Nutsvoorzieningen op het gebied van elektriciteit, aardgas, stedelijk water en afvalwater en telecommunicatie zijn allemaal activa-intensief. Opwekking, productie, verwerking, transmissie en distributie van elektriciteit, aardgas, olie en water zijn allemaal afhankelijk van fysieke infrastructuur die in de loop van de tijd goed moet worden onderhouden, bijgewerkt en geüpgraded. Het maximaliseren van de uptime van bedrijfsmiddelen en de betrouwbaarheid van de fysieke infrastructuur vereist effectief voorraadbeheer, prognoses van reserveonderdelen en leveranciersbeheer.

Een nutsbedrijf dat deze processen effectief uitvoert, presteert beter dan zijn concurrenten, levert een beter rendement op voor zijn investeerders en hogere serviceniveaus voor zijn klanten, terwijl het zijn impact op het milieu vermindert. Deze inspanningen worden belemmerd door verouderde IT-systemen, evoluerende beveiligingsbedreigingen, frequente verstoringen van de toeleveringsketen en extreme variabiliteit in de vraag. De convergentie van deze uitdagingen met volwassen cloudtechnologie en recente ontwikkelingen op het gebied van data-analyse, probabilistische prognoses en technologieën voor databeheer, bieden nutsbedrijven echter een generatiekans om hun onderneming digitaal te transformeren.

Hier zijn zeven digitale transformaties die relatief kleine investeringen vooraf vereisen, maar een rendement van zeven cijfers zullen opleveren.

1. Voorraadbeheer is de eerste stap in MRO-voorraadoptimalisatie. Het omvat het analyseren van de huidige voorraadniveaus en gebruikspatronen om mogelijkheden voor verbetering te identificeren. Dit moet ook het zoeken naar overstocked, understocked of verouderde items omvatten. Nieuwe probabilistische prognosetechnologie zal helpen door toekomstig gebruik van onderdelen te simuleren en te voorspellen hoe het huidige voorraadbeleid zal presteren. Pats-planners kunnen de simulatieresultaten gebruiken om proactief te identificeren waar beleid moet worden gewijzigd.

2. Nauwkeurige prognoses en vraagplanning zijn erg belangrijk bij het optimaliseren van de voorraden van MRO-serviceonderdelen. Een nauwkeurige vraagprognose is een cruciale drijfveer voor de toeleveringsketen. Door inzicht te krijgen in vraagpatronen die het gevolg zijn van kapitaalprojecten en gepland en ongepland onderhoud, kunnen onderdelenplanners nauwkeuriger anticiperen op toekomstige voorraadbehoeften, een juiste begroting opstellen en de verwachte vraag beter communiceren met leveranciers. Software voor het voorspellen van onderdelen kan worden gebruikt om automatisch een nauwkeurige set van historisch gebruik te huisvesten met details over de vraag naar geplande versus ongeplande onderdelen.

3. Beheer leveranciers en doorlooptijden zijn belangrijke componenten van MRO-voorraadoptimalisatie. Het omvat het selecteren van de beste leveranciers voor de klus, het hebben van back-upleveranciers die snel kunnen leveren als de voorkeursleverancier faalt, en het onderhandelen over gunstige voorwaarden. Het identificeren van de juiste doorlooptijd waarop het voorraadbeleid kan worden gebaseerd, is een ander belangrijk onderdeel. Probabilistische simulaties die beschikbaar zijn in software voor onderdelenplanning kunnen worden gebruikt om de waarschijnlijkheid te voorspellen voor elke mogelijke doorlooptijd die zal worden geconfronteerd. Dit zal resulteren in een nauwkeurigere aanbeveling van wat er op voorraad moet zijn in vergelijking met het gebruik van een offerte van een leverancier of de gemiddelde doorlooptijd.

4. SKU-rationalisatie en beheer van masterdata verwijdert ineffectieve of verouderde SKU's uit de productcatalogus en ERP-database. Het identificeert ook verschillende onderdeelnummers die voor dezelfde SKU zijn gebruikt. Tijdens deze procedure worden de bedrijfskosten en winstgevendheid van elk product beoordeeld, wat resulteert in een gemeenschappelijke lijst met actieve SKU's. Master data management software kan productcatalogi en informatie die is opgeslagen in ongelijksoortige databases beoordelen om SKU-rationalisaties te identificeren en ervoor te zorgen dat voorraadbeleid gebaseerd is op het gemeenschappelijke onderdeelnummer.

5. Voorraadcontrolesystemen zijn de sleutel tot het synchroniseren van voorraadoptimalisatie. Ze bieden nutsbedrijven een kostenefficiënte manier om hun inventaris bij te houden, te bewaken en te beheren. Ze helpen ervoor te zorgen dat het nutsbedrijf over de juiste benodigdheden en materialen beschikt waar en wanneer dat nodig is, terwijl de voorraadkosten worden geminimaliseerd.

6. Continu verbeteren wel essentieel voor het optimaliseren van MRO-voorraden. Het omvat het regelmatig monitoren en aanpassen van voorraadniveaus en voorraadbeleid om het meest efficiënte gebruik van middelen te garanderen. Wanneer de bedrijfsomstandigheden veranderen, moet het nutsbedrijf de verandering detecteren en zijn activiteiten dienovereenkomstig aanpassen. Dit betekent dat planningscycli in een tempo moeten werken dat hoog genoeg is om gelijke tred te houden met veranderende omstandigheden. Door gebruik te maken van probabilistische prognoses om het voorraadbeleid voor serviceonderdelen elke planningscyclus opnieuw te kalibreren, zorgt u ervoor dat het voorraadbeleid (zoals min/max-niveaus) altijd up-to-date is en het nieuwste onderdelengebruik en doorlooptijden van leveranciers weerspiegelt.

7. Planning voor intermitterende vraag met moderne planningssoftware voor reserveonderdelen. Het resultaat is een zeer nauwkeurige schatting van veiligheidsvoorraden, bestelpunten en bestelhoeveelheden, wat leidt tot hogere serviceniveaus en lagere voorraadkosten. De gepatenteerde probabilistische prognosesoftware voor reserveonderdelen van Smart Software simuleert de waarschijnlijkheid voor elke mogelijke vraag en bepaalt nauwkeurig hoeveel er moet worden opgeslagen om de beoogde serviceniveaus van een nutsbedrijf te bereiken. Door gebruik te maken van software om de instroom en uitstroom van repareerbare reserveonderdelen nauwkeurig te simuleren, kunnen downtime, serviceniveaus en voorraadkosten in verband met elke gekozen poolgrootte voor repareerbare reserveonderdelen beter worden voorspeld.

Het beheren van voorraden reserveonderdelen kan onmogelijk aanvoelen. Je weet niet wat er kapot gaat en wanneer. Feedback van mechanische afdelingen en onderhoudsteams is vaak onnauwkeurig. Geplande onderhoudsschema's worden vaak verschoven, waardoor ze allesbehalve 'gepland' zijn. Gebruikspatronen (dwz vraagpatronen) zijn meestal extreem intermitterend, dwz de vraag springt willekeurig tussen nul en iets anders, vaak een verrassend groot aantal. Intermittentie, gecombineerd met het ontbreken van significante trend- of seizoenspatronen, maken traditionele tijdreeksvoorspellingsmethoden onnauwkeurig. Het grote aantal combinaties per locatie maakt het onmogelijk om handmatig prognoses voor afzonderlijke onderdelen te maken of zelfs maar te bekijken. Gezien al deze uitdagingen leek het ons nuttig om een aantal do's (en de bijbehorende don'ts) op een rij te zetten.

1. Gebruik probabilistische methoden om herbestelpunten en min/max-niveaus te berekenen
   Beslagbeslissingen baseren op gemiddeld dagelijks gebruik is niet het juiste antwoord. Evenmin is vertrouwen op traditionele prognosemethoden zoals exponentiële afvlakkingsmodellen. Geen van beide benaderingen werkt wanneer de vraag intermitterend is, omdat ze niet goed rekening houden met de volatiliteit van de vraag. Probabilistische methoden die duizenden mogelijke vraagscenario's simuleren, werken het best. Ze geven een realistische schatting van de vraagverdeling en kunnen alle nullen en willekeurige niet-nullen aan. Dit zorgt ervoor dat het voorraadniveau de juiste maat heeft om het gewenste serviceniveau te bereiken.
    
2. Gebruik serviceniveaus in plaats van vuistregels om de voorraadniveaus te bepalen
   Veel onderdelenplanningsorganisaties vertrouwen op veelvouden van de dagelijkse vraag en andere vuistregels om het voorraadbeleid te bepalen. Bestelpunten zijn bijvoorbeeld vaak gebaseerd op het verdubbelen van de gemiddelde vraag over de doorlooptijd of het toepassen van een ander veelvoud, afhankelijk van het belang van het artikel. Gemiddelden houden echter geen rekening met hoe vluchtig (of luidruchtig) een onderdeel is en zullen leiden tot overbevoorrading van minder luidruchtige onderdelen en onderbevoorrading van meer luidruchtige onderdelen.
    
3. Bereken het voorraadbeleid regelmatig opnieuw
   Alleen omdat de vraag met tussenpozen is, wil nog niet zeggen dat er in de loop van de tijd niets verandert. Maar na interviews met honderden bedrijven die de inventaris van reserveonderdelen beheren, ontdekken we dat minder dan 10% het voorraadbeleid maandelijks herberekent. Velen herberekenen het voorraadbeleid pas als er een 'probleem' is. Op duizenden onderdelen zal het gebruik gegarandeerd stijgen of dalen op ten minste enkele van de onderdelen. Doorlooptijden van leveranciers kunnen ook veranderen. Het gebruik van een verouderd bestelpunt zorgt ervoor dat bestellingen te vroeg of te laat worden geactiveerd, waardoor er veel problemen ontstaan. Elke planningscyclus opnieuw berekenen van beleid zorgt ervoor dat de voorraad de juiste maat heeft. Wees niet reactief en wacht tot er zich een probleem voordoet alvorens te overwegen of de Min of Max moet worden aangepast. Tegen die tijd is het te laat - het is alsof u wacht tot uw remmen het begeven voordat u een reparatie uitvoert. Maak je geen zorgen over de moeite die het kost om min/max-waarden voor grote aantallen SKU's opnieuw te berekenen: moderne software doet dit automatisch. Herinneren: Herijking van uw voorraadbeleid is preventief onderhoud tegen voorraaduitval!
    
4. Krijg buy-in op gerichte serviceniveaus
   Voorraad is duur en moet de juiste omvang hebben op basis van het vinden van een balans tussen de bereidheid van de organisatie om voorraden aan te leggen en haar bereidheid om budget te reserveren voor reserveonderdelen. Te vaak nemen planners geïsoleerde beslissingen op basis van pijnvermijding of verzoeken van onderhoudstechnici, zonder na te denken over hoe uitgaven aan het ene onderdeel van invloed zijn op het vermogen van de organisatie om aan een ander onderdeel uit te geven. Overtollige voorraad aan de ene kant schaadt de serviceniveaus aan andere onderdelen door het voorraadbudget onevenredig op te slokken. Zorg ervoor dat de doelstellingen op het gebied van serviceniveau en de bijbehorende voorraad worden nageleefd kosten om de serviceniveaus te bereiken worden begrepen en overeengekomen.
    
5. Voer een apart planningsproces uit voor repareerbare onderdelen
   Sommige onderdelen zijn erg duur om te vervangen, dus het verdient de voorkeur om ze voor reparatie naar reparatiefaciliteiten of terug naar de OEM te sturen. Rekening houden met de willekeur aan de aanbodzijde van wanneer repareerbare onderdelen worden geretourneerd, en weten of u moet wachten op een reparatie of een extra reserve moet kopen, zijn van cruciaal belang om de beschikbaarheid van artikelen te garanderen zonder een te grote voorraad. Dit vereist gespecialiseerde berichtgeving en het gebruik van probabilistische modellen. Behandel repareerbare onderdelen bij het plannen niet als verbruiksonderdelen.
    
6. Tel wat er wordt gekocht tegen het budget, niet alleen wat er wordt verbruikt
   Veel organisaties zullen de totale aankoop van onderdelen toewijzen aan een afzonderlijk bedrijfsbudget en het budget van het mechanische of onderhoudsteam dekken voor onderdelen die worden gebruikt. In de meeste MRO-organisaties, vooral in het openbaar vervoer en nutsbedrijven, bepalen de reparatieteams wat er wordt gekocht. Als wat wordt gekocht niet meetelt voor hun budget, zullen ze te veel kopen om ervoor te zorgen dat er nooit een kans op voorraad is. Ze hebben letterlijk geen stimulans om het goed te doen, dus er zullen tientallen miljoenen overtollige voorraad worden gekocht. Als wat wordt ingekocht in de begroting wordt weerspiegeld, zal er veel meer aandacht worden besteed aan het inkopen van alleen dat wat echt nodig is. Dat erkennen overtollige voorraad schaadt de service door de organisatie te beroven van geld dat anders zou kunnen worden gebruikt voor onderdelen die niet op voorraad zijn, is een belangrijke stap op weg naar een verantwoorde voorraadinkoop.

​

Bij het bepalen van de juiste opslagparameters voor reserveonderdelen en serviceonderdelen, is het belangrijk om onderscheid te maken tussen verbruiksartikelen en repareerbare serviceonderdelen. Deze verschillen worden vaak over het hoofd gezien door service software voor onderdelenplanning en kan onjuist zijn schattingen van wat er moet worden opgeslagen. Er zijn verschillende benaderingen vereist bij het plannen van verbruiksartikelen versus repareerbare reserveonderdelen.

Laten we eerst deze twee soorten reserveonderdelen definiëren.

• Verbruiksartikelen zijn reserveonderdelen in de apparatuur die worden vervangen in plaats van gerepareerd wanneer ze defect raken. Voorbeelden van verbruiksartikelen zijn batterijen, oliefilters, schroeven en remblokken. Verbruiksbare reserveonderdelen zijn doorgaans goedkopere onderdelen waarvoor vervanging goedkoper is dan reparatie of reparatie is misschien niet mogelijk.
• Herstelbare onderdelen zijn onderdelen die kunnen worden gerepareerd en weer in gebruik kunnen worden genomen nadat ze defect zijn geraakt door oorzaken zoals slijtage, schade of corrosie. Repareerbare serviceonderdelen zijn meestal duurder dan verbruiksonderdelen, dus reparatie heeft meestal de voorkeur boven vervanging. Voorbeelden van repareerbare onderdelen zijn tractiemotoren in treinwagons, straalmotoren en kopieermachines.

Traditionele software voor het plannen van reserveonderdelen voldoet niet

Traditionele software voor het plannen van onderdelen is niet goed aangepast om met de willekeur aan zowel de vraagzijde als de aanbodzijde van MRO-activiteiten om te gaan.

Willekeurigheid aan de vraagzijde
Planning voor verbruikbare reserveonderdelen vereist berekening van parameters voor voorraadbeheer (zoals bestelpunten en bestelhoeveelheden, min- en max-niveaus en veiligheidsvoorraden). Het plannen van het beheer van repareerbare serviceonderdelen vereist berekening van het juiste aantal reserveonderdelen. In beide gevallen moet de analyse gebaseerd zijn op waarschijnlijkheidsmodellen van het willekeurig gebruik van verbruiksgoederen of het willekeurig uitvallen van herstelbare onderdelen. Voor meer dan 90% van deze onderdelen is dit willekeurig de vraag is "met tussenpozen" (soms "klonterig" of "alles behalve normaal verdeeld" genoemd). Traditionele prognosemethoden voor reserveonderdelen zijn niet ontwikkeld om met een wisselende vraag om te gaan. Vertrouwen op traditionele methoden leidt tot kostbare planningsfouten. Voor verbruiksgoederen betekent dit vermijdbare voorraden, buitensporige transportkosten en meer verouderde voorraden. Voor repareerbare onderdelen betekent dit buitensporige uitvaltijd van apparatuur en de daarmee gepaard gaande kosten van onbetrouwbare prestaties en verstoring van de bedrijfsvoering.

Willekeurigheid aan de aanbodzijde
Bij het plannen van verbruikbare reserveonderdelen moet rekening worden gehouden met willekeur bij het aanvullen doorlooptijden van leveranciers. Bij het plannen van repareerbare onderdelen moet rekening worden gehouden met willekeur in reparatie- en retourprocessen, of deze nu intern worden uitgevoerd of worden uitbesteed. Planners die deze items beheren, negeren vaak bruikbare bedrijfsgegevens. In plaats daarvan kunnen ze hun vingers kruisen en hopen dat alles goed komt, of ze kunnen een beroep doen op hun instinct om "hoorbare geluiden te roepen" en dan hopen dat alles goed komt. Hopen en raden kunnen niet op tegen goede kansmodellering. Het verspilt jaarlijks miljoenen aan onnodige kapitaalinvesteringen en vermijdbare uitvaltijd van apparatuur.

Deze blog geeft een overzicht van dit onderwerp, geschreven voor niet-experts. Het

• legt uit waarom je deze blog zou willen lezen.
• somt de verschillende soorten "machine-onderhoud" op.
• legt uit wat 'probabilistische modellering' is.
• beschrijft modellen voor het voorspellen van uitvaltijd.
• legt uit wat deze modellen voor u kunnen betekenen.

Belang van uitvaltijd

Als je dingen voor de verkoop maakt, heb je machines nodig om die dingen te maken. Als uw machines in bedrijf zijn, heeft u een goede kans om geld te verdienen. Als uw machines niet werken, verliest u kansen om geld te verdienen. Omdat downtime zo fundamenteel is, is het de moeite waard om geld te investeren en de downtime te minimaliseren. Met denken bedoel ik kansberekening, aangezien stilstandtijd van de machine is inherent een willekeurig fenomeen. Waarschijnlijkheidsmodellen kan het onderhoudsbeleid sturen.

Beleid voor machineonderhoud

Onderhoud is uw verdediging tegen uitvaltijd. Er zijn meerdere soorten onderhoudsbeleid, variërend van "Niets doen en wachten op falen" tot geavanceerde analytische benaderingen met sensoren en faalkansmodellen.

Een handige lijst met onderhoudsbeleid is:

• Achterover leunen en wachten op problemen, en dan nog wat rondhangen en afvragen wat te doen als er onvermijdelijk problemen optreden. Dit is zo dwaas als het klinkt.
• Hetzelfde als hierboven, behalve dat u zich voorbereidt op het falen om de uitvaltijd te minimaliseren, bijvoorbeeld door reserveonderdelen op te slaan.
• Periodiek controleren op dreigende problemen in combinatie met interventies zoals het smeren van bewegende onderdelen of het vervangen van versleten onderdelen.
• De timing van onderhoud baseren op gegevens over de machineconditie in plaats van te vertrouwen op een vast schema; vereist voortdurende gegevensverzameling en -analyse. Dit wordt conditiegestuurd onderhoud genoemd.
• Gegevens over de machineconditie agressiever gebruiken door deze om te zetten in voorspellingen van uitvaltijd en suggesties voor te nemen stappen om uitval te vertragen. Dit wordt voorspellend onderhoud genoemd.

De laatste drie soorten onderhoud zijn afhankelijk van kansberekening om een onderhoudsschema op te stellen, of om te bepalen wanneer gegevens over de machineconditie moeten worden ingegrepen, of om te berekenen wanneer een storing kan optreden en hoe deze het beste kan worden uitgesteld.

Waarschijnlijkheidsmodellen van machinestoring

Hoe lang een machine zal draaien voordat deze uitvalt, is een willekeurige variabele. Zo is de tijd die het zal besteden naar beneden. Kansrekening is het deel van de wiskunde dat zich bezighoudt met willekeurige variabelen. Willekeurige variabelen worden beschreven door hun kansverdelingen, bijvoorbeeld, wat is de kans dat de machine 100 uur zal draaien voordat hij uitvalt? 200 uur? Of wat is de kans dat de machine na 100 uur of 200 uur nog steeds werkt?

Een subveld genaamd "betrouwbaarheidstheorie" beantwoordt dit soort vragen en behandelt verwante concepten zoals Mean Time Before Failure (MTBF), wat een verkorte samenvatting is van de informatie die is gecodeerd in de kansverdeling van tijd vóór mislukking.

Figuur 1 toont gegevens over de tijd vóór uitval van airconditioningunits. Dit type plot geeft de cumulatieve kansverdeling en toont de kans dat een eenheid na enige tijd is uitgevallen. Figuur 2 toont a betrouwbaarheidsfunctie:, het plotten van hetzelfde type informatie in een omgekeerd formaat, dat wil zeggen, het weergeven van de kans dat een eenheid na verloop van tijd nog steeds functioneert.

In figuur 1 geven de blauwe vinkjes naast de x-as de tijdstippen weer waarop individuele airconditioners faalden; dit zijn de basisgegevens. De zwarte curve toont het cumulatieve aandeel van eenheden die in de loop van de tijd zijn mislukt. De rode curve is een wiskundige benadering van de zwarte curve – in dit geval een exponentiële verdeling. De grafieken laten zien dat ongeveer 80 procent van de units zal uitvallen voordat ze 100 uur in bedrijf zijn.

Figuur 1 Cumulatieve distributiefunctie van uptime voor airconditioners

Waarschijnlijkheidsmodellen kunnen worden toegepast op een afzonderlijk onderdeel of component of subsysteem, op een verzameling gerelateerde onderdelen (bijv. "het hydraulische systeem") of op een volledige machine. Elk van deze kan worden beschreven door de kansverdeling van de tijd voordat ze falen.

Figuur 2 toont de betrouwbaarheidsfunctie van zes subsystemen in een machine voor het graven van tunnels. De plot laat zien dat het meest betrouwbare subsysteem de snijarmen zijn en het minst betrouwbare het watersubsysteem. De betrouwbaarheid van het hele systeem kan worden benaderd door alle zes curven te vermenigvuldigen (omdat het systeem als geheel werkt, moet elk subsysteem functioneren), wat zou resulteren in een zeer korte interval voordat er iets misgaat.

Figuur 2 Voorbeelden van kansverdelingen van subsystemen in een tunnelmachine

Verschillende factoren zijn van invloed op de verdeling van de tijd voor falen. Investeren in betere onderdelen verlengt de levensduur van het systeem. Investeren in redundantie ook. Dat geldt ook voor het vervangen van gebruikte paren door nieuwe.

Zodra een kansverdeling beschikbaar is, kan deze worden gebruikt om een willekeurig aantal wat-als-vragen te beantwoorden, zoals hieronder wordt geïllustreerd in het gedeelte over de voordelen van modellen.

Benaderingen voor het modelleren van machinebetrouwbaarheid

Waarschijnlijkheidsmodellen kunnen ofwel de meest elementaire eenheden beschrijven, zoals individuele systeemcomponenten (Figuur 2), of verzamelingen van basiseenheden, zoals volledige machines (Figuur 1). In feite kan een hele machine worden gemodelleerd als een enkele eenheid of als een verzameling componenten. Als een hele machine als een enkele eenheid wordt behandeld, vertegenwoordigt de kansverdeling van de levensduur een samenvatting van het gecombineerde effect van de levensduurverdelingen van elk onderdeel.

Als we een model van een hele machine hebben, kunnen we naar modellen van verzamelingen machines springen. Als we in plaats daarvan beginnen met modellen van de levensduur van individuele componenten, dan moeten we die individuele modellen op de een of andere manier combineren tot een algemeen model van de hele machine.

Dit is waar de wiskunde harig kan worden. Modellering vereist altijd een verstandig evenwicht tussen vereenvoudiging, zodat sommige resultaten mogelijk zijn, en complicaties, zodat alle resultaten die naar voren komen realistisch zijn. De gebruikelijke truc is om aan te nemen dat storingen van de afzonderlijke onderdelen van het systeem onafhankelijk van elkaar optreden.

Als we ervan uit kunnen gaan dat storingen onafhankelijk optreden, is het meestal mogelijk om verzamelingen van machines te modelleren. Stel bijvoorbeeld dat een productielijn vier machines heeft die hetzelfde product produceren. Met een betrouwbaarheidsmodel voor één machine (zoals in figuur 1) kunnen we bijvoorbeeld voorspellen hoe groot de kans is dat over een week nog maar drie van de machines werken. Ook hier kan zich een complicatie voordoen: de kans dat een machine die vandaag werkt, morgen nog werkt, hangt vaak af van hoe lang het geleden is sinds de laatste storing. Als de tijd tussen storingen een exponentiële verdeling heeft zoals in figuur 1, dan blijkt dat het tijdstip van de volgende storing niet afhangt van hoe lang het geleden is sinds de laatste storing. Helaas hebben veel of zelfs de meeste systemen geen exponentiële distributies van uptime, dus de complicatie blijft.

Erger nog, als we beginnen met modellen van veel individuele componentbetrouwbaarheid, kan het bijna onmogelijk zijn om ons op te werken tot het voorspellen van uitvaltijden voor de hele complexe machine als we rechtstreeks met alle relevante vergelijkingen proberen te werken. In dergelijke gevallen is de enige praktische manier om resultaten te krijgen het gebruik van een andere stijl van modelleren: Monte Carlo-simulatie.

Monte Carlo-simulatie is een manier om berekening te vervangen door analyse wanneer het mogelijk is om willekeurige scenario's van systeemwerking te creëren. Het gebruik van simulatie om machinebetrouwbaarheid te extrapoleren uit de betrouwbaarheid van componenten werkt als volgt.

1. Begin met de cumulatieve distributiefuncties (Figuur 1) of betrouwbaarheidsfuncties (Figuur 2) van elk machineonderdeel.
2. Maak een willekeurig voorbeeld van de levensduur van elke component om een set voorbeeldfouten te krijgen die consistent zijn met de betrouwbaarheidsfunctie.
3. Gebruik de logica van hoe componenten aan elkaar gerelateerd zijn, bereken de uitvaltijd van de hele machine.
4. Herhaal stap 1-3 vele malen om het volledige scala aan mogelijke levensduur van de machine te zien.
5. U kunt desgewenst het gemiddelde van de resultaten van stap 4 nemen om de levensduur van de machine samen te vatten met metrische gegevens zoals de MTBF of de kans dat de machine meer dan 500 uur zal draaien voordat deze defect raakt.

Stap 1 zou een beetje ingewikkeld zijn als we geen mooi kansmodel hebben voor de levensduur van een component, bijvoorbeeld zoiets als de rode lijn in figuur 1.

Stap 2 kan een zorgvuldige boekhouding vereisen. Naarmate de tijd verstrijkt in de simulatie, zullen sommige componenten defect raken en worden vervangen, terwijl andere door blijven gaan. Tenzij de levensduur van een component een exponentiële verdeling heeft, zal de resterende levensduur afhangen van hoe lang de component continu in gebruik is geweest. Dus deze stap moet rekening houden met de verschijnselen van branden in of verslijten.

Stap 3 verschilt van de andere doordat er wat achtergrondwiskunde voor nodig is, zij het van een eenvoudig type. Als Machine A alleen werkt als beide componenten 1 en 2 werken, dan (ervan uitgaande dat een storing van de ene component geen invloed heeft op de storing van de andere)

Kans [A werkt] = Kans [1 werkt] x Kans [2 werkt].

Als in plaats daarvan Machine A werkt als component 1 werkt of component 2 werkt of beide werken, dan

Waarschijnlijkheid [A faalt] = Waarschijnlijkheid [1 faalt] x Waarschijnlijkheid [2 faalt]

dus Waarschijnlijkheid [A werkt] = 1 – Waarschijnlijkheid [A faalt].

Stap 4 kan het creëren van duizenden scenario's omvatten om het volledige scala aan willekeurige uitkomsten te tonen. Berekenen is snel en goedkoop.

Stap 5 kan variëren, afhankelijk van de doelen van de gebruiker. Het berekenen van de MTBF is standaard. Kies andere die bij het probleem passen. Naast de samenvattende statistieken die in stap 5 worden geleverd, kunnen individuele simulatieruns worden uitgezet om intuïtie op te bouwen over de willekeurige dynamiek van machine-uptime en downtime. Afbeelding 3 toont een voorbeeld van een enkele machine met afwisselende cycli van uptime en downtime, resulterend in 85% uptime.

Afbeelding 3 Een voorbeeldscenario voor een enkele machine

Voordelen van machinebetrouwbaarheidsmodellen

In afbeelding 3 is de machine 85% van de tijd in gebruik. Dat is misschien niet goed genoeg. U heeft misschien ideeën over hoe u de betrouwbaarheid van de machine kunt verbeteren. U kunt bijvoorbeeld de betrouwbaarheid van component 3 verbeteren door een nieuwere, betere versie van een andere leverancier te kopen. Hoeveel zou dat helpen? Dat is moeilijk te raden: component 3 is misschien maar een van de vele en misschien niet de zwakste schakel, en hoeveel de verandering loont, hangt af van hoeveel beter de nieuwe zou zijn. Misschien moet je een specificatie voor component 3 ontwikkelen die je vervolgens kunt kopen bij potentiële leveranciers, maar hoe lang moet component 3 meegaan om een materiële impact te hebben op de MTBF van de machine?

Dit is waar het hebben van een model loont. Zonder model vertrouw je op giswerk. Met een model kunt u speculaties over wat-als-situaties omzetten in nauwkeurige schattingen. U kunt bijvoorbeeld analyseren hoe een toename van 10% in MTBF voor component 3 zich zou vertalen in een verbetering van MTBF voor de hele machine.

Een ander voorbeeld: stel dat u zeven machines heeft die een belangrijk product produceren. U berekent dat u zes van de zeven moet inzetten om een grote order van uw ene grote klant te vervullen, zodat er één machine overblijft om de vraag van een aantal diverse kleine klanten af te handelen en als reserve te dienen. Een betrouwbaarheidsmodel voor elke machine zou kunnen worden gebruikt om de waarschijnlijkheid van verschillende onvoorziene omstandigheden in te schatten: alle zeven machines werken en de levensduur is goed; zes machines werken, zodat u in ieder geval uw belangrijkste klant tevreden kunt houden; slechts vijf machines werken, dus u moet iets onderhandelen met uw belangrijkste klant, enz.

Samengevat kunnen waarschijnlijkheidsmodellen van machine- of componentstoringen de basis vormen voor het omzetten van faaltijdgegevens in slimme zakelijke beslissingen.

Lees meer over  Maximaliseer machine-uptime met probabilistische modellering

Lees meer over   Probabilistische prognoses voor intermitterende vraag

De pandemie van Covid19 heeft ongebruikelijke druk gelegd op openbaarvervoersbedrijven. Deze stress dwingt agentschappen om opnieuw te kijken naar hun planningsprocessen voor reserveonderdelen, wat een belangrijke drijfveer is voor het waarborgen van uptime en het balanceren van de voorraadkosten van serviceonderdelen.

Deze blog richt zich op bussystemen en hun praktijken voor het beheer en de planning van reserveonderdelen. Er zijn hier echter lessen voor andere soorten openbaar vervoer, waaronder spoor en lightrail.

In 1995 publiceerde de Transportation Research Board (TRB) van de National Research Council een rapport dat nog steeds relevant is. Systeemspecifieke reservebusverhoudingen: een synthese van de transitpraktijk verklaarde:

Het doel van deze studie was het documenteren en onderzoeken van de kritieke locatiespecifieke variabelen die van invloed zijn op het aantal reservevoertuigen dat bussystemen nodig hebben om aan de maximale servicevereisten te voldoen. … Hoewel transitmanagers over het algemeen erkenden dat het juiste formaat van de vloot de operaties daadwerkelijk verbetert en de kosten verlaagt, meldden velen problemen bij het bereiken en consistent handhaven van een reserveratio van 20 procent, zoals aanbevolen door FTA… De respondenten van de enquête pleitten ervoor om meer nadruk te leggen op de ontwikkeling van verbeterde en innovatieve busonderhoudstechnieken, die hen zouden helpen de uitvaltijd te minimaliseren en de beschikbaarheid van voertuigen te verbeteren, wat uiteindelijk zou leiden tot minder reservevoertuigen en arbeids- en materiaalkosten.

Grof vereenvoudigde richtlijnen zoals "houd 20% reservebussen" zijn gemakkelijk te begrijpen en te meten, maar maskeren grovelijk meer gedetailleerde tactieken die een meer op maat gemaakt beleid kunnen bieden dat het geld van de belastingbetaler dat aan reserveonderdelen wordt uitgegeven, beter kan beheren en tegelijkertijd de hoogste niveaus van beschikbaarheid garandeert. Als de bedrijfszekerheid per bus kan worden verbeterd, zijn er minder reserveonderdelen nodig.

Een manier om elke bus vaker aan de praat te houden, is door het beheer van voorraden reserveonderdelen te verbeteren, met name door het gebruik van serviceonderdelen en het vereiste bevoorradingsbeleid nauwkeuriger te voorspellen. Hier kan modern supply chain management een belangrijke bijdrage leveren. De TRB merkte dit op in hun rapport:

Veel agentschappen zijn erin geslaagd de afhankelijkheid van overtollige reservevoertuigen te beperken. Die transitambtenaren zijn het erover eens dat verschillende factoren en initiatieven tot hun succes hebben geleid en van cruciaal belang zijn voor het succes van elk programma [inclusief] … Effectief gebruik van geavanceerde technologie om kritieke onderhoudsfuncties te beheren, inclusief de ordelijke en tijdige vervanging van onderdelen… Het niet beschikbaar hebben van service-onderdelen en andere componenten wanneer ze nodig zijn, heeft een negatieve invloed op elk onderhoudsprogramma.

Zolang managers op de hoogte zijn van de problemen en waakzaam zijn over welke hulpmiddelen voor hen beschikbaar zijn, zal de kans dat bussen 'geen voorraad hebben' sterk afnemen."

Effectief voorraadbeheer van reserveonderdelen vereist een balans tussen "genoeg hebben" en "te veel hebben". Wat moderne planningssoftware voor serviceonderdelen kan doen, is de wisselwerking tussen deze twee doelen zichtbaar maken, zodat transportmanagers op feiten gebaseerde beslissingen kunnen nemen over voorraden reserveonderdelen.

Er zijn genoeg complicaties bij het vinden van de juiste balans om verder te gaan dan simpele vuistregels zoals "houd tien dagen aan vraag bij de hand" of "bestel opnieuw wanneer u nog maar vijf stuks op voorraad hebt". Factoren die deze beslissingen sturen, zijn onder meer de gemiddelde vraag naar een onderdeel, de volatiliteit van die vraag, de gemiddelde doorlooptijd voor bevoorrading (wat een probleem kan zijn wanneer het onderdeel per slow boat uit Duitsland aankomt), de variabiliteit in doorlooptijd en verschillende kostenfactoren: aanhoudingskosten, bestelkosten en tekortkosten (bijv. verloren tarieven, verlies van publieke goodwill).

Innovatieve software voor supply chain-analyse en planning van reserveonderdelen maakt gebruik van geavanceerde probabilistische prognoses en stochastische optimalisatiemethoden om deze complexiteit te beheersen en een grotere beschikbaarheid van onderdelen tegen lagere kosten te bieden. Metro Transit in Minnesota documenteerde bijvoorbeeld een 4x hogere ROI in de eerste zes maanden na de implementatie van een nieuw systeem. Om meer te lezen over hoe openbaarvervoersbedrijven innovatieve supply chain-analyses benutten, zie:

• Optimalisatie van het onderdelenbeheer bij BC Transit
• Slimme software en Metro Transit
• Slimme software helpt Metro-North Railroad om de treinen op tijd te laten rijden