manera desproporcionada el presupuesto de inventario. Asegúrese de que los objetivos de nivel de servicio y el inventario asociado costos de alcanzar los niveles de servicio son entendidos y aceptados.
    
5. Ejecute un proceso de planificación separado para piezas reparables
   Algunas piezas son muy costosas de reemplazar, por lo que es preferible enviarlas a las instalaciones de reparación o de vuelta al OEM para su reparación. Tener en cuenta la aleatoriedad del lado del suministro de cuándo se devolverán las piezas reparables y saber si esperar una reparación o comprar un repuesto adicional son fundamentales para garantizar la disponibilidad de los artículos sin un aumento del inventario. Esto requiere informes especializados y el uso de modelos probabilísticos. No trate las piezas reparables como piezas consumibles cuando planifique.
    
6. Cuente lo que se compra contra el presupuesto, no solo lo que se consume
   Muchas organizaciones asignan las compras totales de piezas a un presupuesto corporativo separado y asignan el presupuesto del equipo mecánico o de mantenimiento a las piezas que se utilizan. En la mayoría de las organizaciones de MRO, especialmente en el transporte público y los servicios públicos, los equipos de reparación dictan lo que se compra. Si lo que se compra no cuenta contra su presupuesto, comprarán en exceso para asegurarse de que nunca haya ninguna posibilidad de desabastecimiento. Literalmente no tienen ningún incentivo para hacerlo bien, por lo que se comprarán decenas de millones en exceso de inventario. Si lo que se compra se refleja en el presupuesto, se prestará mucha más atención a comprar solo lo que realmente se necesita. Reconociendo que el exceso de inventario perjudica el servicio Robar a la organización dinero en efectivo que, de lo contrario, podría usarse en repuestos insuficientes es un paso importante para garantizar una compra de inventario responsable.

​

Al decidir los parámetros correctos de almacenamiento de repuestos y piezas de servicio, es importante distinguir entre piezas de servicio consumibles y reparables. Estas diferencias a menudo son pasadas por alto por el servicio software de planificación de piezas y puede resultar en errores estimaciones de los requisitos de almacenaje. Se requieren diferentes enfoques al planificar los consumibles frente a las piezas de repuesto reparables.

Primero, definamos estos dos tipos de repuestos.

• Partes consumibles son repuestos contenidos dentro del equipo que se reemplazan en lugar de repararse cuando fallan. Los ejemplos de piezas consumibles incluyen baterías, filtros de aceite, tornillos, pastillas de freno, etc. Las piezas de repuesto consumibles tienden a ser piezas de menor costo para las cuales el reemplazo es más barato que la reparación o la reparación puede no ser posible.
• Partes reparables son piezas que se pueden reparar y volver a poner en servicio después de fallar debido a causas como desgaste, daños o corrosión. Las piezas de servicio reparables tienden a ser más caras que las piezas consumibles, por lo que la reparación suele ser preferible al reemplazo. Los ejemplos de piezas reparables incluyen motores de tracción en vagones de ferrocarril, motores a reacción, fotocopiadoras, etc.

El software tradicional de planificación de piezas de repuesto no cumple con los requisitos

El software tradicional de planificación de piezas no está bien adaptado para lidiar con la aleatoriedad tanto en el lado de la demanda como en el lado de la oferta de las operaciones de MRO.

Aleatoriedad del lado de la demanda
La planificación de repuestos consumibles requiere el cálculo de parámetros de control de inventario (como puntos de pedido y cantidades de pedido, niveles mínimo y máximo y existencias de seguridad). La planificación para administrar las piezas de servicio reparables requiere el cálculo de la cantidad correcta de repuestos. En ambos casos, el análisis debe basarse en modelos de probabilidad del uso aleatorio de consumibles o la avería aleatoria de piezas reparables. Para más de 90% de estas partes, la demanda es “intermitente” (a veces llamado "érratica"). Los métodos tradicionales de previsión de repuestos no se desarrollaron para hacer frente a la demanda intermitente. Confiar en los métodos tradicionales conduce a costosos errores de planificación. Para los consumibles, esto significa desabastecimientos evitables, costos excesivos de mantenimiento y mayor obsolescencia del inventario. Para las piezas reparables, esto significa un tiempo de inactividad excesivo del equipo y los costos correspondientes por un rendimiento poco confiable y la interrupción de las operaciones.

Aleatoriedad del lado de la oferta
La planificación de piezas de repuesto consumibles debe tener en cuenta la aleatoriedad en el reabastecimiento de los plazos de entrega de los proveedores. La planificación de piezas reparables debe tener en cuenta la aleatoriedad en los procesos de reparación y devolución, ya sea que de los que se proporcionen internamente o se contraten. Los planificadores que gestionan estos artículos a menudo ignoran los datos de interés dentro de la empresa. En cambio, pueden cruzar los dedos y esperar que todo salga bien, o pueden invocar su instinto para "selecionar a ojo" y luego esperar que todo salga bien. Esperar y adivinar no puede vencer al modelo de probabilidad adecuado. Desperdicia millones anualmente en inversiones de capital innecesarias y tiempo de inactividad evitable del equipo.

Este blog proporciona una descripción general de este tema escrito para no expertos. Eso

• explica por qué es posible que desee leer este blog.
• enumera los diversos tipos de "mantenimiento de la máquina".
• explica qué es el “modelado probabilístico”.
• describe modelos para predecir el tiempo de inactividad.
• explica lo que estos modelos pueden hacer por usted.

Importancia del tiempo de inactividad

Si fabrica cosas para la venta, necesita máquinas para hacer esas cosas. Si sus máquinas están en funcionamiento, tiene una gran oportunidad de ganar dinero. Si sus máquinas no funcionan, pierde oportunidades de ganar dinero. Dado que el tiempo de inactividad es tan fundamental, vale la pena invertir dinero y pensar en minimizar el tiempo de inactividad. Por pensamiento me refiero a matemáticas de probabilidad, ya que tiempo de inactividad de la máquina es inherentemente un fenómeno aleatorio. Modelos de probabilidad puede orientar las políticas de mantenimiento.

Políticas de mantenimiento de máquinas

El mantenimiento es su defensa contra el tiempo de inactividad. Existen varios tipos de políticas de mantenimiento, que van desde "No hacer nada y esperar a que falle" hasta enfoques analíticos sofisticados que involucran sensores y modelos de probabilidad de falla.

Una lista útil de políticas de mantenimiento es:

• Sentarse y esperar problemas, luego sentarse un poco más preguntándose qué hacer cuando los problemas inevitablemente suceden. Esto es tan tonto como suena.
• Igual que el anterior, excepto que se prepara para el fracaso de minimizar el tiempo de inactividad, por ejemplo, el almacenamiento de piezas de repuesto.
• Comprobación periódica de problemas inminentes junto con intervenciones como la lubricación de piezas móviles o la sustitución de piezas desgastadas.
• Basar la programación del mantenimiento en datos sobre el estado de la máquina en lugar de depender de un programa fijo; requiere la recopilación y el análisis continuos de datos. Esto se llama mantenimiento basado en la condición.
• Usar los datos sobre el estado de la máquina de forma más agresiva al convertirlos en predicciones de tiempo de falla y sugerencias de pasos a seguir para retrasar la falla. Esto se llama mantenimiento predictivo.

Los últimos tres tipos de mantenimiento se basan en matemáticas de probabilidad para establecer un programa de mantenimiento, o determinar cuándo los datos sobre el estado de la máquina requieren intervención, o calcular cuándo podría ocurrir una falla y cuál es la mejor manera de posponerla.

Modelos de probabilidad de falla de la máquina

El tiempo que una máquina funcionará antes de que falle es una variable aleatoria. Así es el tiempo que pasará abajo. La teoría de la probabilidad es la parte de las matemáticas que trata con variables aleatorias. Las variables aleatorias se describen por sus distribuciones de probabilidad, por ejemplo, ¿cuál es la probabilidad de que la máquina funcione durante 100 horas antes de que se apague? 200 horas? O, de manera equivalente, ¿cuál es la probabilidad de que la máquina siga funcionando después de 100 o 200 horas?

Un subcampo llamado "teoría de la confiabilidad" responde a este tipo de preguntas y aborda conceptos relacionados como el tiempo medio antes de la falla (MTBF), que es un resumen abreviado de la información codificada en la distribución de probabilidad del tiempo antes de la falla.

La Figura 1 muestra datos sobre el tiempo antes de la falla de las unidades de aire acondicionado. Este tipo de trama representa la distribución de probabilidad acumulada y muestra la posibilidad de que una unidad haya fallado después de que haya transcurrido cierto tiempo. La Figura 2 muestra un función de confiabilidad, trazando el mismo tipo de información en un formato inverso, es decir, representando la posibilidad de que una unidad siga funcionando después de que haya transcurrido cierto tiempo.

En la Figura 1, las marcas azules junto al eje x muestran los momentos en los que se observaron fallas en los acondicionadores de aire individuales; Estos son los datos básicos. La curva negra muestra la proporción acumulada de unidades que fallaron a lo largo del tiempo. La curva roja es una aproximación matemática a la curva negra, en este caso una distribución exponencial. Los gráficos muestran que alrededor del 80 por ciento de las unidades fallarán antes de las 100 horas de funcionamiento.

Figura 1 Función de distribución acumulativa del tiempo de actividad de los aires acondicionados

Los modelos de probabilidad se pueden aplicar a una pieza, componente o subsistema individual, a un conjunto de piezas relacionadas (p. ej., "el sistema hidráulico") oa una máquina completa. Cualquiera de estos puede describirse mediante la distribución de probabilidad del tiempo antes de que falle.

La Figura 2 muestra la función de confiabilidad de seis subsistemas en una máquina para excavar túneles. El gráfico muestra que el subsistema más fiable son los brazos de corte y el menos fiable es el subsistema de agua. La confiabilidad de todo el sistema podría aproximarse multiplicando las seis curvas (porque para que el sistema funcione como un todo, todos los subsistemas deben estar funcionando), lo que daría como resultado un intervalo muy corto antes de que algo salga mal.

Figura 2 Ejemplos de distribuciones de probabilidad de subsistemas en una tuneladora

Varios factores influyen en la distribución del tiempo antes de la falla. Invertir en mejores piezas prolongará la vida útil del sistema. También lo hará la inversión en redundancia. Lo mismo ocurrirá con la sustitución de pars usados por nuevos.

Una vez que se dispone de una distribución de probabilidad, se puede utilizar para responder a cualquier cantidad de preguntas hipotéticas, como se ilustra a continuación en la sección Beneficios de los modelos.

Enfoques para modelar la confiabilidad de la máquina

Los modelos de probabilidad pueden describir las unidades más básicas, como componentes individuales del sistema (Figura 2), o conjuntos de unidades básicas, como máquinas completas (Figura 1). De hecho, una máquina completa se puede modelar como una sola unidad o como una colección de componentes. Si se trata una máquina completa como una sola unidad, la distribución de probabilidad de vida útil representa un resumen del efecto combinado de las distribuciones de vida útil de cada componente.

Si tenemos un modelo de una máquina completa, podemos saltar a modelos de colecciones de máquinas. Si, en cambio, comenzamos con modelos de la vida útil de los componentes individuales, de alguna manera debemos combinar esos modelos individuales en un modelo general de la máquina completa.

Aquí es donde las matemáticas pueden ponerse peludas. El modelado siempre requiere un equilibrio sabio entre la simplificación, para que algunos resultados sean posibles, y la complicación, para que cualquier resultado que surja sea realista. El truco habitual es asumir que las fallas de las piezas individuales del sistema ocurren de manera independiente.

Si podemos suponer que las fallas ocurren de manera independiente, generalmente es posible modelar colecciones de máquinas. Por ejemplo, suponga que una línea de producción tiene cuatro máquinas que producen el mismo producto. Tener un modelo de confiabilidad para una sola máquina (como en la Figura 1) nos permite predecir, por ejemplo, la posibilidad de que solo tres de las máquinas sigan funcionando dentro de una semana. Incluso aquí puede haber una complicación: la probabilidad de que una máquina que funciona hoy siga funcionando mañana a menudo depende de cuánto tiempo haya pasado desde su última falla. Si el tiempo entre fallas tiene una distribución exponencial como la de la Figura 1, resulta que el tiempo de la próxima falla no depende de cuánto tiempo ha pasado desde la última falla. Desafortunadamente, muchos o incluso la mayoría de los sistemas no tienen distribuciones exponenciales de tiempo de actividad, por lo que la complicación persiste.

Peor aún, si comenzamos con modelos de confiabilidad de muchos componentes individuales, avanzar hasta predecir los tiempos de falla para toda la máquina compleja puede ser casi imposible si tratamos de trabajar directamente con todas las ecuaciones relevantes. En tales casos, la única forma práctica de obtener resultados es utilizar otro estilo de modelado: la simulación Monte Carlo.

La simulación de Monte Carlo es una forma de sustituir la computación por el análisis cuando es posible crear escenarios aleatorios de operación del sistema. El uso de la simulación para extrapolar la confiabilidad de la máquina a partir de la confiabilidad de los componentes funciona de la siguiente manera.

1. Comience con las funciones de distribución acumulativa (Figura 1) o funciones de confiabilidad (Figura 2) de cada componente de la máquina.
2. Cree una muestra aleatoria de la vida útil de cada componente para obtener un conjunto de tiempos de falla de muestra consistentes con su función de confiabilidad.
3. Utilizando la lógica de cómo se relacionan los componentes entre sí, calcule el tiempo de falla de toda la máquina.
4. Repita los pasos 1 a 3 muchas veces para ver la gama completa de posibles vidas útiles de la máquina.
5. Opcionalmente, promedie los resultados del paso 4 para resumir la vida útil de la máquina con métricas como el MTBF o la posibilidad de que la máquina funcione más de 500 horas antes de fallar.

El paso 1 sería un poco complicado si no tenemos un buen modelo de probabilidad para la vida útil de un componente, por ejemplo, algo como la línea roja en la Figura 1.

El paso 2 puede requerir una contabilidad cuidadosa. A medida que avanza el tiempo en la simulación, algunos componentes fallarán y serán reemplazados, mientras que otros seguirán funcionando. A menos que la vida útil de un componente tenga una distribución exponencial, su vida útil restante dependerá de cuánto tiempo el componente haya estado en uso continuo. Así que este paso debe dar cuenta de los fenómenos de marcar a fuego o desgastar.

El paso 3 es diferente de los demás en que requiere algo de matemática básica, aunque de un tipo simple. Si la Máquina A solo funciona cuando los componentes 1 y 2 funcionan, entonces (suponiendo que la falla de un componente no influya en la falla del otro)

Probabilidad [A funciona] = Probabilidad [1 funciona] x Probabilidad [2 funciona].

Si, en cambio, la Máquina A funciona si el componente 1 funciona o el componente 2 funciona o ambos funcionan, entonces

Probabilidad [A falla] = Probabilidad [1 falla] x Probabilidad [2 fallas]

entonces Probabilidad [A funciona] = 1 – Probabilidad [A falla].

El paso 4 puede implicar la creación de miles de escenarios para mostrar la gama completa de resultados aleatorios. La computación es rápida y barata.

El paso 5 puede variar según los objetivos del usuario. Calcular el MTBF es estándar. Elija otros que se adapten al problema. Además de las estadísticas de resumen proporcionadas por el paso 5, se pueden trazar ejecuciones de simulación individuales para desarrollar la intuición sobre la dinámica aleatoria del tiempo de actividad y el tiempo de inactividad de la máquina. La Figura 3 muestra un ejemplo de una sola máquina que muestra ciclos alternos de tiempo de actividad y tiempo de inactividad que dan como resultado el tiempo de actividad del 85%.

Figura 3 Un escenario de muestra para una sola máquina

Beneficios de los modelos de confiabilidad de la máquina

En la Figura 3, la máquina está funcionando 85% del tiempo. Eso puede no ser lo suficientemente bueno. Es posible que tenga algunas ideas sobre cómo mejorar la confiabilidad de la máquina, por ejemplo, tal vez pueda mejorar la confiabilidad del componente 3 comprando una versión mejor y más nueva de un proveedor diferente. ¿Cuánto ayudaría eso? Eso es difícil de adivinar: el componente 3 puede ser solo uno de varios y quizás no el eslabón más débil, y cuánto vale el cambio depende de qué tan mejor sea el nuevo. Tal vez debería desarrollar una especificación para el componente 3 que luego pueda comprar a proveedores potenciales, pero ¿cuánto tiempo tiene que durar el componente 3 para tener un impacto material en el MTBF de la máquina?

Aquí es donde vale la pena tener un modelo. Sin un modelo, estás confiando en conjeturas. Con un modelo, puede convertir la especulación sobre situaciones hipotéticas en estimaciones precisas. Por ejemplo, podría analizar cómo un aumento de 10% en MTBF para el componente 3 se traduciría en una mejora en MTBF para toda la máquina.

Como otro ejemplo, suponga que tiene siete máquinas que producen un producto importante. Calcula que debe dedicar seis de las siete para cumplir con un pedido importante de su gran cliente, dejando una máquina para manejar la demanda de una cantidad de clientes pequeños misceláneos y para servir como repuesto. Se podría usar un modelo de confiabilidad para cada máquina para estimar las probabilidades de varias contingencias: las siete máquinas funcionan y la vida es buena; seis máquinas funcionan para que al menos puedas mantener contento a tu cliente clave; solo funcionan cinco máquinas, así que tienes que negociar algo con tu cliente clave, etc.

En resumen, los modelos de probabilidad de fallas de máquinas o componentes pueden proporcionar la base para convertir los datos de tiempo de falla en decisiones comerciales inteligentes.

Leer más sobre  Maximice el tiempo de actividad de la máquina con el modelado probabilístico

Leer más sobre   Pronóstico probabilístico para demanda intermitente

La pandemia de Covid19 ha puesto un estrés inusual en las agencias de transporte público. Este estrés obliga a las agencias a revisar nuevamente sus procesos de planificación de piezas de repuesto, que es un factor clave para garantizar el tiempo de actividad y equilibrar los costos de inventario de piezas de servicio.

Este blog se centra en los sistemas de autobuses y sus prácticas para la gestión y planificación de piezas de repuesto. Sin embargo, aquí hay lecciones para otros tipos de transporte público, incluidos el tren y el tren ligero.

En 1995, la Junta de Investigación del Transporte (TRB) del Consejo Nacional de Investigación publicó un informe que aún tiene relevancia. Proporciones de autobuses de repuesto específicas del sistema: una síntesis de la práctica de tránsito fijado

El propósito de este estudio fue documentar y examinar las variables críticas específicas del sitio que afectan la cantidad de vehículos de repuesto que los sistemas de autobuses necesitan para mantener los requisitos máximos de servicio. … Si bien los gerentes de tránsito generalmente reconocieron que dimensionar correctamente la flota en realidad mejora las operaciones y reduce los costos, muchos informaron dificultades para lograr y mantener de manera constante una proporción de repuesto del 20 por ciento, como recomienda la FTA… Quienes respondieron a la encuesta abogaron por que se ponga más énfasis en el desarrollo de técnicas de mantenimiento de autobuses mejoradas e innovadoras, que los ayudarían a minimizar el tiempo de inactividad y mejorar la disponibilidad de los vehículos, lo que finalmente conduciría a vehículos de repuesto reducidos y costos de mano de obra y materiales.

Las pautas sumamente simplificadas como "mantener los autobuses de repuesto 20%" son fáciles de entender y medir, pero enmascaran tácticas más detalladas que pueden proporcionar políticas más personalizadas que administren mejor el dinero de los contribuyentes gastado en repuestos al tiempo que garantizan los más altos niveles de disponibilidad. Si se puede mejorar la confiabilidad operativa para cada bus, se necesitarán menos repuestos.

Una forma de mantener cada autobús en funcionamiento con más frecuencia es mejorar la gestión de los inventarios de piezas de repuesto, específicamente pronosticando el uso de piezas de servicio y las políticas de reabastecimiento requeridas con mayor precisión. Aquí es donde la gestión moderna de la cadena de suministro puede hacer una contribución significativa. El TRB señaló esto en su informe:

Muchas agencias han logrado limitar la dependencia del exceso de vehículos de repuesto. Esos funcionarios de tránsito están de acuerdo en que varios factores e iniciativas han llevado a su éxito y son fundamentales para el éxito de cualquier programa [incluido] … Uso eficaz de tecnología avanzada para gestionar funciones críticas de mantenimiento, incluido el reemplazo ordenado y oportuno de piezas… La falta de disponibilidad de piezas de repuesto y otros componentes cuando se necesitan afectará negativamente cualquier programa de mantenimiento.

Siempre que los gerentes sean conscientes de los problemas y estén atentos a las herramientas disponibles para ellos, la probabilidad de que los autobuses se queden sin existencias disminuirá considerablemente”.

La gestión eficaz del inventario de piezas de repuesto requiere un equilibrio entre "tener suficiente" y "tener demasiado". Lo que puede hacer el software moderno de planificación de piezas de servicio es hacer visible la compensación entre estos dos objetivos para que los gerentes de tránsito puedan tomar decisiones basadas en hechos sobre los inventarios de piezas de repuesto.

Hay suficientes complicaciones para encontrar el equilibrio adecuado como para requerir ir más allá de las reglas generales simples como "mantener a mano la demanda de diez días" o "volver a pedir cuando tenga menos de cinco unidades en stock". Los factores que impulsan estas decisiones incluyen tanto la demanda promedio de una pieza, la volatilidad de esa demanda, el tiempo promedio de reabastecimiento (que puede ser un problema cuando la pieza llega en un barco lento desde Alemania), la variabilidad en el tiempo de entrega y varios factores de costo: costos de mantenimiento, costos de pedidos y costos de escasez (p. ej., tarifas perdidas, pérdida de buena voluntad pública).

El innovador software de planificación de piezas de repuesto y análisis de la cadena de suministro utiliza métodos avanzados de predicción probabilística y optimización estocástica para gestionar estas complejidades y proporcionar una mayor disponibilidad de piezas a un costo menor. Por ejemplo, Metro Transit de Minnesota documentó un aumento de 4 veces en el retorno de la inversión en los primeros seis meses de implementación de un nuevo sistema. Para obtener más información sobre cómo las agencias de transporte público están explotando los análisis innovadores de la cadena de suministro, consulte:

• Optimización en la gestión de piezas en BC Transit
• Software inteligente y Metro Transit
• El software inteligente ayuda a Metro-North Railroad a mantener los trenes funcionando a tiempo