Een beginnershandleiding voor uitvaltijd en wat u eraan kunt doen

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

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

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

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

 

 

Laat een reactie achter
gerelateerde berichten
Hebben uw statistische prognoses last van het wiggle-effect?

Hebben uw statistische prognoses last van het wiggle-effect?

Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

Maximaliseer machine-uptime met probabilistische modellering

De slimme voorspeller

 Het nastreven van best practices op het gebied van vraagplanning,

prognoses en voorraadoptimalisatie

Twee voorraadproblemen

Als je zowel dingen maakt als verkoopt, bezit je twee voorraadproblemen. Bedrijven die dingen verkopen, moeten zich onophoudelijk concentreren op het hebben van voldoende productvoorraad om aan de vraag van de klant te voldoen. Fabrikanten en activa-intensieve industrieën zoals energieopwekking, openbaar vervoer, mijnbouw en raffinage hebben een extra voorraadprobleem: voldoende reserveonderdelen hebben om hun machines draaiende te houden. In deze technische samenvatting worden de basisprincipes van twee probabilistische modellen van machinestoringen besproken. Het relateert ook de beschikbaarheid van machines aan de toereikendheid van de voorraad reserveonderdelen.

 

Modellering van het falen van een machine die wordt behandeld als een "zwarte doos"

Net zoals de vraag naar producten inherent willekeurig is, geldt dat ook voor de timing van machinestoringen. Evenzo, net zoals probabilistische modellering de juiste manier is om met willekeurige vraag om te gaan, is het ook de juiste manier om met willekeurige storingen om te gaan.

Modellen van machinestoringen hebben twee componenten. De eerste gaat over de willekeurige duur van uptime. De tweede gaat over de willekeurige duur van downtime.

Het veld van betrouwbaarheid theorie biedt verschillende standaard waarschijnlijkheidsmodellen die de willekeurige tijd beschrijven tot het uitvallen van een machine zonder rekening te houden met de reden voor het uitvallen. Het eenvoudigste model van uptime is de exponentiële verdeling. Dit model zegt dat de gevaar tarief, dwz de kans op falen in het volgende moment, is constant, ongeacht hoe lang het systeem in werking is. Het exponentiële model is goed in het modelleren van bepaalde soorten systemen, met name elektronica, maar het is niet universeel toepasbaar.

 

Download de whitepaper

 

De volgende stap omhoog in modelcomplexiteit is de Weibull model (uitgesproken als "WHY-bull"). De Weibull-verdeling maakt het mogelijk dat het risico van falen in de loop van de tijd verandert, ofwel afneemt na een inbrandperiode, ofwel vaker toeneemt naarmate slijtage zich ophoopt. De exponentiële verdeling is een speciaal geval van de Weibull-verdeling waarin de risicograad niet toeneemt of afneemt.

Weibull-betrouwbaarheidsgrafiek

Figuur 1: Drie verschillende Weibull-overlevingscurven

Figuur 1 illustreert de waarschijnlijkheid van het Weibull-model dat een machine nog steeds draait als functie van hoe lang deze al draait. Er zijn drie curven die overeenkomen met constante, afnemende en toenemende risicopercentages. Om voor de hand liggende redenen worden deze genoemd overlevingscurven omdat ze de overlevingskans voor verschillende tijdsperioden uitzetten (maar ze worden ook wel betrouwbaarheidscurven). De zwarte curve die hoog begint en snel daalt (β=3) geeft een machine weer die met de jaren verslijt. De lichtste curve in het midden snel (β=1) toont de exponentiële verdeling. De medium-donkere curve (β=0,5) is er een die een hoog percentage vroege risico's heeft, maar beter wordt met de leeftijd.

Er is natuurlijk nog een ander fenomeen dat in de analyse moet worden meegenomen: downtime. Het modelleren van downtime is waar voorraadtheorie in beeld komt. Downtime wordt gemodelleerd door een combinatie van twee verschillende distributies. Als er een reserveonderdeel beschikbaar is om het defecte onderdeel te vervangen, kan de downtime erg kort zijn, bijvoorbeeld één dag. Maar als er geen reserve op voorraad is, kan de downtime behoorlijk lang zijn. Zelfs als de reserve snel kan worden verkregen, kan het enkele dagen of een week duren voordat de machine kan worden gerepareerd. Als het reserveonderdeel door een verre leverancier moet worden vervaardigd en over zee moet worden vervoerd en vervolgens per spoor moet worden vervoerd naar uw fabriek, kan de uitvaltijd weken of maanden zijn. Dit alles betekent dat het bijhouden van een goede inventaris van reserveonderdelen erg belangrijk is om de productie op gang te houden.

Bij dit geaggregeerde type analyse wordt de machine behandeld als een zwarte doos die werkt of niet. Hoewel de details worden genegeerd van welk onderdeel het heeft begeven en wanneer, is een dergelijk model nuttig voor het inschatten van de pool van machines die nodig is om met grote waarschijnlijkheid een minimaal niveau van productiecapaciteit te handhaven.

De binominale verdeling is het waarschijnlijkheidsmodel dat relevant is voor dit probleem. De binominale is hetzelfde model dat bijvoorbeeld de verdeling beschrijft van het aantal "koppen" dat resulteert uit twintig worpen van een munt. In het machinebetrouwbaarheidsprobleem komen de machines overeen met munten, en een resultaat van koppen komt overeen met het hebben van een werkende machine.

Als voorbeeld, als

  • de kans dat een bepaalde machine op een bepaalde dag draait, is 90%
  • machinestoringen zijn onafhankelijk (bijv. geen overstroming of tornado om ze allemaal in één keer weg te vagen)
  • je hebt minimaal een kans van 95% nodig dat er op een bepaalde dag minstens 5 machines draaien

dan schrijft het binominale model zeven machines voor om je doel te bereiken.

 

Modellering van machinestoringen op basis van componentstoringen

Maximaliseer machine-uptime met probabilistische modellering

Het Weibull-model kan ook worden gebruikt om het falen van een enkel onderdeel te beschrijven. Elke realistisch complexe productiemachine heeft echter meerdere onderdelen en heeft daarom meerdere faalwijzen. Dit betekent dat het berekenen van de tijd totdat de machine uitvalt een analyse vereist van een "race naar mislukking", waarbij elk onderdeel strijdt om de "eer" om als eerste te falen.

Als we de redelijke aanname maken dat onderdelen onafhankelijk van elkaar falen, wijst de standaardkanstheorie de weg naar het combineren van de modellen van het falen van individuele onderdelen tot een algemeen model van machinefalen. De tijd tot het eerste van vele onderdelen faalt heeft een poly-Weibull verdeling. Op dit punt kan de analyse echter behoorlijk ingewikkeld worden, en de beste stap zou kunnen zijn om over te schakelen van analyse-per-vergelijking naar analyse-per-simulatie.

 

Machinestoring simuleren op basis van de details van defecte onderdelen

Simulatieanalyse kreeg zijn moderne start als een spin-off van het Manhattan-project om de eerste atoombom te bouwen. De methode wordt ook vaak genoemd Monte Carlo simulatie naar het grootste gokcentrum ter wereld vroeger (vandaag zou het "Macau-simulatie" zijn).

Een simulatiemodel zet de logica van de opeenvolging van willekeurige gebeurtenissen om in overeenkomstige computercode. Vervolgens gebruikt het door de computer gegenereerde (pseudo-)willekeurige getallen als brandstof om het simulatiemodel aan te drijven. De faaltijd van elk onderdeel wordt bijvoorbeeld gemaakt door te putten uit de specifieke Weibull-faaltijdverdeling. Dan begint de vroegste van die storingstijden met de volgende episode van machinestilstand.

simulatie van de bedrijfstijd van de machine gedurende een jaar in bedrijf

Afbeelding 2: een simulatie van de bedrijfstijd van een machine gedurende een jaar

Figuur 2 toont de resultaten van een simulatie van de uptime van een enkele machine. Machines doorlopen afwisselende periodes van uptime en downtime. In deze simulatie wordt aangenomen dat uptime een exponentiële verdeling heeft met een gemiddelde duur (MTBF = Mean Time Before Failure) van 30 dagen. Downtime heeft een 50:50 verdeling tussen 1 dag als er een reserve beschikbaar is en 30 dagen als dat niet het geval is. In de simulatie weergegeven in figuur 2 werkt de machine gedurende 85% van de dagen in één jaar in bedrijf.

 

Een geschatte formule voor machine-uptime

Hoewel Monte Carlo-simulatie nauwkeurigere resultaten kan opleveren, doet een eenvoudiger algebraïsch model het goed als benadering en maakt het gemakkelijker om te zien hoe de belangrijkste variabelen zich verhouden.

Definieer de volgende sleutelvariabelen:

  • MTBF = Mean Time Before Failure (dagen)
  • Pa = waarschijnlijkheid dat er een reserveonderdeel beschikbaar is wanneer dat nodig is
  • MDTshort = Mean Down Time als er een reserve beschikbaar is wanneer dat nodig is
  • MDTlong = Mean Down Time als er geen reserve beschikbaar is wanneer dat nodig is
  • Uptime = Percentage dagen dat de machine in bedrijf is.

Dan is er een eenvoudige benadering voor de Uptime:

Uptime ≈ 100 x MTBF/(MTBF + MDTkort x Pa + MDTlang x (1-Pa)). (Vergelijking 1)

Vergelijking 1 vertelt ons dat de uptime afhangt van de beschikbaarheid van een reserve. Als er altijd een reserve is (Pa=1), bereikt de uptime een piekwaarde van ongeveer 100 x MTBF/(MTBF + MDTshort). Als er nooit een reserve beschikbaar is (Pa=0), bereikt de uptime de laagste waarde van ongeveer 100 x MTBF/(MTBF + MDTlong). Wanneer de reparatietijd ongeveer net zo lang is als de normale tijd tussen storingen, zakt de uptime naar een onaanvaardbaar niveau in de buurt van 50%. Als er altijd een reserve beschikbaar is, kan de uptime de 100% benaderen.

Het relateren van machinestilstand aan de inventaris van reserveonderdelen

Het minimaliseren van uitvaltijd vereist een meervoudig initiatief met intensieve training van de machinist, gebruik van hoogwaardige grondstoffen, effectief preventief onderhoud en adequate reserveonderdelen. De eerste drie stellen de voorwaarden voor goede resultaten. De laatste gaat over onvoorziene omstandigheden.

Voorraadplanning voor fabrikanten MRO SAAS

Als een machine eenmaal uitvalt, vliegt het geld de deur uit en is er een premie om het snel weer op gang te krijgen. Deze scène kan zich op twee manieren afspelen. De goede heeft een reserveonderdeel klaarliggen, zodat de uitvaltijd tot een minimum kan worden beperkt. De slechte heeft geen reserveonderdelen beschikbaar, dus er is een strijd om de levering van het benodigde onderdeel te bespoedigen. In dit geval moet de fabrikant zowel de kosten van verloren productie als de kosten van versnelde verzending dragen, als dat al een optie is.

Als het voorraadsysteem goed is ontworpen, zal de beschikbaarheid van reserveonderdelen geen grote belemmering vormen voor de inzetbaarheid van de machine. Met het ontwerp van een voorraadsysteem bedoel ik de resultaten van verschillende keuzes: of het tekortbeleid een nabestellingsbeleid of een verliesbeleid is, of de inventarisatiecyclus periodiek of continu is, en welke bestelpunten en bestelhoeveelheden worden vastgesteld.

Wanneer voorraadbeleid voor producten wordt ontworpen, worden ze beoordeeld aan de hand van verschillende criteria. Serviceniveau is het percentage van de bevoorradingsperioden dat verstrijkt zonder dat er sprake is van voorraaduitval. Fill Rate is het percentage bestelde eenheden dat direct uit voorraad wordt geleverd. Het gemiddelde voorraadniveau is het typische aantal beschikbare eenheden.

Geen van deze is precies de maatstaf die nodig is voor de opslag van reserveonderdelen, hoewel ze allemaal gerelateerd zijn. De benodigde maatstaf is Artikelbeschikbaarheid, het percentage dagen waarin er ten minste één reserve klaar is voor gebruik. Hogere serviceniveaus, opvullingspercentages en voorraadniveaus impliceren allemaal een hoge itembeschikbaarheid en er zijn manieren om van de ene naar de andere om te schakelen. (Wanneer meerdere machines dezelfde voorraad reserveonderdelen delen, wordt voorraadbeschikbaarheid vervangen door de waarschijnlijkheidsverdeling van het aantal reserveonderdelen op een bepaalde dag. We laten dat complexere probleem voor een andere dag liggen.)

Het is duidelijk dat het aanhouden van een goede voorraad reserveonderdelen de kosten van machinestilstand vermindert. Natuurlijk zorgt het aanhouden van een goede voorraad reserveonderdelen voor eigen voorraad- en bestelkosten. Dit is het tweede voorraadprobleem van de fabrikant. Zoals bij elke beslissing met betrekking tot inventaris, is het belangrijk om de juiste balans te vinden tussen deze twee concurrerende kostenplaatsen. Zien dit artikel over probabilistische prognoses voor intermitterende vraag voor begeleiding bij het vinden van dat evenwicht.

 

Laat een reactie achter

gerelateerde berichten

Hebben uw statistische prognoses last van het wiggle-effect?

Hebben uw statistische prognoses last van het wiggle-effect?

Wat is het wiggle-effect? Het is wanneer uw statistische prognose de ups en downs die zijn waargenomen in uw vraaggeschiedenis onjuist voorspelt terwijl er echt geen patroon is. Het is belangrijk om ervoor te zorgen dat uw prognoses niet schommelen, tenzij er een echt patroon is. Hier is een transcriptie van een recente klant waar dit probleem werd besproken:

Hoe om te gaan met statistische prognoses van nul

Hoe om te gaan met statistische prognoses van nul

Een statistische voorspelling van nul kan veel verwarring veroorzaken bij voorspellers, vooral wanneer de historische vraag niet nul is. Natuurlijk, het is duidelijk dat de vraag naar beneden neigt, maar moet deze naar nul evolueren?

recente berichten

  • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
    We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
  • Stijl zakengroep in klassieke zakenpakken met verrekijkers en telescopen reproduceren verschillende voorspellingsmethodenHoe voorspellingsresultaten te interpreteren en te manipuleren met verschillende voorspellingsmethoden
    Deze blog legt uit hoe elk voorspellingsmodel werkt met behulp van tijdgrafieken van historische en voorspellingsgegevens. Het schetst hoe te kiezen welk model te gebruiken. De onderstaande voorbeelden tonen dezelfde geschiedenis, in rood, voorspeld met elke methode, in donkergroen, vergeleken met de Slim gekozen winnende methode, in lichtgroen. […]
  • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
  • Wat te doen als een statistische prognose geen steek houdtWat te doen als een statistische prognose geen steek houdt
    Soms slaat een statistische prognose gewoon nergens op. Elke voorspeller is er geweest. Ze kunnen dubbel controleren of de gegevens correct zijn ingevoerd of de modelinstellingen bekijken, maar ze blijven zich afvragen waarom de prognose er zo anders uitziet dan de vraaggeschiedenis. Wanneer de incidentele voorspelling nergens op slaat, kan dit het vertrouwen in het hele statistische prognoseproces aantasten. […]
  • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
    Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]

    Voorraadoptimalisatie voor fabrikanten, distributeurs en MRO

    • Zakenman en zakenvrouw lezen en analyseren van spreadsheetDe top 3 redenen waarom uw spreadsheet niet werkt voor het optimaliseren van bestelpunten voor reserveonderdelen
      We komen vaak op Excel gebaseerde methoden voor het plannen van bestelpunten tegen. In dit bericht hebben we een benadering beschreven die een klant gebruikte voordat hij verder ging met Smart. We beschrijven hoe hun spreadsheet werkte, de statistische benaderingen waarop het zich baseerde, de stappen die planners doorliepen bij elke planningscyclus en hun aangegeven motivaties om deze intern ontwikkelde spreadsheet te gebruiken (en echt leuk te vinden). […]
    • Fabrieksarbeider-ingenieur die in de fabriek werkt met behulp van een tabletcomputer om de waterleiding van de onderhoudsketel in de fabriek te controleren.Waarom wisselcurves voor reserveonderdelen essentieel zijn voor onderdelenplanning
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Portret van fabrieksarbeider vrouw met blauwe veiligheidshelm houdt tablet vast en staat in de werkplaats voor reserveonderdelen. Concept van vertrouwen in het werken met software voor het plannen van reserveonderdelen.Het plannen van reserveonderdelen is niet zo moeilijk als u denkt
      Bij het beheer van serviceonderdelen weet u niet wat er kapot gaat en wanneer, omdat defecten aan onderdelen willekeurig en plotseling zijn. Als gevolg hiervan zijn vraagpatronen meestal extreem intermitterend en missen ze een significante trend- of seizoensstructuur. Het aantal combinaties van onderdelen per locatie loopt vaak in de honderdduizenden, dus het is niet haalbaar om de vraag naar afzonderlijke onderdelen handmatig te beoordelen. Desalniettemin is het veel eenvoudiger om een planning- en prognosesysteem te implementeren ter ondersteuning van de planning van reserveonderdelen dan u misschien denkt. […]
    • Werknemer in een magazijn voor auto-onderdelen met software voor voorraadplanningServicegestuurde planning voor bedrijven met serviceonderdelen
      Planning van serviceonderdelen op basis van serviceniveau is een proces in vier stappen dat verder gaat dan vereenvoudigde prognoses en vuistregels voor veiligheidsvoorraden. Het biedt planners van serviceonderdelen datagestuurde, op risico's afgestemde ondersteuning bij het nemen van beslissingen. […]