Эффективное управление запасами деталей в активоёмких отраслях

Компания ITC Infotech запустила проект по эффективному управлению запасами в сложных активоёмких отраслях. Используя методы имитационного моделирования, машинное обучение и оптимизацию, специалисты продемонстрировали:

  • как добиться эффективного управления запасами запчастей для ремонта или замены вышедших из строя деталей;
  • как оптимизировать их хранение на складе, сохраняя баланс между уровнем обслуживания и затратами.

По истечению срока службы расходных деталей от них избавляются или отправляют на переработку. Практическая ценность таких деталей зависит от того, как долго они использовались до поломки. Этот отрезок времени часто определяется как среднее время безотказной работы (MTBF ― mean time before failure). Для восстанавливаемых деталей, в свою очередь, необходимо также учитывать время ремонта, которое зависит от типа поломки, доступности производственного участка и занятости ремонтного персонала.

С учетом перечисленных факторов жизненный цикл восстанавливаемых запасных частей можно разделить на пять этапов: эксплуатация, поломка, замена, ремонт и наличие на складе.

Typical cycle for repairable spares

Стандартный жизненный цикл восстанавливаемой запчасти

Чтобы понять, как оптимизировать управление запасами восстанавливаемых запчастей, необходимо смоделировать их жизненный цикл и систему, в которой они используются.

Построив модель всей системы, мы можем комплексно оценить ее работу - увидеть, как частота поломки деталей, а также время, требуемое для их замены, ремонта и возврата на склад, влияют на производительность в целом.

С моделью всей системы связана другая модель, позволяющая точно определить частоту поломки детали. Специалисты ITC Infotech создали такую модель, которая также учитывала следующие факторы: срок эксплуатации, тип оборудования, данные о предыдущих поломках, историю техобслуживания и условия эксплуатации.

Predicting the failure rate of an asset

Определение частоты поломки детали

Модель поломки предсказывает частоту поломки деталей, используя основанную на деревьях решений библиотеку машинного обучения на Python (подробнее про использование Python - в вебинаре о модуле Pypeline). Результаты вычислений поступают обратно в имитационную модель, где оптимизатор OptQuest определяет оптимальное количество запасных частей.

Структура системы строится на пяти основных составляющих: текущее состояние системы, исходное состояние системы, прогнозируемая частота поломки (рассчитанная на базе Python), имитационная модель и оптимизация количества запасных частей.

Структурная схема инструмента для оптимизации количества восстанавливаемых запасных частей

Структурная схема инструмента для оптимизации количества восстанавливаемых запасных частей, разработанного ITC Infotech

Моделируя систему таким образом, ITC Infotech может:

  • оптимизировать количество запасных частей, которое необходимо хранить на складе;
  • обеспечить бесперебойную работу оборудования;
  • разработать политику для оптимального соотношения между расходами на хранение и уровнем обслуживания.

Этот инструмент был представлен Сумитом Кумаром на AnyLogic User Conference 2019 в Индии. Запись выступления вы можете найти на нашем Youtube-канале.

Подпишитесь на нашу рассылку, чтобы оставаться в курсе последних новостей AnyLogic. Не упустите также возможность встретиться с другими участниками сообщества AnyLogic ― следите за предстоящими мероприятиями.

Похожие материалы