Egaf 6

Pontificia Universidad Cat
olica de Chile
Facultad de Ingeniera
Centro de Minera
Anales del
DE
VI ENCUENTRO DE GESTION
ACTIVOS FISICOS
EGAF
Campus San Joaqun, 9 de julio de 2009
Editado por
Rodrigo Pascual J.
Indice general
1. Redise
no de un Sistema de Manejo
Negocio
1.1. Introducci
on . . . . . . . . . . . . . .
1.2. Algoritmo A-DDX . . . . . . . . . .
1.3. Modelo Econ
omico . . . . . . . . . .
1.4. Estudio de caso . . . . . . . . . . . .
1.4.1. Resultados y discusion . . . .
1.5. Conclusiones . . . . . . . . . . . . .
de Mineral de Cobre con Criterio de

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. Priorizaci
on desde una Perspectiva de Negocios: El Diagrama de Influencia
para la Eficiencia de Sistema
2.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.2. Metodologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3. Estudios de Caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.3.1. Caso de Estudio 1. Caso Ficticio: Lnea de 4 Maquinas . . . . . . . . . . .
2.3.2. Caso de Estudio 2. Caso Real: Lnea de Ensamblaje de Vehculos . . . . .
2.3.3. Caso de Estudio 3. Caso Real: Lnea Chancado-Molienda en una Faena
Minera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
2
3
4
5
7
8
11
12
13
15
15
17
19
20
3. Productivity Analysis of a Haul-Transport System in an Open Pit Copper

Mine
3.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2. Estudio de Caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.1. Descripci
on del sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.2. Modelo para el proceso de reparacion y mantenimiento . . . . . . . . . . .
3.2.3. An
alisis Estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2.4. Modelo de Simulacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3. Resultados y Discusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.3.1. Validaci
on del Modelo . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
23
24
24
26
26
27
29
30
31
4. Optimizaci
on de Recursos para Contratos M&R de Flotas
neros
4.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.1.1. Antecedentes . . . . . . . . . . . . . . . . . . . . . . .
4.2. Metodologa . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.2.1. Selecci
on de Sistemas mas Crticos . . . . . . . . . . .
33
33
34
35
35
de Camiones Mi.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4.2.2. An
alisis de Modos de Falla . . . . . .
4.2.3. An
alisis de Tiempos Fuera de Servicio
4.2.4. Simulaci
on de la Faena y Calculo de la
4.3. Estudio de Caso . . . . . . . . . . . . . . . .
4.3.1. Resultados y discusion . . . . . . . . .
4.4. Conclusiones . . . . . . . . . . . . . . . . . .
. . . . . . . . .
. . . . . . . . .
Disponibilidad
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
35
35
36
37
41
5. Benchmark de m
etodos para gesti
on de repuestos crticos
5.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.2. Metodo Polin
omico . . . . . . . . . . . . . . . . . . . . . . . .
5.3. METRIC . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4. Estudio de Caso . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.1. Caso 1 . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2. Caso 2 . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.3. Caso 3 . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
43
43
44
44
46
49
50
51
52
6. An
alisis de prioridades en el servicio de reparaci
on en taller de segundo escal
on
6.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.2. Metodologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3. Estudio de Caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.3.1. Resultados y discusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
55
55
56
56
61
64
7. Asignaci
on eficiente de recursos en taller de camiones mineros bajo
a horizonte finito
7.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.2. Estudio de Caso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3. Metodologa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7.3.1. Resultados y discusion . . . . . . . . . . . . . . . . . . . . . . . .
7.3.2. Efecto de adelanto de overhauls en la cola de taller . . . . . . . .
7.3.3. Sobre la cantidad de repuestos. . . . . . . . . . . . . . . . . . . .
7.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8. An
alisis de productividad en sistemas de carguio y
8.1. Introducci
on . . . . . . . . . . . . . . . . . . . . . . .
8.2. Estudio de Caso . . . . . . . . . . . . . . . . . . . .
8.2.1. Modelo analtico . . . . . . . . . . . . . . . .
8.3. Resultados y discusi
on . . . . . . . . . . . . . . . . .
8.4. Conclusiones . . . . . . . . . . . . . . . . . . . . . .
8.5. Agradecimientos . . . . . . . . . . . . . . . . . . . .
contrato
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
68
69
69
72
73
74
77
transporte mineros
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
. . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
80
81
81
81
85
90
91
.
.
.
.
.
.
.
Captulo 1
Redise
no de un Sistema de Manejo
de Mineral de Cobre con Criterio de
Negocio
Rodrigo Madariaga
Departamento de Ingeniera Mecanica, Universidad de Chile
Rodrigo Pascual
Centro de Minera, Universidad Catolica de Chile
Abstract
Este trabajo propone una metodologa para optimizar el dise
no de un sistema de manejo de
material con pilas intermedias. El metodo minimiza el costo global esperado y estima la tasa de
producci
on esperada del sistema. Un modelo economico es desarrollado para cuantificar el beneficio del aumento de producci
on. El estudio de caso considera un sistema de manejo de mineral
de cobre que transporta una distancia de 10 km. Los resultados muestran que la introducci
on
de pilas intermedias aumenta notoriamente la productividad y genera un beneficio significativo
para el negocio. Al considerar 3 pilas intermedias, el criterio economico se
nala que la configuracion optima de stockpiles genera un aumento de productividad de un 19 % equivalente a 4,5
MTon/a
no. A un precio 2.2 USD/lb Cu, los beneficios se estiman en 110 Millones USD/a
no 1 .
1.1.
Introducci
on
La mejora de la eficiencia, la rapidez y la disminucion de costos ha sido uno de los enfoques

del desarrollo de la industria de manufactura. Ya en la decadas de los 80s, Toyota introdujo el
concepto de Lean Manufacturing bajo el nombre de Sistema de Produccion Toyota [1], el que
fue rapidamente adoptado por otras industrias orientales trasmitiendose despues de mas de una
decada al mundo occidental. En EE.UU se le conoce como Lean Manufacturing [2]. El enfoque
considera herramientas y tecnicas para posibilitar mejoras de tiempo de produccion, mejoras en
calidad de producto, eficacia en atencion a los clientes, disminucion de costos de procesos y, por
sobretodo, minimizaci
on de inventarios intermedios [1].
Actualmente los estudios en los sistemas productivos se han diversificado buscando distintos tipos de enfoques como productividad, disponibilidad, confiabilidad, calidad, negocio y
1
Trabajo presentado en MAPLA 2009
VI EGAF, P. Universidad Cat

olica de Chile, Julio 2009
servicios[3]. Una lnea de estudios se ha centrado en estudiar la productividad en sistemas que

consideran m
aquinas que fallan y pilas intermedias [5] [5] [6]. Con respecto a sistemas mineros,
en la literatura [7] se muestra la optimizacion de la tasa de produccion de una sistema de correas
en un mina subterr
anea mediante el dimensionamiento y localizacion de bunkers intermedios.
Este trabajo considera un estudio de stockpiles en una lnea de correas transportadoras
que manejan mineral de cobre. Se presenta una metodologa basada en el metodo A-DDX [6],
un algoritmo iterativo que permite resolver en forma eficiente las ecuaciones que representan
al sistema, y se agrega la variable economica para optimizar el tama
no de las pilas que se
deseen implementar. En la figura 1.1 se muestra un stockpile que es alimentado por una correa
transportadora desde la derecha y es descargado por otra desde la izquierda.
Figura 1.1: Ejemplo de Stockpile Intermedio en un Sistema de Transporte Mineral

El artculo se organiza de la siguiente forma: En primer lugar se muestra una introducci
on
al modelo A-DDX y al modelo economico desarrollado con el fin considerar un criterio de costos
en la decisi
on optima. En la parte central se presenta el estudio de caso minero, donde se eval
ua
dos propuestas de incorporar varios stockpiles. El analisis y los resultados se muestran al final.
1.2.
Algoritmo A-DDX
El algoritmo DDX fue desarrollado por Dallery, David y Xie [5] y fue mejorado por Burman
[6] bajo el nombre de DDX Acelerado (A-DDX). Entre otras aplicaciones Burman utiliz
o este
metodo para optimizar el dise
no de un sistema de produccion automatica de Hewlett Packard
[8]. El algoritmo utiliza un metodo de descomposicion del sistema como se muestra en la figura
1.2. La descomposici
on descompone el sistema completo en subsistemas simples de 2 equipos y
un acopio. El algoritmo utiliza las caractersticas reales de operacion, estos seran los parametros
de entrada Tiempo Medio Entre Falla (TMEF), Tiempo Medio Para Reparar (TMPR) y el
tama
no N de cada stockpile. El algoritmo entrega como resultado la tasa de produccion media
del sistema y la magnitud del Stock Medio Permanente (SMP) de cada stockpile, que se explica
mas abajo.

Figura 1.2: Diagrama de descomposicion de sistema

Stock Medio Permanente
Se tiene que la m
aquina Mu alimenta el stockpile y la maquina Md lo vaca. Considerando
que las m
aquinas tienen la misma tasa de produccion () y que las fallas son aleatorias, el nivel
de acopio del stockpile crece si Md falla y Mu sigue operando, y disminuye si Mu falla y Md
sigue operando. De este modo si se promedia todos los niveles de acopio en un lapso tiempo se
tendra que se mantiene un stock de material promedio. A este material promedio lo llamaremos
Stock Medio Permanente (SMP) y su magnitud sera representado por x
.
1.3.
Modelo Econ
omico
El modelo econ
omico considera dos costos, uno esta asociado al costo de oportunidad de no
producir a la m
axima tasa de produccion posible y el segundo asociado al costo financiero de
retener material en los stockpiles.
En un sistema con stockpiles intermedios, la tasa de produccion se incrementa con el aumento
del tama
no de los stockpiles, sin embargo tiene su lmite en la maquina menos eficiente [9](ver
figura 1.3). Alcanzar este lmite significa utilizar stockpiles de capacidad ilimitada. En el efecto
final se tendr
a stockpiles de capacidad limitada y una tasa de produccion menor a la m
axima.
Producir a una tasa menor que la maxima tiene un costo de oportunidad y esta asociado a la
cantidad de material no producido o en este caso mineral no transportado.

88%
Eficienciaaislada delequipo3:87%
EficienciadeSisteema
86%
84%
82%
80%
78%
76%
74%
0
20
40
60
80
100
120
140
160
180
200
CapacidadTotaldeStockpiles[up]
Equipo1
Stock
Pile
Eficiencia
Aislada
Equipo
91%
Equipo2
Stock
Pile
Eficiencia
Aislada
Equipo
91%
Equipo3
Eficiencia
Aislada
Equipo
87%
Figura 1.3: Sistema 3 equipos y 2 stockpiles: La eficiencia del sistema tiende a la del equipo de
menor eficiencia. La capacidad total de los stockpiles esta en unidades de produccion [up].
Como se explic
o en la secci
on anterior, el nivel del stockpile vara producto de las detenciones
de las m
aquinas. Para el sistema en estado estacionario se tendra un nivel promedio o stock medio
permanente (SMP). Esta cantidad se considera como material inventariado en los stockpiles y
tiene un costo financiero asociado al no transformarse en catodo de cobre y venderse en un
determinado perodo de tiempo.
Lo anterior queda expresado en la siguiente ecuacion para el costo global esperado por unidad
de tiempo [9]:
CG = (max ) p + x
pi
(1.1)
Donde es la tasa de produccion esperada y max es el lmite maximo, x

es el SMP total, p
es el margen unitario por unidad de produccion, i es la tasa de descuento, es la ley del cobre
y es el factor de recuperaci
on del proceso.
Es importante notar que este modelo no considera los costos asociados a la inversion y manejo
de material particulado.
1.4.
Estudio de caso
Para el estudio de caso se ha tomado como referencia un sistema de manejo de mineral

de cobre de una faena minera en el norte de Chile. El sistema esta compuesto por 11 equipos
dispuestos en serie, en su mayora correas transportadoras con una capacidad nominal de 4
[KTon/hr]. Su funci
on es mover mineral de cobre a una distancia aproximadamente de 10 Km.
El sistema actualmente no tiene sotckpiles intermedios y opera a una tasa de produccion media de
2,6 [KTon/hr], que incluye todos los tipos de detencion lo que implica una eficiencia productiva
de 65 %. Los datos de cada uno de los equipos se muestran en la tabla 1.1. Los datos de TMEF

y TMPR siguen una distribuci

on exponencial (ver figuras 1.4 y 1.5), han sido obtenidos a partir
de los historiales de falla y est
an en unidad de hora. El orden en que aparecen los datos de los
equipos es el orden de su disposicion real en el sistema.
TMEF [hr]
TMPR [hr]
M1
2,07
0,27
M2
34,48
0,72
Cuadro 1.1:
M3
M4
12,66 47,62
0,38
0,40
Datos del Sistema.

M5
M6
M7
20,83 55,56 142,86
0,66
1,04
0,97
M8
33,33
1,19
M9
27,03
0,78
M10
19,23
0,75
M11
10,87
1,50
60%
Frecuen
nciaRelatiiva
50%
40%
30%
20%
10%
0%
50
100
150
200
250
300
350
R
Rango[hr]
[h ]
Figura 1.4: Histograma de detenciones del equipo M7.
50%
45%
Frecuen
nciaRelatiiva
40%
35%
30%
25%
20%
15%
10%
5%
0%
0,5
1,5
2,5
R
Rango[hr]
[h ]
Figura 1.5: Histograma de duracion de reparaciones del equipo M7.

La capacidad de cada stockpile se identifica con Ni , que corresponde al stockpile entre la
maquina Mi y la m
aquina Mi+1 . De esta forma, el estudio del impacto que tiene los stockpiles
en el sistema corresponde a observar los resultados variando la magnitud de los Ni . En lo que
sigue de define tanto los casos que se estudian como la validacion del modelo.

Dada la disposici
on de los equipos en terreno, los lugares factibles para colocar stockpiles
son: Entre la m
aquina M6 y la M7 ; entre la M7 y la M8 ; y entre la M5 y la M6 . De este modo,
se estudiar
an los casos de incorporar 2 y 3 stockpiles en los lugares mencionados considerando
la variaci
on de los Ni en un rango que va desde 0 hasta 40 KTon. En las figuras 1.6 y 1.7 se
muestra la disposici
on de estos stockpiles.
Figura 1.6: Caso I: 2 stockpiles intermedios.
Figura 1.7: Caso II: 3 stockpiles intermedios.
1.4.1.
Resultados y discusi
on
Evaluando los casos en estudio de 2 y 3 stockpiles intermedios y variando el tama

no de estos
(Ni ), se tiene los siguientes resultados para la Tasa de Produccion Media y el Costo Global (CG ).
El caso sin stockpile entreg
o una tasa de produccion de 2,69 [KTon/hr] muy similar a la tasa de
producci
on media del sistema real 2,6 [KTon/hr].
Los resultados para la Tasa de Produccion Media y Costo Global se muestran en la figura
1.8.
3,3
5000
4500
3,2
3500
3000
3,0
2500
2,9
2000
1500
2,8
CostoG
Global[kUSD//ao]
TasadePrroduccin[kkTon/hr]
4000
3,1
1000
2,7
500
2,6
0
0
10
20
30
40
50
60
70
80
CapacidaddeAcopioTotal[KTon]
CasoI TasadeProduccin
CasoII TasadeProducin
SituacinActual
CasoI CostoGlobal
CasoII CostoGlobal
MinimoCostoGlobal
Figura 1.8: Tasa de Producci

on Media y Costo Global Vs Capacidad de Acopio Total
Considerando el
optimo para el caso de 3 stockpiles, en la figura 1.9 se muestra la variaci
on
del margen de ahorro en funci
on de la variacion del precio de la libra de cobre. El margen de

ahorro es visto respecto a la situacion actual del sistema, es decir, sin stockpiles intermedios.
200
AumentodelMarge
en[MillonesU
USD/ao]
180
160
140
120
100
80
60
40
1,4
1,6
1,8
2,2
2,4
2,6
2,8
3,2
PreciodelCobre[USD/lbCu]
Figura 1.9: Margen de ahorro respecto a la situacion actual Vs el precio del cobre.
Se tiene que para los dos casos la tasa de produccion media aumenta en funcion del aumento
de la capacidad de los acopios. Este aumento tiende al lmite 3,2 [KTon/hr]. La convergencia es
mas rapida con el aumento de la cantidad de stockpiles.
En los dos casos se tiene que el costo global disminuye a medida que aumenta el tama
no de
los acopios hasta un mnimo. Luego su pendiente es positiva y aumenta paulatinamente.
Bajo la situaci
on actual, sin stockpiles intermedios, el modelo economico se
nala que el costo
global asociado es de 110 [Millones USD/a
no].
En el caso de 2 stockpiles el mnimo se alcanza para una capacidad de 28 [KTon] en cada
stockpile con un ahorro de 100 [Millones USD/a
no] en relacion a la situacion actual. En el caso
de 3 stockpiles se tiene que el mnimo se alcanza para una capacidad 15 [KTon] en cada stockpile
con un ahorro de 110 [Millones USD/a
no] en relacion a la situacion actual.
En la figura 1.9 se mostr
o la variacion del optimo para el caso de 3 stockpiles respecto al
precio de la libra de cobre, la dependencia es lineal y para un incremento de 0,01 [USD/lb Cu]
se tiene una variaci
on de 0,95 [Millones USD/a
no] en el margen.
1.5.
Conclusiones
Este trabajo demuestra la importancia del estudio de acopios en sistemas mineros y muestra
el beneficio de modelos cuantitativos de gestion para la optimizacion de resultados. Adem
as
resalta la importancia de considerar las variables que caracterizan las fallas y reparaciones de
los equipos que son las que definen el comportamiento de los acopios y su variacion econ
omica
en funci
on del tama
no de estos.
Un estudio de caso en una minera chilena permitio estimar el ahorro desde la situaci
on
actual, muestra la decisi
on
optima de introducir stockpiles en el sistema, y ademas muestra la
decision
optima de cuantos y de que tama
no utilizar.

Una contribuci
on a este an
alisis podra considerar los costos de inversion y manejo de material particulado, que en nuestro caso fue despreciado. En minera subterranea implicara la
construcci
on de un bunker, lo que puede ser un costo considerable.
Otra contribuci
on a este an
alisis podra considerar descomponer los costos de producci
on
(Cp ) y considerar los costos de intervencion por falla de los equipos, justificado por la posible
dependencia de los TMEF con la variacion de la tasa de produccion. Por otro lado, en muchas
faenas se tiene un stockpile intermedio para amortiguar la produccion de mina respecto a las
plantas de chancado y molienda. Coordinar la produccion es un problema latente. Una extensi
on
de este trabajo podra proporcionar una herramienta que facilite la decision en este tipo de
situaciones.
Bibliografa
[1] K. Mishina, K Takeda. 1993. Toyota Motors Manufacturing. Harvard Business School.
[2] Estrategia SixSigma. 2006. Lean Manufacturing.Art. feb. 22. www.sixsigma.cl. Consultado
el 7 de Agosto de 2009.
[3] H. Lee, C. Billington. 1982. Managing Supply Chain Inventory: Pitfall and Opportunities
Spring 1992. Vol 33. Number 3. Sloan Management Review Reprint Series.
[4] R. Dallery, Y. David and X. Xie. 1988. An efficient algorithm for analysis of transfer lines
with unreliable machines and finite buffers. IIE Transactions, 20:280-283.
[5] S. Gershwin. 1994. Manufacturing System Engineering. Massachusetts Institute of Technology.
[6] M. Burman. 1995. New Results in Flow Line Analysis,Phd. Massachusetts Institute of
Technology.
[7] S. Baral, C. Daganzo, M. Hood. 1987. Optimum Bunker Size and Location in Underground
Coal Mine Conveyor System Vol 5. pp. 391-404. International Journal of Mining and
Geological Engineering.
[8] M. Burman, S. Gershwin y C. Suyematsu. 1999. Hewllet-Packard Uses Operations Research to Improve the Design of the Printer Production Line. INTERFACES 28. 1 JanuaryFebruary pp. 24-36.
[9] R. Pascual. 2009. Apuntes de curso: El Arte de Mantener. Centro de Minera, Pontificia
Universidad Cat
olica.
10
Captulo 2
Priorizaci
on desde una Perspectiva
de Negocios: El Diagrama de
Influencia para la Eficiencia de
Sistema
David Godoy Ramos & Rodrigo Pascual
Centro de Minera, P. Universidad Catolica de Chile
Resumen
En un ambiente de escasez de recursos, la priorizacion es clave para enfrentar los desafos
en la administraci
on de activos mineros. En este contexto, existen tecnicas tradicionales para
priorizar equipos, a las que se han sumado herramientas que incorporan una vision econ
omica.
Sin embargo, la presencia de elementos mitigadores de riesgo -por ejemplo, las pilas- a
un no
ha sido investigada. Este trabajo propone una tecnica grafica de facil interpretacion para solucionar esta dificultad, llamada Diagrama de Influencia para la Eficiencia de Sistema (SEID,
System Efficiency Influence Diagram). El artculo presenta el modelo que describe al SEID e
ilustra su uso en tres casos de estudio: una lnea de produccion de cuatro maquinas, una lnea de
ensamblaje de vehculos, y una lnea de chancado-molienda en una faena minera. Los resultados
indican que los equipos con mayor indisponibilidad inherente no son necesariamente los m
as
importantes para la eficiencia de la lnea de produccion. La priorizacion seg
un un simple criterio
de inversi
on es cuestionable, puesto que un equipo de bajo costo puede ser el determinante para
la tasa de producci
on efectiva (throughput) y, por tanto, el mas crtico a priorizar si se piensa en
la eficiencia y en el negocio. Se revela as, la necesidad de pasar desde una vision de gesti
on de
mantenimiento centrada en equipos y sus disponibilidades, a una perspectiva global de gesti
on
1
de activos mineros .
Abstract
In an environment of scarce resources, prioritizing is key to confront the management challenges of mining assets. In this context, there exist techniques to prioritize equipments, which
1
Trabajo presentado en Conferencia MAPLA 2009
11

12
have added tools to incorporate an economic vision. However, the presence of risk mitigating
elements -such as stockpiles- has not yet been investigated. This work proposes a user-friendly
graphical technique to solve this problem, called System Efficiency Influence Diagram (SEID).
The paper presents a model that describes the SEID and illustrates its use in three study cases:
a four-machine transfer line, a vehicle assembly line, and a crushing-milling line in a mining
operation. The results show that equipments with greater inherent downtime are not necessarily
the most important for the efficiency of the transfer line. Prioritization using capital costs is criticizable, as low cost equipment may be the determinant for the throughput, and thus the most
critical to prioritize if the efficiency and the business are considered. The work reveals the need
to move from a maintenance management vision focused on equipments and their availabilities,
to a global perspective of mining asset management.
2.1.
Introducci
on
Para hacer frente a los crecientes desafos de la actual realidad industrial, las organizaciones
mineras necesitan mejorar continuamente su capacidad para agregar valor y mejorar la relacion costo-eficiencia de sus procesos de decision. Estos procesos incluyen la seleccion de aquellos
sistemas y acciones que pueden provocar ahorros totales mayores, con las consecuentes resoluciones sobre polticas de mantenimiento. Por supuesto, el establecimiento de tales polticas
requiere la disponibilidad de recursos. Como estos recursos son usualmente escasos, un proceso
de priorizaci
on debe ser establecido [1].
Tradicionalmente, el an
alisis de Pareto ha sido utilizado para seleccionar los componentes y
modos de falla m
as crticos de un sistema. Un claro problema de esta practica es que emplea
un criterio individual de priorizacion, es decir, no es posible evaluar si la causa de detenci
on
se debe a una alta frecuencia o a un largo tiempo fuera de servicio. Para contribuir a superar
este problema, Labib [2] sugiere la tecnica Decision Making Grid (DMG). El DMG usa una
matriz que comprende frecuencia y tiempo de detencion, de modo de ayudar en el monitoreo
de equipos y sugerir acciones oportunas. Otra tecnica similar es propuesta por Knights [3] a
traves del Diagrama Jack Knife (DJK), un grafico de dispersion logartmica que contempla tres
indicadores de rendimiento en forma simultanea: frecuencia, tiempo fuera de servicio, e indisponibilidad. Sin embargo, esta tecnica solo considera informacion basada sobre tiempo y no incluye
explcitamente los efectos econ
omicos, los cuales ciertamente afectan a la toma de decisiones de
priorizaci
on. Con el fin de superar esta limitacion, Pascual et al. [1] proponen los Diagramas de
Dispersi
on de Costos (CSD, Cost Scatter Diagrams) que incorporan la dimension econ
omica.
Esta tecnica explora oportunidades de mejora al analisis Pareto y al DJK, usando indicadores
de desempe
no orientados al negocio, tales como: costos globales, costos de intervencion, disponibilidad, frecuencia, y tiempo fuera de servicio. Sin embargo, cabe mencionar que ninguna de las
herramientas previamente mencionadas toma en cuenta que en los sistemas mineros -y tambien
de otros tipos- existen elementos que mitigan el impacto ante la ocurrencia de eventos imprevistos (por ejemplo, fallas), e incluso previstos (paradas programadas). Entre estos elementos
se pueden nombrar: pilas de stock, equipos redundantes, disponibilidad de repuestos in situ, o
seguros a todo riesgo.
En el contexto de la priorizaci
on, existe una diferencia relevante entre la gestion de mantenimiento y la gesti
on de activos. Seg
un el standard britanico PAS-55 [4], la gestion de activos se
define como: las pr
acticas y actividades, sistem
aticas y coordinadas, a traves de las cuales una
organizaci
on maneja en forma
optima sus activos, como as tambien, los rendimientos, riesgos, y
gastos asociados sobre su ciclo de vida, con el prop
osito de alcanzar su plan estrategico organiza-

13
cional. En la gesti
on de mantenimiento, un indicador de desempe
no habitual es la disponibilidad
(fraccion del tiempo en que el equipo o sistema esta en condiciones de ser operado). En este
sentido, aunque es saludable que al mantenedor le interese mejorar la disponibilidad del equipo
que tiene a cargo, si la empresa s
olo se concentra en elevar este ndice y no se considera el aporte
del equipo a la eficiencia productiva, puede corresponder a una vision sesgada del negocio. En la
gestion de activos fsicos no es tan importante optimizar ndices por separado, sino mas bien, una
perspectiva global que considere las implicancias que tienen las polticas de mantenimiento en
la organizaci
on. Entonces, un indicador de desempe
no clave para los administradores de activos
puede ser la eficiencia de producci
on del sistema completo. Este u
ltimo indicador es el propuesto
para priorizar en el presente trabajo.
Existen algoritmos para estimar la eficiencia del sistema, tal como el DDX (propuesto por
Dallery, David, y Xie [5]), el cual presenta un metodo aproximado para el analisis de lneas
de transferencia con m
aquinas poco confiables y acumuladores finitos. DDX considera lneas
homogeneas (m
aquinas con la misma tasa de produccion) y lneas no homogeneas o desbalanceadas (distintas tasas de produccion). Para el primer caso, el comportamiento de la lnea es
aproximado por un modelo de flujo continuo, empleando una tecnica que permite descomponer
la lnea original, en el an
alisis de una lnea de dos equipos. Esto conduce a un algoritmo simple
y rapido que provee par
ametros de rendimiento, tales como la tasa de produccion y los niveles
promedios de los acumuladores. Resultados experimentales muestran que la aproximaci
on de
esta tecnica es muy precisa. Para el segundo caso, una simple transformacion es introducida, la
que sustituye a la lnea original por una lnea homogenea.
Este trabajo propone el diagrama de priorizacion SEID (System Efficiency Influence Diagram). De modo de superar las limitaciones del criterio individual para ordenar equipos, el
indicador de desempe
no de esta tecnica es la eficiencia del sistema, es decir, con un enfoque en
el negocio. Con el fin de ejemplificar su utilidad, el SEID se utilizo para tres casos de estudio. En
estos, la estimaci
on de la eficiencia se realizo empleando como base el DDX, para luego determinar los que hemos denominado como factores de influencia. Para esto u
ltimo, se perturb
o el
sistema original -dado por el conjunto inicial de parametros de los casos-, y se uso el nuevo
modelo SEID.
Una vez introducida la importancia del nuevo modelo propuesto en el contexto de la priorizacion, el resto del artculo est
a organizado de la siguiente forma: La segunda seccion indica la
formulaci
on del modelo para los SEID. La tercera seccion muestra tres casos de estudio, el caso
teorico de una lnea de producci
on de cuatro equipos, el caso de una lnea real de ensamblaje de
vehculos, y el caso real de una lnea de chancado-molienda en una faena minera. Finalmente, la
cuarta secci
on revela las conclusiones del trabajo.
2.2.
Metodologa
Considere una lnea con k m

aquinas en serie. Los tiempos de procesamiento de todas ellas
son iguales. La primera m
aquina nunca esta sin materia prima (no tiene hambruna) y la u
ltima
nunca est
a bloqueada. La tasa de falla es i y la tasa de reparacion es i , i = 1, ..., k. Seg
un
Buzacott and Hanifin [6], la eficiencia de un sistema sin pilas (0 ) esta dada por:
0 =
1+
1
Pk
i=1 Di
(2.1)
Donde es la eficiencia del sistema (unidades producidas/unidades producibles si no hay

detenciones), y Di es la indisponibilidad inherente a la maquina k. Esta indisponibilidad -que

14
tendra si la m
aquina trabajase en solitario-, se define como:
i
Di =
i
(2.2)
Por otro lado, la eficiencia para un sistema con pilas infinitas ( ) sera:
= mn{}
(2.3)
Luego, se deduce que la eficiencia debe estar entre ambos lmites (sin pilas y pilas infinitas),
es decir:
0
(2.4)
Sin embargo, la existencia de acumuladores -y sus parametros asociados, como por ejemplo,
las capacidades de operaci
on- cambian la eficiencia del sistema. Para poder calcular esta nueva
eficiencia, proponemos usar como base un sistema equivalente sin acumuladores, similar a lo
mostrado en la Ecuaci
on 2.1, pero agregando un parametro de influencia por la presencia de
dichos equipos.
Esto depende de la configuracion inicial, vale decir: tasas de falla, tasas de reparaci
on, y
capacidades. Entonces, se puede establecer el modelo propuesto por Pascual [7]. Sea d0 el vector
que define los par
ametros de los equipos y las capacidades de los acumuladores actuales en un
sistema que ya est
a operando, es decir:
d0 = {1 , 1 , c1 , ..., ck1 , k , k }
(2.5)
Se puede aproximar la eficiencia en torno a (d0 ) con:

1
(d0 ) =
Pk
1 + i=1 i (d0 )Di
(2.6)
Donde =(d0 ) puede ser interpretado como el vector de influencia de la maquina k en la

eficiencia del sistema (en los alrededores de d0 ). Una forma de calcular el vector es perturbar
el sistema original, teniendo en cuenta que las indisponibilidades inherentes a cada equipo son
calculadas desde el vector d0 , y que la eficiencia es posible de estimar explotando alg
un modelo
analtico del tipo DDX.
Mientras m
as grande sea el producto D, mayor es su efecto reductor en la eficiencia del
sistema. Esto permite definir un diagrama de dispersion, donde en un eje esta la indisponibilidad
teorica individual de cada equipo, y en el otro eje su influencia en la eficiencia. Este diagrama
es el SEID. La Figura 2.1 muestra un ejemplo de esta herramienta para tres maquinas. Para un
mayor detalle, el lector puede referirse a Pascual [7].
100%
III
Machine 1
Machine 3
Indisponibilidad (D)
50%
IV
Machine 2
II
5%
10%
100%
Factor de Influencia ()
Figura 2.1: Ejemplo de Diagrama SEID

15
En un gr
afico de este tipo, las isocurvas D conforman una familia de hiperbolas, difciles de
trazar. Si se aplica una escala logartmica a los ejes, dichas isocurvas se visualizan como rectas,
facilitando as el an
alisis [8]. De acuerdo al mayor producto observado D (es decir, seg
un la
isocurva m
as alejada del origen), el orden de priorizacion para las maquinas mostradas en la
Figura 2.1 debiese ser: 1, 2, y 3. Se puede notar que la maquina 3 tiene una mayor indisponibilidad
que la m
aquina 2, pero en esta u
ltima, el valor D es superior. Luego, desde el punto de vista
de la eficiencia del sistema, la m
aquina 2 se prioriza antes que la maquina 3.
La Figura 2.1 se dividi
o en cuatro cuadrantes. En el cuadrante I se encuentran las maquinas
con un mayor factor de influencia, y en el III se posicionan aquellas que presentan una mayor
indisponibilidad. Sin embargo, el cuadrante IV es el mas crtico para priorizar seg
un la eficiencia
del sistema, puesto que concentra todos los equipos que poseen tanto indisponibilidad alta como
un factor de influencia grande. En este cuadrante se ubican las isocurvas D de mayor valor. De
este mismo modo, en el cuadrante II se encuentran las isocurvas D que se pueden considerar
como menos crticas para la eficiencia.
2.3.
Estudios de Caso
A continuaci
on, se ilustran tres casos de estudio para demostrar los beneficios del uso del
SEID. El primer estudio, es un caso ficticio de una lnea de produccion de cuatro maquinas
usando los datos de un ejemplo otorgado por Dallery et al. [5], el cual permite ilustrar las
importantes diferencias de an
alisis que se obtienen en comparacion con el DJK. Para demostrar
una experiencia pr
actica de la aplicacion del SEID, el segundo estudio corresponde al caso de
una lnea real de ensamblaje de vehculos, descrito por Tempelmeier [9]. Finalmente, el tercer
estudio se basa sobre un caso real expuesto por Madariaga y Pascual [10], que muestra una lnea
de chancado-molienda en una faena minera.
2.3.1.
Caso de Estudio 1. Caso Ficticio: Lnea de 4 M

aquinas
La Tabla 2.1 es tomada desde Dallery et al. [5], y lista los parametros de una lnea de
producci
on con acumuladores intermedios, para un caso ficticio. Se trata de una lnea homogenea,
es decir, con una tasa de producci
on (p ) u
nica. En este caso: p = 1.
Maquina
1
2
3
4
Tasa de Falla (1/ut)

0.04
0.02
0.03
0.02
Tasa de Reparacion (1/ut)

0.08
0.04
0.06
0.04
Capacidad del Acumulador (up)

20
0
20
-
Cuadro 2.1: Parametros del Caso de Estudio 1

Observaciones:
La sigla ut significa unidades de tiempo.
La sigla up significa unidades de producci
on.
De la Ecuaci
on 2.2, se observa que la indisponibilidad Di para cada maquina puede calcularse
como la raz
on entre la tasa de falla y la tasa de reparacion. El DJK para este caso, muestra que
la indisponibilidad es identica para las cuatro maquinas (Figura 2.2), es decir, todos los equipos

16
estan en la misma isocurva de indisponibilidad (D=50 %). Entonces, por medio de este an
alisis
no es posible obtener un criterio de priorizacion.
Tiempo Fuera de Servicio (h)
100
2
4
3
1
10
0,01
0,1
Tasa de Falla (1/h)
Figura 2.2: DJK usando el Caso de Estudio 1

Para efectos del presente artculo, no es el objeto priorizar en funcion del equipo, sino que
en funci
on de la eficiencia del sistema completo. El analisis SEID muestra resultados diferentes
que apoyan el uso de esta premisa. Al calcular los parametros de influencia , se observa que la
maquina 2 muestra el mayor factor (Figura 2.3).
El equipo con mayor indisponibilidad inherente no es el mas importante para la eficiencia,
aunque tampoco es lo m
as relevante que el asociado sea grande. En el interes por el negocio,
lo que realmente interesa es que el producto del factor de influencia por la indisponibilidad sea
alto. Entonces, si al mantenedor le interesa mejorar la eficiencia del sistema, es recomendable
comenzar la priorizaci
on de acuerdo al mayor producto D.
100%
50%
20%
30%
37%
3 2
66% 78% 83%
100%
Figura 2.3: SEID para el Caso de Estudio 1

A diferencia del an
alisis DJK, el analisis SEID muestra que la maquina 2 es la mas crtica.
As el orden de prioridades es: 2, 3, 4, y 1. Lo interesante de este resultado, es que se obtuvo un
criterio objetivo de priorizaci
on, a pesar de que las indisponibilidades de los cuatro equipos son

17
iguales.
2.3.2.
Caso de Estudio 2. Caso Real: Lnea de Ensamblaje de Vehculos
En la Tabla 2.2 se indica una version adaptada de un caso descrito por Tempelmeier [9], y lista
los parametros de una lnea real de produccion de 19 maquinas con acumuladores intermedios.
A diferencia del caso previo, no se trata de una lnea homogenea, es decir, la tasa de producci
on
no es u
nica.
Maquina
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
Tasa de Falla (1/min)

0.000459
0.000498
0.000296
0.000252
0.000346
0.000841
0.000194
0.000884
0.000794
0.000122
0.000084
0.000130
0.000515
0.000311
0.000675
0.000232
0.000412
0.000147
0.000621
Tasa de Reparacion (1/min)

0.020
0.024
0.018
0.036
0.021
0.036
0.015
0.029
0.023
0.030
0.028
0.032
0.017
0.026
0.026
0.021
0.021
0.018
0.023
Capacidad del Acumulador (kton)

14
9
9
16
28
23
27
8
12
28
6
9
12
8
24
29
10
13
-

El an
alisis DJK (Figura 2.4) indica que las maquinas mas crticas para la priorizaci
on son
las 5, 9, y 13. En contraste con el estudio mostrado en el tem anterior, al ser un caso real, las
indisponibilidades individuales son distintas. Sin embargo, nuevamente DJK solo muestra un
criterio individual de prioridad, sin considerar la eficiencia del sistema.

Tiempo Fuera de Servicio (min)
10
18
7
18
13
3
1
16
17 19 9
2
14
15
12
4
11
8
10
10 -4
10
-3
10
Tasa de Falla (1/min)
10
-2
Figura 2.4: DJK usando el Caso de Estudio 2

Usando el metodo SEID se puede dise
nar el grafico en tres dimensiones (3D) que muestra la
Figura 2.5. En el plano horizontal se observan los ejes que permiten construir un grafico similar
al DJK (tiempo fuera de servicio y tasa de falla), pero adicionalmente se muestran los factores
de influencia sistemica en el eje vertical. En este contexto, DJK puede ser considerado un caso
especial de SEID.
79%
Factor de Influencia
()
32%
100
7
18
5
3 13
9
16 14
1
12 17 4 2
15 6
11 10
19
8
0,01
0,001
10
0,0001
Figura 2.5: SEID 3D que muestra en el eje vertical los factores de influencia del Caso de Estudio
2
En forma an
aloga al caso anterior, se observan maquinas con mayores asociados (en este
caso, las m
aquinas: 7, 18, y 3), pero como el interes radica en la eficiencia sistemica, la Figura 2.6
muestra el SEID con el producto D.

19
10%
19
1%
8
15
1 2 6
17
13
3
14
7
16
18
4
12 10
11
0,1%
10%
100%

Comparado con la Figura 2.5, si bien las maquinas 5, 9, y 13 siguen siendo las mas crticas
para la eficiencia del sistema, existen maquinas que se encontraban en los primeros lugares de
priorizaci
on seg
un el an
alisis DJK, pero desde el punto de vista de la eficiencia ocupan posiciones
rezagadas. Un ejemplo abrupto de esta brecha es la posicion de prioridad para la maquina 19,
y, en menor medida, para la m
aquina 17. Este tipo de situaciones podra conducir a decisiones
equivocadas en polticas de mantenimiento.
Independiente de la existencia de algunas coincidencias de criticidad de priorizacion para el
caso analizado entre el DJK y el SEID, la principal diferencia radica en que el SEID otorga un
enfoque para priorizar completamente distinto al DJK, donde la mirada ya no se centra en una
perspectiva individual, sino que mas bien en una vision sistemica. Especficamente, el diagrama
de la Figura 2.6 muestra la utilidad del SEID para establecer el orden de priorizacion para una
poltica de mantenimiento centrada en la eficiencia del sistema completo.
2.3.3.
Caso de Estudio 3. Caso Real: Lnea Chancado-Molienda en una Faena

Minera
En la Tabla 2.3 se muestran los parametros de una lnea real de chancado-molienda, con un
stock-pile intermedio, correspondiente a una faena minera. Se trata de una version adaptada de
un caso desarrollado por Madariaga y Pascual [10].
Maquina
Chancador
Molino
Tasa de Falla (1/h)

0.047
0.091
Tasa de Reparacion (1/h)

0.470
0.520
Capacidad Stock-Pile (kton)

2.78
-

El mismo procedimiento empleado en los casos anteriores, permite dise
nar el SEID (Figura 2.7).

20
100%
Molino
10%
1%
10%
Chancador
53%
89%
100%

Al comparar la isocurva D=5 % del chancador con la isocurva D=16 % del molino, se observa que esta u
ltima es mayor, confirmando la importancia del molino para la priorizaci
on. Si
bien podra ser esperable, considerando el alto de esta maquina en contraste con el chancador
(ver eje horizontal en la Figura 2.7), la combinacion del factor de influencia con la indisponibilidad sigue siendo la clave para la seleccion de importancia seg
un la eficiencia total. Es decir, si
la indisponibilidad D del chancador hubiese sido lo suficientemente alta para que el producto
D fuese m
as grande que el del molino, una apresurada conclusion que solo considere estara
equivocada.
El an
alisis de esta lnea chancado-molienda, ratifica la viabilidad de aplicar la tecnica SEID
en casos totalmente reales. En sntesis, la herramienta grafica propuesta posee la capacidad para
ser utilizada efectivamente en problematicas de priorizacion, tanto en sistemas mineros como en
cualquier sistema de producci
on en lnea con acumuladores intermedios.
2.4.
Conclusiones
El trabajo propone una nueva tecnica grafica de toma de decisiones para priorizar equipos
seg
un su efecto en la eficiencia del sistema. Este enfoque es posiblemente el de mayor interes para
el negocio. El an
alisis SEID permite mejorar el razonamiento de priorizar solo seg
un el criterio de
mayor costo de capital, debido a que la existencia de acumuladores hace posible que un equipo
de inversi
on relativamente baja sea el que mayormente este afectando a la tasa de producci
on.
Por otro lado, las m
aquinas con mayor indisponibilidad inherente no son necesariamente las m
as
relevantes para la eficiencia. Por tanto, si el foco es el negocio, los equipos con el mayor producto
entre el factor de influencia y la indisponibilidad (mayor efecto en la eficiencia) debieran ser los
primeros en priorizar.
La tecnica propuesta fortalece el analisis para explorar oportunidades de mejora y decidir
polticas eficientes de mantenimiento, con una interfaz facil de implementar. As SEID contribuye a la evoluci
on desde la gestion de mantenimiento solo centrada en equipos, a una nueva
perspectiva de gesti
on de activos fsicos. Es decir, una vision global que involucra a la eficiencia
como el indicador de desempe
no de interes para la empresa minera.
En la perspectiva de trabajos futuros, se podra incorporar el problema de redise
nar las pilas
a la tecnica SEID. En este caso, tambien es posible construir un diagrama de dispersion con un

21
eje para los factores de influencia, uno para la disponibilidad inherente, y uno para la capacidad
normalizada de las pilas. Otra posibilidad de extension, es incluir el desbalance de las lneas
para lograr incrementar la tasa de produccion esperada.
Bibliografa
[1] Pascual, R., Del Castillo, G., Louit, D. and Knights, P. (2009). Business-oriented prioritization: A novel graphical technique. Reliability Engineering and System Safety, 94:1308-1313.
[2] Labib, A.W. (1998). World-class maintenance using a computerised maintenance management system. Journal of Quality in Maintenance Engineering, 4(1), 66-75.
[3] Knights, P. (2004). Downtime priorities, Jack-knife diagrams, and the business cycle. Maintenance Journal, 17(2):14-21. Melbourne, Australia.
[4] British Standards Institution (2004). PAS 55-1, Publicly Available Specification for Asset
Management.
[5] Dallery, Y., David, R., Xie, X.L. (1989). Approximate Analysis of Transfer Lines with
Unreliable Machines and Finite Buffers. IEEE Transactions on Automatic Control, 34(9),
943-953.
[6] Buzacott, J.A. and Hanifin L.E. (1978). Models of automatic transfer lines with inventory
banks: A review and comparison. AIIE Trans., vol.10, no. 2, pp. 197-207.
[7] Pascual, R. (2009). El Arte de Mantener. Course Notes, Pontificia Universidad Catolica de
Chile.
[8] Louit, D. (2008). Riesgo en Decisiones de Mantenimiento. Curso Gestion de Equipos, Pontificia Universidad Cat
olica de Chile.
[9] Tempelmeier, H. (2003). Practical considerations in the optimization of flow production
systems. International Journal of Production Research, 41(1), 149-170.
[10] Madariaga, R. and Pascual, R. (2008). Optimizaci
on del Rendimiento de Producci
on usando Simulaci
on: Estudio de Caso en un Sistema Integrado de Minera. Proceedings de V
Encuentro de Gesti
on de Activos Fsicos, EGAF, paper 8. Santiago, Chile.
22
Captulo 3
Productivity Analysis of a
Haul-Transport System in an Open
Pit Copper Mine
Javier Rebolledo, Sebastian Silva, Walter Tejada
Dpto. Ing. Mecanica, Universidad de Chile
Rodrigo Pascual
Abstract
This paper describes the model used to estimate the expected system throughput for different
design configurations of a mining haul-transport system. The case study takes place in an open
pit copper mine in Chile. A simulation and sensitivity analyses are developed to estimate the
effect of truck availability gains. Results suggest that increasing truck availability from 82 to
87 % would only imply a 2 % system throughput increase1 .
3.1.
Introducci
on
Chile se caracteriza por ser un pas minero donde el principal recurso de explotacion es el
cobre. Dentro del proceso de produccion de una mina a rajo abierto, los sistemas de carga y
transporte juegan un papel primordial para cumplir con el programa de produccion estipulado.
En consecuencia, es clave optimizar su tasa de produccion esperada (throughput) al variar los
recursos m
as escasos.
Una forma de estimar la tasa de produccion es usar un metodo analtico como el analisis de
valor medio [4]. Este metodo permite el estudio de sistemas cerrados cclicos en los cuales existen
demoras asociadas a diversos procesos. Dado ciertos parametros, el metodo permite encontrar
los cuellos de botella existentes, los tiempos que demora el ciclo completo y con estos, la tasa
de producci
on. Las principales desventajas que presenta, son que al ser un modelo analtico, se
deben realizar simplificaciones considerables al sistema y solamente arroja resultados de estado
estacionario.
1
Trabajo presentado en Conferencia MANTEMIN 2009
23

24
Una alternativa muy u

til a este metodo es la simulacion computacional, que ha sido utilizada
en diversos estudios, algunos como: Impacto de los costos de produccion en la minera [5] y planificacion de la mantenci
on preventiva [6], [7]. La simulacion computacional es una herramienta
muy u
til a la hora de estudiar un proceso productivo como el que existe en una mina, ya que
permite realizar un estudio en base a parametros reales y para un periodo de tiempo determinado. La implementaci
on del modelo conceptual constituye uno de los pasos mas importantes
dentro del an
alisis, ya que las caractersticas principales del sistema deben verse reflejadas en el
modelo [1]. As, la simulaci
on aparece como una primera seleccion natural.
A continuaci
on se analizan los datos obtenidos, los modelos de simulacion y se discuten los
resultados obtenidos por la simulacion. Finalmente se entregan conclusiones en relacion a la
simulaci
on y su potente aporte a la toma de decisiones en procesos productivos.
3.2.
3.2.1.
Estudio de Caso
Descripci
on del sistema
El sistema en estudio est

a compuesto por 2 subsistemas principales; transporte y carguo.
Luego de que el mineral es extrado, las palas y los cargadores frontales se encargan de abastecer
a los camiones para que estos realicen el transporte a donde corresponda. El Cuadro 3.1 muestra
las caractersticas principales de cada subsistema que opera en la faena.
No de equipos
Disponibilidad
Carga efectiva ponderada
Tasa de carga promedio
Transporte
Flota de camiones
49
82 %
290 [t]
-
Carguo
Palas
5
85 %
100,5 [t]
5,4 [min/camionada]
Carguo
Cargadores frontales
3
85 %
47,7 [t]
8,8 [min/camionada]
Cuadro 3.1: Caractersticas del sistema de transporte y carguo.

La distribuci
on de las palas y cargadores en la faena quedan determinados seg
un el tipo de
ruta a seguir. Dentro del sistema carguo-transporte es posible distinguir 2 rutas posibles. En
el Cuadro 3.2 y en la Figura 4.1 se pueden apreciar las caractersticas y esquemas de las rutas
mencionadas.
Velocidad promedio de transporte [km/h]
Probabilidad de ocurrencia [ %]
Distancia [km]
Tiempo promedio de viaje [min]
Tiempo de descarga y otros [min]
Ruta est
eril
12
75
6,4
30
2,0
Ruta producci
on
25
25
11,25
25
2,0
Cuadro 3.2: Caractersticas de la ruta de esteril y produccion.

25
3380 m.s.n.m
3420 m.s.n.m
Ruta estril
Ruta produccin
3042 m.s.n.m
Figura 3.1: Esquema de las 2 rutas posibles [8].

En la Figura 4.2 se aprecia el ciclo de transporte al que se enfrenta la flota de camiones.
Figura 3.2: Ciclo de transporte al que se enfrenta la flota de camiones.

La disponibilidad de la flota de camiones depende exclusivamente de si se encuentran o no en
condiciones para realizar un ciclo de transporte. El grafico de la Figura 4.3 muestra el porcentaje
de das con carga nula transportada por camion durante el 2008.

26
Das con carga n ula [%]
50%
45%
40%
35%
30%
25%
20%
15%
10%
5%
1
2
3
5
6
7
8
9
10
11
13
14
15
16
28
29
30
31
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
0%
N Cam in (cdigo CA#)
Figura 3.3: Porcentaje de das con carga nula por camion durante el periodo de muestreo.
Conocido el historial de fallas y de carga transportada, se determino la probabilidad de que
un cami
on no pueda enfrentar un viaje y tenga que ser intervenido en taller. La indisponibilidad
anual promedio por cami
on es 18 %. Los ciclos diarios por camion son 48. El promedio reparaci
on
en taller es 8 horas. Con esto se tiene una probabilidad de ciclo fallido de 0,3 %.
3.2.2.
Modelo para el proceso de reparaci

on y mantenimiento
El taller cumple la funci

on de reparar los camiones que por alg
un tipo de falla, no puedan
realizar transporte de material. En la Figura 3.4 se muestra la distribucion de los sistemas y
subsistemas que se encuentran dentro del taller.
reas de
Mantencin
Accesorios
Actividades
Mineras
Mecnica
Estructural
Eje/ Ruedas
Frenos
Elctrica
Mantencin
preventiva
Miscelneos
Motor
Propulsin
24V
Levante
Neum ticos
Pesm etro
Sistem a de aire
Suspensin
Direccin
Figura 3.4: Distribuci

on de los sistemas y subsistemas del taller mecanico.
La distribuci
on que muestra la Figura 3.4 esta hecha en base a los distintos tipos de falla
que se presentan en faena. Tambien se incluye la mantencion preventiva con el fin de abarcar
cualquier intervenci
on a realizar.
3.2.3.
An
alisis Estadstico
Se analiz
o el historial de fallas durante un periodo de 2 a
nos con el fin de determinar la
cantidad de intervenciones realizadas, los MTTR (tiempo medio de reparacion) y la probabilidad
de ocurrencia de cada modo de falla. Es im-portante destacar que para el analisis estadstico,
se excluyeron aquellas intervenciones oportunistas, es decir, aquellas que se realizaron mientras

27
se reparaba el cami
on por otra falla. Los resultados se aprecian en el grafico de la Figura 3.5 y
Figura 3.6.
1,00
N de Intervenciones/camin
0,90
0,80
0,70
0,60
0,50
0,40
0,30
0,20
0,10
0,00
Subsistema
Figura 3.5: Registro de intervenciones por camion durante un periodo de 2 a

nos seg
un sistema
de reparaci
on.
reas de
Mantencin
Accesor ios
P = 3,41%
MTTR 3,97
21,68
Actividades
Miner as
P = 4,79%
MTTR 7,94
Mecnico
Estr uctur al
Elctr ico
P = 28,54%
P = 8,94%
P = 34,26%
MTTR 10,96
MTTR 6,56
MTTR 4,79
28,8
38,2
20,72
57,19
Mantencin
pr eventiva
Miscelneos
Motor
P = 0,01%
P = 13,1%
P = 6,95%
MTTR 0,92
MTTR 8,34
0,67
44,65
MTTR 17,74
35,94
Figura 3.6: Probabilidad de ocurrencia, MTTR y desviacion estandar (unidades en horas de

calendario) de cada modo de falla.
3.2.4.
Modelo de Simulaci
on
El diagrama de la Figura 3.7 (dem Figura 4.2) es una representacion grafica del modelo a
simular, y es considerado como la base del modelo computacional que fue usado en este estudio.
Cabe destacar que existen submodelos que se detallaran mas adelante. Para el analisis se utiliz
o el
software Arena [1], el cual permite simular el proceso productivo de la mina para un perodo
determinado de tiempo. Para la simulacion se utilizaron datos historicos proporcionados por la
empresa encargada de la flota de camiones.
Modelo General
El diagrama de la Figura 3.7 representa el modelo base de simulacion, el cual representa un
ciclo cerrado con una flota de 49 camiones en operacion.

28
Figura 3.7: Flujo de operacion de los camiones.

En primera instancia cada camion enfrenta la situacion de ser intervenido o no, en el caso
de ser intervenido ingresa al taller, el cual es una subproceso que se detalla mas adelante. De
no ser intervenido, enfrenta la decision del tipo de carga, el cual puede ser produccion o esteril,
dependiendo de la ley del material de la mina. En el caso de ser una carga esteril, entra a
un subproceso de carguo. Luego de ser cargado en este subproceso, entra a un proceso que
representa el tiempo de viaje hasta el botadero. La situacion es equivalente en el caso de que
enfrente una carga de producci
on. Al finalizar el ciclo, el camion vuelve a la situacion de ser
intervenido o no. Para efectos de la simulacion, cada camion debe enfrentar la decision de ser
intervenido o no al comenzar un ciclo de carga.
Modelo de Taller
En la Figura 3.5 se observa el modelo de taller, el cual es basicamente una red tipo tenedor,
en la cual no se considera oportunismo, por lo tanto un camion puede ser atendido por solo un
area al ingresar a este.
Modelo de Sistema de Carguo Est
eril
La Figura 3.8 representa el sistema de carguo esteril, que consta de 4 palas y 2 cargadores
frontales. Cuando un cami
on ingresa al sistema de carguo esteril enfrenta la decision de ser
cargado por el subsistema de palas o por el subsitema de cargadores frontales. Esto se basa
en las capacidades que tienen cada subsistema, y la probabilidad esta calculada a manera de
balancear los subsitemas de carguo.

29
Figura 3.8: Diagrama de flujo del sistema de carguo esteril.

Modelo de Sistema de Carguo Producci
on
El sistema de carguo de produccion consta de una pala y un cargador frontal. Este sistema
se aprecia en la Figura 3.9 El sistema es similar al sistema de carguo esteril.
Figura 3.9: Diagrama de flujo del sistema de carguo de produccion.
3.3.
Resultados y Discusiones
Los resultados entregados por la simulacion son el throughput del sistema transportado por
la flota de camiones (kt/a
no) y la disponibilidad promedio de la flota de camiones para un

30
intervalo de un a
no. Al aumentar los recursos humanos (tecnicos) en el taller de mantenci
on
de la faena minera, se obtiene un incremento en la disponibilidad de la flota de camiones, y
por tanto un aumento en la tasa anual de transporte de material de produccion y esteril. En el
grafico de la Figura 3.10 se muestran los resultados.
150.000
Throughput lmite
Budget Real
130.000
100%
[kTon/ao]
110.000
90.000
70.000
50.000
30.000
70
75
80
85
90
Disponibilidad de camiones [%]
95
100
Figura 3.10: Diagrama de flujo del sistema de carguo de produccion.

Es posible apreciar que a partir de una disponibilidad crtica de camiones, entre el 92-93 %,
se presenta un comportamiento asintotico en el throughput del sistema. Para disponibilidades
menores a este valor, esta tasa mantiene su tendencia al alza, pero con un crecimiento desacelerado. Por lo tanto, aumentos de la disponibilidad de flota se transforman paulatinamente, en
incrementos irrelevantes del throughput del sistema.
Los equipos de carguo efectivamente generan un cuello de botella en el sistema a partir
de una disponibilidad crtica de la flota de camiones. Sobre este valor crtico se reconoce un
comportamiento asint
otico en el throughput final, donde esfuerzos de mantencion u renovaci
on
de equipos no generan utilizaci
on.
Con el prop
osito de caracterizar los comportamientos particulares de cada sistema de carguo,
en el gr
afico de la Figura 3.4 se muestran por separado las cargas realizadas en estos. Ambos
sistemas trabajan por separado y no intercambian equipos de carga durante el periodo simulado
(si intercambian camiones). La curva de carga total es la suma total de ambas curvas de carguo.
3.3.1.
Validaci
on del Modelo
La validaci
on del modelo fue hecha en base a la comparacion de la situacion actual de la mina.
Se consider
o un intervalo de confianza del 95 %. Para una disponibilidad de 85 % del sistema de
carguo y un 80 % de disponibilidad del sistema de transporte, el throughput total anual para el
a
no 2008 fue de 133 millones de toneladas. El resultado con el modelo de simulacion para estos
mismos par
ametros es de 137 millones de toneladas. El error se encuentra dentro del intervalo
de confianza.

3.4.
31
Conclusiones
Con respecto al an
alisis se concluye que el sistema de carguo es efectivamente un cuello
de botella en la faena minera de transporte en el interior del rajo. Por otro lado los resultados
obtenidos en este trabajo poseen la correlacion necesaria con datos empricos de faenas mineras en operaci
on, para aprobar el desarrollo de este tipo de analisis mediante herramientas de
simulaci
on. Con la simulaci
on es posible obtener otros resultados interesantes tales como: tiem
pos de procesos, tama
nos de cola, recursos utilizados, etc. Estos
podran ser base de estudios
posteriores.
Agradecimientos
Este trabajo fue parcialmente financiado por el acuerdo de cooperacion entre Komatsu Chile
y el Centro de Minera de la Pontificia Universidad Catolica de Chile. Nuestro especial agradecimiento a Darko Louit, Francisco Aguirre y Edson Poblete sin cuyo apoyo este trabajo no habra
sido posible.
Bibliografa
[1] Law, A., Kelton, W. D. Simulation Modeling and Analysis. 2nd Edition. MC Graw Hill.
1991.
[2] Giancaman, J., Medel, R. J. Simulation of the material trasnporting and loading process
in Pedro de Valdivia Mine. Proceedings of the 2002 Winter Simulation Conference.
[3] Komatsu: http://www.komatsu.cl/ Sitio Web de Komatsu Chile, accesado Julio 2009.
[4] Godoy, P., Rojas, R. Modelacion del Sistema de Carga y Transporte, Utilizando An
alisis
del Valor Medio. Proceedings Egaf VI, Universidad Catolica de Chile, 2009.
[5] Roman, P. Economies of Scale in Mining-Assessing Upper Bounds with Simulation. The
Engineering Economist, Vol. 45, N 4, 2000.
[6] Seong Jong J., Reuven, R. Planning Preventive Maintenance for a Fleet of Police Vehicles Using Simulation. Department of Decision Sciences and MIS, School of Business and
Administration, Saint Louis University, Missouri.1997.
[7] Andijani, A., Duffuaa, S. Critical evaluation of simulation studies in maintenance systems.
Production Planning and Control , VOL. 13, NO. 4, 336-341. 2002.
[8] Google Earth: http://www.google.com, accesado Julio 2009.
32
Captulo 4
Optimizaci
on de Recursos para
Contratos M&R de Flotas de
Camiones Mineros
Gonzalo Navarro
Dpto. Ing. Mecanica, Universidad de Chile
Rodrigo Pascual
Abstract
Workshop resources are key factors that affect mining trucks availability. For the maintenance contractor, it is crucial to verify the sensitivity of this indicator when the resources vary,
especially for performance based service contracts. This work presents a workshop simulation
model. The study case considers a fleet with two types of trucks. In order to validate the model,
the workshop was simulated considering current resources. Results show a close agreement between the simulation and the actual situation. A list of improvements is proposed from sensitivity
analysis. It is observed that significant availability can be gained by adding an extra maintenance bay. The modelling approach is generic and can be applied to other mining contracts, as well
as to other kind of machinery1 .
4.1.
Introducci
on
Con el objeto de elevar los ndices de produccion, las mineras han optado por aumentar
los niveles de capacidad de sus equipos, por ejemplo, los camiones para transporte de mineral.
Sin embargo, esta decisi
on ha hecho surgir situaciones que dificultan la maximizacion de sus
utilidades. Rom
an [9] muestra que al aumentar la capacidad de los equipos se puede incurrir en
mayores costos de mantenimiento. La principal causa es que a mayor capacidad, se incurre en
una mayor perdida de producci
on debido a la detencion del equipo. Esta situacion impulsa a las
mineras a disminuir los tiempos fuera de servicio, por lo que las empresas encargadas de mantener
estos camiones, en raz
on de la estructura de sus contratos, deben asegurar disponibilidades
mnimas de flotas.
1
Trabajo presentado en Conferencia MANTEMIN 2009
33

34
Los factores que influyen de forma directa en la disponibilidad de camiones, son los recursos
asociados al mantenimiento de estos u
ltimos, tales como bahas, talleres moviles, tecnicos y
componentes de soporte. A fin de estimar la disponibilidad en funcion de estos u
ltimos, es
necesario elaborar un modelo que integre todas las variables necesarias que forman parte del
taller. Esta tarea se torna en un problema complejo debido a su naturaleza estocastica. Es por
esto que se opta por utilizar simulacion para modelar el taller de faena. Andijani [1] entrega
una evaluaci
on crtica acerca de los modelos de simulacion para los estudios de sistemas de
mantenimiento.
Los modelos de simulaci
on tienen la cualidad de entregar respuestas a preguntas del tipo
Que pasa si..?, condici
on necesaria para el desarrollo de este estudio [2]. Ademas, son muy
versatiles y tratan de imitar las operaciones y condiciones reales que tiene un determinado
sistema. Es por esto que se desarrollo una simulacion del taller de faena que incluye los eventos de
fallas de los camiones junto con sus reparaciones imprevistas y preventivas. Ejemplos de enfoques
similares al aplicado en este trabajo son los estudios realizados por Borgonovo [4], Adamides
[3] y Joo [11], quienes utilizan modelos de simulacion para sistemas de mantenimiento. En sus
casos lo aplican para la evaluaci
on de estrategias de mantenimiento de una planta industrial,
el analisis de desempe
no del mantenimiento de motores para aviones militares, y el analisis del
plan de mantenimiento preventivo para una flota de vehculos policiales, respectivamente.
El objetivo principal de este trabajo consiste en estudiar la disponibilidad de flotas de camiones mineros, y analizar los efectos de modificar los recursos utilizados en el taller de reparaci
on.
Se presentan distintas configuraciones que reflejan una mejora en la disponibilidad obtenida
actualmente.
A continuaci
on se presentan los antecedentes del estudio. Posteriormente, se explica la metodologa empleada, seguido del estudio de caso. Finalmente, se presentan las conclusiones.
4.1.1.
Antecedentes
A continuaci
on, se describe como se almacena la informacion del mantenimiento de los camiones, y las condiciones de operacion del taller.
Sistema de Informaci
on de Mantenimiento
Con el objeto de realizar an
alisis de causa raz y confiabilidad, las intervenciones realizadas
a los camiones se almacenan dentro de un programa com
un para todas las faenas, donde se
registran las fechas de ingreso al taller, tiempos fuera de servicio, entre otros. Dentro de este
programa, cada intervenci
on est
a organizada en sistemas y subsistemas de componentes.
Los tiempos fuera de servicio de cada camion se registran a partir del momento en que este
deja de operar, por lo tanto, los registros contemplan los tiempos en cola mas los tiempos de
reparaci
on. Luego, con el objeto de realizar un estudio mas realista, se debe determinar que
fraccion de ese tiempo corresponde a la reparacion en el taller, analisis que se detalla en la
Metodologa.
Condiciones de Operaci
on del Taller
Las intervenciones en el taller pueden ser debidas a: fallas imprevistas, mantenciones preventivas y/u overhaul de componentes mayores. Estos dos u
ltimos, tienen el objeto de prolongar la
vida del cami
on para as evitar las fallas imprevistas, las cuales demandan en general un mayor
tiempo y costo de intervenci
on al compararlas con las planificadas. Un estudio de benchmarking
reciente mostr
o que la relaci
on de costos para las intervenciones preventivas e imprevistas, se

35
estima entre 1.9 a 4 veces entre una y otra [8]. Mas detalles del funcionamiento del taller, se
presentan en la secci
on Estudio de Caso.
4.2.
Metodologa
A continuaci
on se presenta la metodologa empleada para el desarrollo de este estudio.
4.2.1.
Selecci
on de Sistemas m
as Crticos
Los modos de falla m

as importantes y que afectan de mayor manera los KPIs, se priorizan
seg
un el metodo gr
afico Jack Knife [8], de los cuales destacan sistemas y subsistemas mayores y
menores. Se denomina subsistemas mayores a aquellos modos de falla cuyo costo de reparaci
on
supera cierto valor, por otro lado, los subsistemas menores tienen un costo de reparaci
on m
as
bajo al lmite establecido.
4.2.2.
An
alisis de Modos de Falla
Los tiempos entre falla para los sistemas y subsistemas crticos encontrados se modelan seg
un
una distribuci
on Weibull. Las caractersticas de esta distribucion estadstica son: es usada en
estudios de confiabilidad de sistemas mecanicos, es muy robusta, y posee gran flexibilidad [10].
A partir de este an
alisis, se obtienen los parametros que definen el comportamiento de los modos
de falla.
Para los subsistemas mayores se realiza el seguimiento a un componente, debido a que este
u
ltimo puede ser instalado en m
as de un camion. Luego, las unidades elegidas para medir el
desgaste de estos subsistemas son las horas de operacion. Por otra parte, para los subsistemas
menores se hace un seguimiento de fallas para un camion de cada flota, y la unidad de desgaste elegida corresponde al hor
ometro de este u
ltimo. Cabe destacar que existen otros tipos de
parametros de desgaste igualmente validos, tales como el tiempo calendario y los ciclos de carga,
sin embargo, el an
alisis se realiza en base a la informacion proporcionada por la empresa para
el estudio de caso.
4.2.3.
An
Se analiza los comportamientos de los tiempos fuera de servicio para cada modo de falla,
los cuales abarcan tanto los tiempos de reparacion como los tiempos en cola. El analisis entrega
las distribuciones que mejor se ajustan al set de datos. Para el analisis se utiliza el software
Minitab 15. El programa entrega todas las distribuciones que modelen el set de datos, para un
nivel de confiabilidad establecido por el usuario. Ademas, para evaluar si una distribucion ajusta
sus datos, el programa realiza la prueba de bondad de ajuste de Anderson-Darling, entregando
valores p de pruebas de relaci
on de verosimilitud [6].
4.2.4.
Simulaci
on de la Faena y C
alculo de la Disponibilidad
Se elabora una simulaci

on del taller de reparaciones que incluye los bloques de envejecimiento
de camiones o trabajo en faena, mantencion preventiva, reparacion imprevista y overhaul. A
modo de validaci
on, en primer lugar se determinan los factores (entre 0 y 1) ponderadores de los
tiempos fuera de servicio, verificando que la disponibilidad del u
ltimo a
no de analisis de ambas
flotas se acerquen al valor real, para las condiciones de recurso actual. Luego, con los mismos
factores se comprueba que la disponibilidad del a
no 2009 se cumpla. Finalmente, se realiza un

36
analisis de sensibilidad de la disponibilidad para distintos escenarios, modificando la cantidad

de recursos.
Para simular se utiliza el software Arena [12]. Las caractersticas de este programa son: se
pueden modelar sistemas de operaciones, permite al usuario analizar escenarios alternativos para
la situaci
on que se est
a simulando [7], y permite simular infinidades de sistemas y operaciones,
entregando resultados de manera muy rapida para horizontes extendidos de tiempo.
Como la empresa registra la disponibilidad por flota mes a mes, la formula que se utiliza
para el c
alculo de este indicador es la siguiente:

Tf si
i
Amesj = 1
(4.1)
Tmes ni
Donde Aimesj representa la disponibilidad por flota en un mes j de simulacion, Tf si corresponde
al tiempo fuera de servicio en un mes para la flota i, Tmes al tiempo total en un mes de simulaci
on,
y ni al n
umero de camiones para cada flota.
Luego, la disponibilidad por flota i para todo el perodo en analisis se calcula como el promedio de los valores mensuales, es decir:
P i
Amesj
Ai =
(4.2)
Nmeses
Finalmente, a modo de representar ambas flotas en un solo grupo, se calcula la disponibilidad
total como el promedio entre ambas.
4.3.
Estudio de Caso
El estudio de caso fue tomado de la empresa Komatsu Chile, encargada de fabricar equipos
para minera y construcci
on, maquinaria industrial [5], entre otros. Junto con la venta de sus
equipos, presta servicios de mantencion de maquinarias, los cuales se basan en contratos de tipo
M&R (mantenimiento y reparaci
on).
En la faena estudiada, hay una cantidad n1 de camiones de tipo C1 , y una cantidad n2 de
camiones de tipo C2 . Los primeros son mas antiguos y de menor capacidad que los segundos,
por lo que sus modos de falla se comportan de forma distinta para un sistema en com
un. Ambas
flotas tienen un uso homogeneo, es decir, todos los camiones realizan un mismo trabajo y su
tasa de uso es similar.
En el taller hay una cantidad de recursos asociados (bahas, mantenedores, repuestos) los
cuales se modifican para el estudio de disponibilidad. Los componentes mayores son reparados en
un taller de 2 escal
on en una ciudad cercana. Las reparaciones de componentes menores pueden
realizarse tanto en taller de faena como en terreno. Las reparaciones en el taller son para fallas
de mayor envergadura, mientras que las reparaciones en terreno son para fallas mas peque
nas.
Para estas u
ltimas, se sabe que su intervencion no durara mas de un tiempo pre-establecido,
criterio fijado por la experiencia de los tecnicos (ver figura 4.1).

Falla Camin C1
37
Falla Camin C2
Diagnstico en
faena
Falla componente
mayor?
NO
Reparacin demora
ms del tiempo preestablecido?
SI
SI
Reparacin Taller
2 Escaln
Reparacin en
taller
NO
Reparacin en
terreno
Figura 4.1: Arbol

de mantenimiento actual.
4.3.1.
on
En las sub-secciones siguientes, se muestran los resultados obtenidos para el analisis de confiabilidad y tiempos fuera de servicio. Posteriormente, se describen las condiciones iniciales para
la simulaci
on, el proceso de validacion del modelo, y se entregan los resultados de disponibilidad
de camiones, utilizaci
on de recursos en el taller y analisis de sensibilidad.
An
alisis de Confiabilidad
Por medio del an
alisis de confiabilidad para las fallas imprevistas intervenidas en el taller de
faena, se estimaron los par
ametros de Weibull (ver cuadro 6.3.1). A modo de ejemplo, se muestran
algunos subsistemas para las flotas en estudio (los datos que poseen un asterisco corresponden
a los subsistemas mayores). Los valores y son medidos seg
un las horas operativas de cada
camion. Por otra parte, el an
alisis de confiabilidad para los eventos que requieren ser intervenidos
en el taller de 2 escal
on, tales como overhaul e imprevistos, tambien estimo parametros de
Weibull.
Subsistema
S1 *
S2 *
S3
S4
5,2
1,5
2
3
Flota C1
[Khr op.]
15,8
2,5
4,3
2,1
2,3
2,9
2,2
2,2
Flota C2
[Khr op.] [Khr op.]
11
6,4
-0,8
8,3
5,7
Cuadro 4.1: Par

ametros de Weibull para eventos imprevistos intervenidos en taller de faena.

38
An
Los tiempos fuera de servicio se modelaron seg
un distribuciones lognormal y exponencial,
entregando valores p mayores a 0,05, lo cual indica un nivel de confiabilidad mayor al 95 %.
A modo demostrativo, en el cuadro 4.2 se muestran los valores obtenidos en la flota C1 . Estos
tiempos incluyen las colas por espera de recursos o componentes.
Subsistema
S1 *
S2 *
S3
S4
Flota C1
Distribuci
on Media [hr]
Exponencial
7,8
Exponencial
5,1
Exponencial
2,4
Lognormal
4,1
Desv. Std. [hr]

6,8
Cuadro 4.2: Par

ametros para los tiempos fuera de servicio con colas incluidas.
Condiciones Iniciales
Los recursos actuales se clasificaron en 8 grupos, y sus cantidades se detallan en el cuadro 4.3.
El recurso Componentes Mayores corresponde a los componentes de soporte de los subsistemas
mayores analizados, y la cantidad que se muestra en la tabla es el total utilizado para cada
flota. Adem
as, para el recurso Tecnico Diesel tambien existe una diferenciacion entre flotas. Sin
embargo, el resto de los recursos es de uso general para todo tipo de camion.
Recurso
Baha
Camioneta
Tecnico Electrico
Tecnico Mecanico
Tecnico Diesel C1
Tecnico Diesel C2
Componentes Mayores C1
Componentes Mayores C2
Cantidad
4
5
12
12
4
5
15
23
Cuadro 4.3: Recursos actuales de la faena en estudio.

Para las reparaciones imprevistas, si el tiempo de reparacion es mayor a tc horas, la intervencion se realiza en el taller. De otro modo, la intervencion se realiza en terreno. La asignaci
on de
recursos para cada criterio se resume en el cuadro 4.4. Por otra parte, las reparaciones preventivas
se realizan cada ti horas, y su intervencion es llevada a cabo solo en el taller.
Finalmente, la distribuci
on de recursos y el tiempo de detencion involucrado para los overhauls de componentes mayores en el taller de faena, se pueden ver reflejados en el cuadro 4.5.
El componente defectuoso es reemplazado por uno bueno proveniente del recurso Componentes Mayores (pool de componentes). El primero es enviado al taller de 2 escalon, y una vez
reparado se restituye al pool. Los tiempos de ida y vuelta son modelados seg
un una distribuci
on
triangular, cuyos valores mnimo y maximo corresponden a un 60 % y 20 % de la moda, respectivamente. El tiempo de reparaci
on en el taller vara seg
un el componente y es modelado seg
un
una distribuci
on triangular, cuyos valores mnimos y maximos corresponden a un 40 % y 20 %
de la moda, respectivamente.

Subsistema
Mayor: S1 y S2
Menor: S3 y S4
Lugar de
intervenci
on
Taller
Terreno
Taller
Terreno
Baha
1
0
1
0
39
Cantidad de recursos
Camioneta T. El
ectrico T. Mec
anico
0
2
2
1
1
1
0
1
1
1
1
1
Cuadro 4.4: Asignaci

on de recursos para las intervenciones imprevistas.
Subsistema
S1 *
S2 *
Recursos
Ambas Flotas
1 Baha, 2 T. Electricos, 2 T. Mecanicos
1 Baha, 1 T. Electrico, 1 T. Mecanico
Tiempo de
detenci
on [hr] (C1 y C2 )
60
8
Cuadro 4.5: Asignaci

on de recursos y tiempos de reparacion para los overhaul.
Validaci
on del Modelo
A modo de validaci
on, inicialmente se determinaron los factores ponderadores del tiempo
fuera de servicio para cada subsistema analizado, para el perodo de analisis de datos. Modificando estos factores hasta coincidir con la disponibilidad real, y para una simulacion de 2 a
nos
con 1 de warm-up 2 con 10 replicas, se obtuvo una disponibilidad simulada del 78,7 %, versus
una real del 79 %, por lo que se verifica que los factores utilizados son los correctos. Con estos
u
ltimos se procede a verificar la disponibilidad para el a
no 2009. Para una simulacion de 6 meses
con 1 a
no de warm-up y 10 replicas, se obtienen los resultados mostrados en el cuadro 4.6. La
desviaci
on est
andar muestra la dispersion de las disponibilidades obtenidas para cada mes con
respecto su valor medio.
Caso
Real
Simulaci
on
Disponibilidad total [ %]
82,0
82,1
Desviaci
on std. meses [ %]
2,6
2,1
Cuadro 4.6: Disponibilidad total para el perodo de tiempo analizado.

Utilizaci
on de Recursos
La utilizaci
on instant
anea indica cuan ocupado estuvo el recurso durante toda la simulaci
on
[13], es decir, la fracci
on de tiempo que fue utilizado para el tiempo total simulado.
Para el caso base se observa que los recursos mas utilizados y que posiblemente afectan m
as
a la disponibilidad son Baha, Tecnico Mecanico y Tecnico Diesel C2 . De esta forma, el an
alisis
de sensibilidad para la disponibilidad a priori se realiza en base a la modificacion de estos 3.
Tambien se modifica el resto para ver su efecto en los resultados.
An
alisis de Sensibilidad
Los escenarios con distintos recursos se resumen en el cuadro 4.7, donde A corresponde al
caso base, es decir, al caso con los recursos actuales, y el resto corresponde a una modificaci
on
2
El warm-up o precalentamiento es necesario para que los componentes entren en regimen debido a la alta
confiabilidad en un comienzo.

40
de la cantidad de recursos m
as utilizados. El caso J corresponde a la situacion donde se aumenta
en 1 hora el criterio de si la reparacion es en terreno o en el taller.
Las disponibilidades obtenidas para los distintos escenarios se ven reflejadas en la figura 4.2.
Los casos que generan un alto aumento de disponibilidad son I y B.
Caso
A
B
C
D
E
F
G
H
I
J
Situacion
Caso base
A + 1 Baha
A + 1 T. Mecanico
A + 1 Camioneta
A + 1 T. Diesel C1
A + 1 T. Diesel C2
A + 1 Baha + 1 T. Mecanico
A + 1 Baha + 1 Camioneta
A + 1 Baha + 1 T. Diesel C2
A + 1 hora criterio Terreno
Cuadro 4.7: Casos analizados para analisis de sensibilidad.

Se analiza el tama
no de colas del taller y los casos que generan menor cantidad corresponden
a I y H (ver figura 4.3). Puede que el orden decreciente de los casos en el tama
no de colas no
coincida con el orden creciente de las disponibilidades. Esto ocurre debido a que los tiempos de
espera en las colas son distintos en cada caso.
El escenario m
as favorable corresponde al caso I, logrando un aumento en la disponibilidad
del 3,4 % por sobre la real; el caso B logra un aumento del 2,0 %. Por esta razon, se recomienda
un especial enfoque en el recurso Baha. Ademas, se observa que al aumentar en 1 hora el criterio
para reparaciones en terreno (caso J) la disponibilidad aumenta significativamente. Esto se debe
principalmente a que las reparaciones a terreno aumentan, por lo que la carga al taller disminuye.
86,0%
85,5%
Disponibilidad [%]
85,0%
84,5%
84,0%
83,5%
83,0%
82,5%
82,0%
I
Casos
Figura 4.2: Disponibilidad para distintos escenarios.

41
N promedio de camiones en espera de servicio
0
I
Casos
Figura 4.3: Tama

no de colas promedio del taller para cada escenario.
4.4.
Conclusiones
El estudio de disponibilidad para camiones mineros mediante simulacion logro resultados

satisfactorios. El modelo fue validado, obteniendose la disponibilidad real para dos perodos de
analisis. Se present
o una lista de posibles mejoras donde se estima un aumento del 3,4 % en la
disponibilidad para el caso m
as favorable. Los recursos que mas generan cuellos de botella son
las bahas de mantenimiento: al agregar 1 mas la disponibilidad aumenta en un 2 %.
Como trabajo futuro, el modelo de simulacion puede ser utilizado para analizar la influencia de los recursos del taller en la disponibilidad de camiones para otras faenas que tienen la
misma estructura de contrato. Ademas, se pueden estudiar otros equipos donde se utilice la
disponibilidad como indicador, tales como bulldozers, wheeldozers, motoniveladoras, etc.
Bibliografa
[1] A. Andijani, S. Duffuaa, Critical Evaluation of Simulation Studies in Maintenance Systems,
Production Planning and Control Vol. 13, No. 4, pp. 336-341, 2002.
[2] D. Louit, Evaluaci
on de Iniciativas de Gestion de Mantenimiento de Equipos Mineros Usando Tecnicas de Simulaci
on, Tesis de Magster en Ciencias de la Ingeniera, Santiago de Chile,
1999.
[3] E. Adamides, Y. Stamboulis, A. Varelis, Model-based Assessment of Military Aircraft Engine Maintenance Systems, Journal of the Operational Research Society Vol. 55, No. 9, pp.
957-967, 2004.
[4] E. Borgonovo, M. Marseguerra, E. Zio, A Montecarlo Methodological Approach to Plant
Availability Modelling with Maintenance, Aging and Obsolescence, Reliability Engineering
and System Safety Vol. 67, pp. 61-73, Elsevier, 1999.
[5] Komatsu Cummins Chile S.A., hhttp : //www.komatsu.cl/KomatsuChilei, accesada en
Junio, 2009.
[6] Minitab Solutions, Conozca Minitab 15 en Espa
nol, Manual de Ayuda del Programa,
Captulo 3, 2007.
[7] M. Rodrigues, M. Karpowicz, An Analysis of Operational Availability of Brazilian Navy and
Argentine Air Force A-4 Fleets using Simulation Modeling, Thesis from Naval Postgraduate
School, California, 1999.
[8] P. Knights, Downtime Priorities, Jack-Knife Diagrams and the Business Cycle, Article first
published in: Maintenance Journal, Vol 17, No. 2, pp. 14-21, Australia, 2004.
[9] P. Roman, Economies of Scale in Mining-Assessing Upper Bounds with Simulation, The
Engineering Economist, Vol. 45, N 4, 2000.
[10] R. Pascual, El Arte de Mantener (draft), Centro de Minera, Universidad Catolica de Chile,
2009.
[11] S. Joo, R. Levary, M. Ferris, Planning Preventive Maintenance for a Fleet of Police Vehicles
Using Simulation, Technical Article, Simulation Vol. 68, No. 2, pp. 93-100, 1997.
[12] Software Rockwell Arena, Version 7.01.00, Copyright 2002-2003.
[13] W. Kelton, R. Sadowski, D. Sturrock, Simulation with Arena, Third Edition, Chapter 4,
Page 134, 2003.
42
Captulo 5
Benchmark de m
etodos para gesti
on
de repuestos crticos
Fabi
an Campos Oyarz
un, Osvaldo Lacourt Mora
Abstract
Para obtener la cantidad de componentes necesarios en bodega se ocupan modelos apropiados
para este fin. En este trabajo se comparan 2 de estos metodos. El primero de ellos es el Metodo
Polinomico, es un modelo a nivel tem que considera una sola base, que se caracteriza que
con pocos par
ametros entrega la cantidad de repuestos reparables necesarios en bodega. El
otro modelo, METRIC (Multi-Echelon Technique for Recoverable Item Control), es un modelo
a nivel sistema que considera pool de repuestos (faenas comparten sus componentes en una
bodega central).
Para el estudio de caso se consideraron repuestos mayores reparables de camiones mineros.
Ambos modelos fueron comparados para distintas restricciones de disponibilidad y nivel de servicio en una faena sin considerar que las faenas compartan los componentes entre s. Adem
as
se considero el caso en que dos faenas compartan sus componentes en una bodega central. Los
resultados muestran que el Metodo Polinomico no entrega datos confiables en terminos de disponibilidad o nivel de servicio. El modelo METRIC permite ajustar los indicadores para obtener el
desempe
no exigido, que con un peque
no aumento extra en la inversion comparado con el metodo
polinomico, se llega al KPI objetivo, cuando no se considera pool de repuesto. Al considerar un
pool de repuesto la inversi
on incluso baja con respecto al metodo polinomico, con un aumento
considerable de disponibilidad.
5.1.
Introducci
on
La gesti
on de repuestos es un tema importante en todo tipo de organizaciones (minera,
industrias pesadas y de procesos, militares, etc.). La observacion anterior es mas claro en lo que
se refiere a todo de aquellos repuestos de bajo consumo y alto precio unitario. Esto debido a que
un deficit de estos generara un costo de falla alto y un exceso de estos aumentara considerablemente el costo de adquisici
on y almacenamiento [2].
Otra forma de lograr una gestion eficiente de repuestos es usar una estrategia de pool. Esta
estrategia permite almacenar los repuestos tanto en faenas como en un taller central, donde los
43

44
repuestos que se encuentran en taller central pueden ser utilizados por cualquiera de las otras
faenas. Esto trae consigo una disminucion en los niveles totales de stock[1]. Una desventaja es
que pueden incrementar los costos de falla debido al tiempo de viaje ya que los repuestos no se
encontraran en faena sino en un taller central.
5.2.
M
etodo Polin
omico
Este metodo entrega la cantidad de stock por cada componente usando la siguinte formula:
s=
n Z T at
+nz
2 To R(To )
donde:
s= N
umero de repuestos de soporte.
n= N
umero de equipos operando
z= N
umero de componente de un tipo en cada equipo.
Tat = Tiempo de reparaci
on del componente (ut).
T o= Tiempo entre reparaciones preventivas (ut).
R(To )= Probabilidad de que un repuesto falle antes de llegar a T o (confiabilidad).
En donde es un factor de seguridad. Para los calculos se ha utilizado =1.5 %.
5.3.
METRIC
METRIC (Multi-Echelon Technique for Recoverable Item Control), es un modelo de aproximacion para subsistemas reparables inmersos en una estructura multi-escalon [1]. Estos subsistemas, denominados LRUs (Line Replaceable Unit), son reparables, donde la demanda de cada
tem sigue una distribuci
on de Poisson.
En un sistema multi-escal
on (figura 5.1), el primer escalon son las bases que se donde se
realizan las reparaciones menores. El segundo escalon es tpicamente un taller que efect
ua reparaciones m
as complejas o especializadas. En algunos casos se puede hablar de un tercer escal
on
donde en general se tratan reparaciones de tal complejidad que es necesario llevarlas a cabo por
los mismos fabricantes. El modelo acepta varios niveles de escalones, por ejemplo: faena, taller
central, taller del OEM (original equipment manufacturer).
Ademas de ser un modelo multi-escalon METRIC es un modelo multi-tem por lo que se pueden
considerar m
as de un tipo de repuesto por sistema.
El modelo estima el nivel
optimo de inventario de un LRU en cada una de las bases. Adem
as
si se considera que se aplica un pool de repuestos se obtiene tambien la cantidad de componentes
en taller central.

45
Taller 2do escaln
Base 3
Taller
1er escaln
Base 1
Base 2
Figura 5.1: Sistema de 2 escalones

Las bases del modelo se resumen en los siguintes puntos:
La decisi
on sobre el lugar de reparacion de un elemento no depende de los niveles de stock
o de la carga de trabajo. Si una base o taller local puede reparar un elemento, se debe a
que posee el personal y equipo adecuado.
No hay traspasos laterales entre las bases.
Las fallas son independientes y no se aplica la canibalizacion.
Definiendo las siguientes variables:
nj = N
umero de equipos operando en la base j.
zj = N
umero de LRUs en cada equipo de la base j.
sj = N
umero de unidades de inventario en la base j.
so = N
umero de unidades de inventario en el deposito.
mj = Demanda promedio en la base j(u/ut).
mo = Demanda promedio en el taller central (u/ut).
Tj = Tiempo promedio de reparacion en la base j(ut).
j = N
umero de unidades en reparacion o reabastecimiento (pipeline) en la base j(u).
o = N
umero de unidades en reparacion o reabastecimiento (pipeline) en el taller central(u).
rj = Probabilidad de que el tem sea reparado en la base j.
T Oj = Tiempo promedio que tarda en llegar un tem a la base j desde el deposito. Esta suposicion puede ser relajada.
To = Tiempo promedio de reparacion en el taller central.
Se puede calcular la demanda promedio en el taller central, la cual sera la suma de las
demandas no reparables en cada base:
mo =
J
X
(1 rj )
j=1
La disponibilidad esperada de sistema (camion, avion, etc.), AS , o sea, la fraccion de tiempo

en que los equipos pueden operar debido a que hay repuestos disponibles, si se consideran I
tems simult
aneamente es:

As =
I
Y
46
Aj
i=1
Donde Aj es la disponibilidad por cada componente (ec. 5.2). Para el calculo de la disponibilidad de los componentes es necesario introducir un concepto, backorder, que son las demandas
insatisfechas. Por ejemplo, existen s unidades en stock y se demandan s+k. Luego, k son las
demandas insatisfechas (backorder). El n
umero esperado de backorder (Expectec BackOrder)
viene dado por:
EBO(s) =
(i s)
i=s+1
i e
i!

EBO(sj ) Zj
Aj = 1
Nj Zj
(5.1)
(5.2)
Adem
as el nivel de servicio, es decir, que es la probabilidad de que haya al menos un repuesto en bodega cuando un repuesto vaya a reparacion, ya sea por falla o por mantenimiento
preventivo, viena dado por:
=
s1
X
(Tat )i eTat
i=0
5.4.
i!
Estudio de Caso
Para comparar los dos modelos, se estudiaran 3 componentes de la flota de camiones, que
llamaremos Repuesto A, Repuesto B, repuesto C. Donde el repuesto A pertenece al subsistema
de levante y los repuestos B y C pertenecen al subsistema electrico de propulsion.
Estos componentes se encuentran en faena y las reparaciones mayores (que implican reemplazo) son reparados solo en taller central por lo que rj =0. Las reparaciones menores se hacen
in situ.
Se estudiar
an 3 casos:
Caso 1: C
alculo de componentes para una faena sin pool de repuesto para un nivel de
servicio mnimo de 90 % para cada componente.
Caso 2: C
alculo de componentes para una faena sin pool de repuesto para una disponibilidad mayor a 95 % en el sistema camion.
Caso 3: C
alculo de componentes para dos faenas con pool de repuesto para una disponibilidad mayor a 95 % para el sistema camion de cada faena.
Los tiempos de entre intervenciones (TBI) de los tres repuestos se muestran en las figuras
fig.5.2, fig.5.3, fig. 5.4. En donde se discriminan si estas intervenciones fueron por mantenimiento
preventivo o por falla(solo cuando el componente es retirado).

47
TBI Repuesto A
40%
To=14000[h]
35%
30%
25%
20%
15%
10%
5%
% de fallas
19-36
18-19
17-18
16-17
15-16
14-15
13-14
12-13
11-12
0-10
10-11
0%
% de Preventivas
TBI [miles de horas de operacin]
Figura 5.2: Histograma hist

orico de tiempos de operacion hasta intervencion Repuesto A, Faena
1.
TBI Repuesto B
40%
To=20000[h]
35%
30%
25%
20%
15%
10%
5%
% Fallas
33-36
30-33
27-30
24-27
21-24
18-21
15-18
12-15
6-9
9-12
3-6
0-3
0%
% Preventivas

orico de tiempos de operacion hasta intervencion Repuesto B, Faena
1.

Repuesto A
Repuesto B
Repuesto C
48
Cuadro 5.1: MTBI y To de las Faena 1 y 2 (Khrs).

Faena 1
Faena 2
MTBI Calc. To Hist. To Teor. MTBI Calc. To Hist.
14,4
16
14
12,8
16,2
12,1
18,3
20
13,1
21,6
7,8
8,9
8
5
6,6
Cuadro 5.2: Datos Faenas 1 y 2

A
B
Cantidad de componentes/camion
2
2
Ciclo logstico de reparacion faena 1 324
44
Ciclo logstico de reparacion faena 2 32
42
Precio normalizado
0.68 0.87
C
2
54
52
1
To Teor.
16
25
7
u/u
das
das
um/u
TBI Rerpuesto C
To=8000[h]
40%
35%
30%
25%
20%
15%
10%
5%
% de fallas
21-36
18-19
16-17
14-15
12-13
10-11
8-9
6-7
4-5
2-3
0-1
0%
% de Preventivas

orico de tiempos de operacion hasta intervencion Repuesto C, Faena
1.
A partir de los datos graficados se puede obtener el tiempo promedio entre intervenciones
(MTBI) de la faena 1 y los tiempos entre preventivas u overhaul (To) para cada repuesto.
Analogamente se procedi
o de la misma manera para la faena 1. Un resumen de los resultados se
muestra en el cuadro 5.1.
De los resultados graficados se puede obtener el tiempo promedio entre intervenciones (MTBI) de la faena y los tiempos entre preventivas u overhaul (To ) para cada repuesto
En el cuadro 5.2 se muestran otros datos necesarios para el analisis posterior.

5.4.1.
49
Caso 1
La cantidad de repuestos de soporte para la faena 1 entregados por ambos metodos donde a
METRIC se le exigi
o un nivel de servicio por repuesto superior al 90 %, se muestran en la tabla
5.3.
Cuadro 5.3: Cantidad de repuestos de soporte de faena1 seg
un Caso 1.
M
etodo
Polin
omico
METRIC
A
2
3
B
3
4
C
3
7
Entregando los niveles de servicio e indisponibilidad mostradas en las figuras 5.5 y 5.6:
Nivelde
eServicio[%]
100%
80%
95,1%
90,8%
90,7%
76,0%
71,2%
60%
Mtodo
polinomico
METRIC
36,6%
40%
20%
0%
Rep.A
Rep.B
Rep.C
Figura 5.5: Nivel de servicio de faena 1 para caso 1.
Indispo
onibilidad
camin[%]
10%
9,3%
8%
Rep.A
Rep.B
Rep.C
6%
4%
2%
1,3%
0%
M.polinomico
METRIC
Figura 5.6: Indisponibilidad de faena 1 para caso 1.

Seg
un los precios unitarios normalizados, se muestra en la tabla 5.4 la inversion total necesaria
para la compra de los repuestos corresponde seg
un el metodo a ocupar.
Cuadro 5.4: Costos de inversi
on seg
un el caso de estudio en unidades monetarias [um].
M
etodo
Polin
omico
METRIC
1
7
12.5
2
7
9
3
30.9
30.9
Seg
un de figura 5.5, el metodo polinomico entrega niveles de servicio deficiente para los tres
repuestos estudiados, por lo que, si se desea tener una buena probabilidad de encontrar repuesto

50
en bodega, cosa que es indispensable por ejemplo en misiones navales, el metodo polin
omico
entregara probabilidades menores a 76 % alcanzando incluso un valor peligroso en el repuesto
C de solo 36,3 %, en cambio, dado que al modelo de METRIC se le especifico que se deseaba un
nivel superior al 90 %, para los repuestos se logro estar sobre este nivel en todos los repuestos.
De la figura 5.6, se muestra que la indisponibilidad del sistema camion que se alcanza considerando el metodo polin
omico es de 9,3 %, y dado que a METRIC se le exigio buenos niveles de
servicio, esto conlleva a tener una indisponibilidades del sistema camion peque
na, de solo 1,3 %.
Para alcanzar el nivel de confianza de encontrar repuesto en bodega especificado en METRIC
se tiene que aumentar la inversi
on en un 79,6 % con respecto al metodo polinomico.
5.4.2.
Caso 2
Al comparar el modelo polin

omico con METRIC tal que en este se le exija una indisponibilidad del sistema cami
on m
axima de 5 %, se tiene que la cantidad de repuesto para la faena 1
seg
un ambos metodos son:
Cuadro 5.5: Cantidad de repuestos de soporte para Caso 2.
M
etodo
Polinomico
METRIC
A
2
2
B
3
3
C
3
5
Entregando la indisponibilidad y nivel de servicio mostradas en las figuras 5.8 y 5.7:
NiveldeServicio[%]
80%
76,0% 76,0%
76,8%
71,2% 71,2%
60%
36,6%
40%
Mtodo
polinomico
METRIC
20%
0%
Rep.A
Rep.B
Rep.C
Figura 5.7: Nivel de servicio de faena 1 para caso 2.
Indispo
onibilidad
camiin[%]
10%
9,3%
8%
6%
4,2%
Rep.A
Rep B
Rep.B
4%
Rep.C
2%
0%
M.polinomico
METRIC
Figura 5.8: Indisponibilidad de faena 1 para caso 2.

51
Seg
un el metodo a ocupar. Por lo que al usar
METRIC significa aumentar la inversion en un 28,7 %.
De la figura 5.8, se ve que METRIC consigue una indisponibilidad del sistema cami
on de
4,2 %, que es inferiores a lo que se le especifico al metodo (5 %), pero dado que se esta estudiando
la faena 1, el modelo polin
omico entrega la misma indisponibilidad del caso 1 de 9,3 %. Un factor
importante a considerar es que en los casos solo se estan estudiando tres repuestos crticos,
pero al aumentar la cantidad de repuestos que componen el sistema, el modelo polin
omico
entregar
a una peor indiponibilidad del sistema, dado que abran otros repuestos que aportaran
a la indiponibilidad independiende de la que ya se tenga con los otros repuestos, en cambio,
el modelo de METRIC ajusta la indisponibilidad de cada repuesto tal que, la del sistema sea
inferior el nivel especificado.
El nivel de servicio (ver figura 5.7) en los repuestos A y B es el mismo para ambos metodos,
esto porque ambos metodos consideran la misma cantidad de repuestos, pero en el caso del
repuesto C, el nivel de servicio aumenta del 36,6 % que entrega el metodo polinomico al 78,9 %
con METRIC.
Para conseguir la meta establecida en METRIC se debe aumentar la inversion en un 28,8 %,
pero se logra el nivel de indispobilidad aceptable seg
un criterio establecido.
5.4.3.
Caso 3
Repuesto
osTotales[u]
En los casos anteriores no se considero Pool de repuesto, cosa que si se estudiara en este caso
usando la informaci
on de las faenas amigas faena 1 y faena 2.
Al modelo de METRIC se le exija una indisponibilidad del sistema camion maxima de 5 %
tal que minimice la inversi
on, por lo que la cantidad de repuesto para ambas faenas seg
un cada
metodo se muestra en la siguiente figura:
20
3
16
12
16
8
4
16
3
2
4
4
1
2
4
6
1
2
Taller
Central
Faena1
Faena2
1
3
Polinomico METRIC Polinomico METRIC Polinomico METRIC
Rep.A
Rep.B
Rep.C
Figura 5.9: Cantidad de repuestos de soporte para caso 3.

Entregando las indisponibilidad y nivel de servicio mostradas en las figuras 5.10 y 5.11:
Indiisponibilidad
Camin[%]
C

52
12%
10%
9,3%
7,6%
8%
6%
4,5%
4,5%
Rep.A
Rep.B
4%
Rep.C
2%
0%
Polinomico
METRIC
Polinomico
Faena1
METRIC
Faena2
NiveldeSServicio[%]
Figura 5.10: Indisponibilidad de faenas 1y 2 para caso 3.
100%
80%
81,8%
63,8%
60%
80,2%
54,1%
47,5%
56,6%
40%
Mtodo
polinomico
METRIC
20%
0%
Rep.A
Rep.B
Rep.C
Figura 5.11: Nivel de servicio de faenas 1y 2 para caso 3.

Seg
un el metodo a ocupar.
De la figura 5.10 se muestra que con METRIC se consiguen una indisponibilidad de 4,5 % para
ambas faenas, valor inferior al estipulado en el modelo del 5 %, pero con el metodo polin
omico
se tienen indisponibilidades de 9,3 % y 7,6 % para las faenas 1 y 2 respectivamente.
El nivel de servicio mnimo alcanzado, seg
un METRIC es 54,1 % y con el metodo polin
omico,
47,5 %.
A pesar de que METRIC entrega mejoras en la indisponibilidad con respecto al metodo
polinomico, al considerar Pool de repuesto, tambien genera un ahorro de 0,2 % en la inversi
on
con respecto al metodo polinomico.
5.5.
Conclusiones
Seg
un el estudio que se realizo con datos reales de faenas mineras amigas, se concluye que:
El metodo polin
omico no considera ning
un tipo de criterio al entregar la cantidad de repuesto
de soporte, tales como los mostrado en la figura 5.12.

Mtodo
Polinmico
53
METRIC
EstimaNivelde
Servicio
Estima
Disponibilidad
EstimaInversin
ConsideraPool
EnfoqueSistema
Fcildeaplicar
Figura 5.12: Comparacion de metodo polinomicos con METRIC.

Una ventaja atribuible al metodo es que es facil de aplicar.
En cambio, el modelo de METRIC indica la cantidad de repuestos a tener seg
un alg
un KPI
objetivo indicado y estima todos los criterios que no lo hace el metodo polinomico.
Dado la seguridad que entrega METRIC y lo peligroso que puede llegar a ser usar el metodo
polinomico, se recomienda METRIC para la gestion de repuestos, metodo que ademas es f
acil
de aplicar, solo se necesita usar una planilla Excel.
Agradecimientos
Se le agradece a la empresa de mantenimiento Komatsu S.A. por proporcionar la informaci
on
necesaria para el desarrollo del trabajo, como tambien a Gonzalo Navarro, coordinador del
proyecto.
Bibliografa
[1] R. Pascual El Arte de Mantener, Centro de Minera, Pontificia Universidad Cat
olica, 2009.
[2] Sherbrooke, C.C. Optimal inventory modeling of Systems, multi-echelon techniques, 2nd ed.. Kluwer, 2004.
[3] F. Martnez Implementaci
on de un Modelo Matem
atico de Optimizaci
on de Componentes Reparables en un Sistema Multi-Escal
on: METRIC, IV Encuentro de
Gesti
on de Activos Fsicos, Julio 2008.
54
Captulo 6
An
alisis de prioridades en el servicio
de reparaci
on en taller de segundo
escal
on
Fernando Chong, Cristhian Sanchez
Abstract
El taller mec
anico de segundo escalon de un OEM repara componentes de camiones mineros
provenientes de faenas mineras donde se tienen acuerdos por contrato (componentes internos) y
tambien de componentes de faenas de empresas externas (componentes externos). Se sabe que
el precio por la reparaci
on de un componente de una faena externa es mayor que la reparaci
on
del mismo componentes proveniente de una faena interna, por tanto es natural sospechar que
el taller central prioriza componentes externos en el proceso de reparacion. En este trabajo se
realizo la simulaci
on del proceso de reparacion (presupuesto, aprobacion y reparacion) considerando componentes internos y externos. De la simulacion se registran los distintos tiempos de
procesos, buscando la configuraci
on representativa de los datos reales; Tiempos de espera de
cada uno de los procesos de reparacion para cada componentes se registra para encontrar alg
un
tipo de prioridad hacia los componentes de empresas externas. Los resultados indican que no hay
priorizaci
on de los componentes externos, as que ser realiza un analisis economico para estimar
el beneficio de priorizar priorizar componentes externos y aunque el beneficio es considerable, el
tiempo de reparaci
on de los componentes internos aumenta tanto que hace evidente la presencia
de la priorizaci
on.
6.1.
Introducci
on
En las faenas mineras es importante contar con una flota de camiones disponibles para el
movimiento de material desde la zona de extraccion a las plantas de tratamiento. Para contar
con un n
umero adecuado de equipos operativos, se requiere un taller mecanico que realicen reparaciones correctivas a los componentes de los equipos para que estos operen en forma optima.
Un taller de reparaciones de segundo escalon realiza servicios a componentes provenientes de
clientes internos (con los que existe un contrato) y tambien a clientes externos. Se ha detectado que uno de los problemas comunes cuando el taller acepta tanto componentes internos
como externos es que se prioriza la atencion a los clientes externos discriminando a los clientes
internos. La situaci
on anterior es de especial preocupacion para los clientes internos del taller
55

56
que ven aumentar sus tiempos de espera de reparaciones y por consiguiente la reduccion de sus
operaciones. En publicaciones anteriores se ha detectado que el problema de las prioridades en
cadenas de suministros es un tema complejo y corresponde a una deficiencia de varias compa
nas
cuya soluci
on, cuando el problema es avanzado, no agrega valor y por el contrario solo aumenta
los costos del servicio [1]. Otro enfoque determina que las empresas de servicios act
uan cuando
un evento impredecible, como una falla, ocurren. Incluso cuando se trata de eventos predecibles
como un mantenimiento preventivo, es difcil estimar la demanda de partes de reemplazo u horas
de trabajo. Por tanto la utilidad de una eficiente gestion de recursos y tiempo. Ademas se ha
determinado que el servicio de soporte al cliente, funcion taller de segundo escalon, constituye
una fuente de ganancias que dura toda la vida u
til del componente [2]. El analisis de la prioridad
en la atenci
on en estos casos es complejo, por lo cual se considero que la simulacion es la forma
adecuada de estudiar el problema. El paper presenta la simulacion en el programa ARENA [3]
de la forma de operar del taller, especialmente en la gestion de los registros de los tiempos de
reparaci
on; muestra tambien como se simularon algunos casos especiales que se vieron en estos
registros. Ya en el desarrollo del paper, se muestra el estudio de los componentes mas crticos
que se reparan en el taller, el criterio para la validacion de la simulacion, los resultados obtenidos
para 3 casos de prioridades (FIFO (First In First Out), prioridad a firma interna y prioridad a
firma externa) y por ultimo las conclusiones de la investigacion.
6.2.
Metodologa
1. Comprensi
on del problema, recopilacion y procesamiento de antecedentes.
1.1.-Los antecedentes y datos obtenidos del taller KRCC corresponden a historiales de
reparaci
on en el taller, es decir el registro de los componentes que ingresan al taller (ya
sean marc o externos) y de sus tiempos logsticos en las tres etapas de su reparaci
on.
1.2-El procesamiento de los antecedentes arroja los componentes crticos del sistema por
medio del an
alisis de Pareto y Jack Knife y con decidiendo por los componentes que generen mayor tiempo de reparacion y las distribuciones de probabilidad de los componentes
que llegan al taller y sus tiempos logsticos de reparacion.
2. Construcci
on modelo simulacion.
2.1 Dise
no del diagrama de flujo de faenas del taller con software comercial de simulaci
on,
considerando recursos limitados del taller.
2.2 Modelaci
on de los tiempos de espera por medio de colas asumiendo un tipo de prioridad.
3. An
alisis de resultados de simulacion.
Se estudia la variabilidad de los resultados obtenidos de la simulacion con los datos existentes y la correlaci
on de los mismos.
6.3.
Estudio de Caso
La reparaci
on el taller acepta dos tipos de clientes, los que cuentan con contrato (clientes internos) y los externos. El precio de la reparacion de un mismo tipo componente es m
as
caro para un cliente externo que uno interno. Dada esta condicion existe la sospecha de que
el taller priorice a los clientes externos para alcanzar una mayores margenes de ganancias. En

57
este estudio se simula el taller mec

anico de segundo escalon considerando los dos tipos de clientes.
Proceso de Reparaci
on
El proceso de reparaci
on es registrado por los tiempos logsticos, esto desde la recepci
on del
componente hasta el fin de su reparacion. Los tiempos logsticos se describen a continuaci
on:
Tiempo logstico 1 (T1): Registra el tiempo desde la recepcion del componente hasta
la realizaci
on de su presupuesto de la causa del desperfecto.
Tiempo logstico 2 (T2): ): Comprende el tiempo entre la realizacion del presupuesto
y la aprobaci
on del mismo.
Tiempo logstico 3 (T3): ): Es el lapso de tiempo entre la aprobacion del presupuesto
y la reparaci
on completa del mismo por el personal del taller.
Casos Especiales
Aunque normalmente las etapas de los tiempos logsticos suceden en forma secuencial (esto es
T1, luego T2 y al final T3) representados en la figura 6.1, donde el color gris oscuro representa
la espera en cola y en tono claro el tiempo del proceso efectivo. Existen casos especiales donde
la secuencia no se cumple:
Omisi
on del tiempo logstico T2: Existen casos donde la urgencia de la reparacion es tal que
se asume la aprobaci
on. En tales ocasiones el componente no pasa por la aprobaci
on del
presupuesto, y va directamente de T1 a T3. Estos casos suceden en distintos componentes
en diferentes porcentajes. Ver Figura 6.2.
Traslape de tiempos logsticos: Sucede cuando el comienzo de dos tiempos se registran al
mismo al mismo instante y se desarrollan de forma paralela terminando cada uno como
corresponda. Esto puede pasar entre cualquier par de tiempos, por ejemplo con T2 y T3.
Estos casos suceden en distintos componentes en distintos porcentajes. Ver la Figura 6.3.
Figura 6.1: Secuencial de los tiempos logsticos.

58
Figura 6.2: Omision de T2.
Figura 6.3: Traslape de tiempos logsticos.

Componentes Crticos
La Figura 6.4 muestra el porcentaje de trabajos externos e internos que se produjo en un
horizonte de tiempo de 1400 das. El 51 % son componentes de empresas externas y 49 % de los
componentes eran internos. Por lo tanto, la cantidad de carga aplicada al taller por componentes
provenientes de empresas externas es considerable.
Interno
49%
Externo
51%
Figura 6.4: comparaci

on porcentual entre trabajos internos y externos.
La Figura 6.5, muestra los componentes crticos de manera general. En el grafico se ven dos
lneas oblicuas paralelas que representan las lneas de iso-indisponibilidad. La recta a la izquierda

59
representa el valor promedio de iso-indisponibilidad del conjunto de componentes que fueron

reparados en el taller durante el periodo de tiempo considerado anteriormente, correspondiente
a un valor de 2 %; este valor es la referencia para determinar si un componente es crtico o no.
La recta de la derecha es la m
axima indisponibilidad de alg
un componente con 20 %, es decir,
que del total de tiempo registrado, paso en reparacion en el taller un 20 %. Entre estas lneas se
encuentran los componentes m
as crticos ordenados del 1 al 6.
100000
1
2
10000
Duracion promedio [dias]
20%
2%
1000
5
6
100
10
0.0000
0.0001
0.0010
1
0.0100
frecuencia [1/Dia]
Figura 6.5: Dispersi

on de tiempos fuera de servicio sin separar en tipos de contrato Interno o
Externo.
Para la simulaci
on se consider
o una cantidad de camiones que se obtiene como la suma de
las flotas de camiones de las siguientes faenas:
Flota de camiones Tipo 1: Faena A:17, Faena B:4.
Flota de camiones Tipo 2: Faena C:39, Faena D:5.
Flota de camiones Tipo 3: Faena E:31, Faena F:8, Faena G:2.
Flota de camiones Tipo 4: Faena H:26, Faena I:11, Faena J:9, Faena K:11, Faena L:14.
En total se considera una flota de 177 camiones para los analisis y las simulaciones.
En la Figura 6.6 se puede observar los tiempos de reparacion promedio para cada componente,
discriminando entre interno y externo. En general, las duraciones de las reparaciones son mayores
para servicio en una empresa externa, a excepcion del componente 6 donde solo se tienen los
datos del tiempo de reparaci
on de componentes internos; esta diferencia es mas notoria en los
componentes 3 y 2. Se debe destacar que estos datos fueron obtenidos de la diferencia en das
entre la recepci
on del componente al taller y el termino de la reparacion del mismo, por lo
tanto el MTTR[4] encontrado incluye los tiempos en cola que pudo sufrir cada componente.
Bajo este razonamiento, es posible que los tiempos efectivos de reparacion (MTTR encontrado
sustrayendo las posibles colas) muestren un grafico diferente al comparativo, estas posibles colas
se intentar
an simular en el programa ARENA, para obtener los tiempos reales de reparaci
on.

60
80
70
60
50
Internos
Externos
40
30
20
10
0
Componente Componente Componente Componente Componente Componente
1
2
3
4
5
6
Figura 6.6: Tiempos de reparaci

on promedio de los distintos componentes para Interno y Externo.
Validaci
on de la Simulaci
on
Se debi
o ajustar la simulaci
on para que el modelo sea representativo a la realidad, hasta encontrar tiempos de reparaci
on cercanos a los historiales del taller. Las figuras 6.7 y 6.8 comparan
los tiempos registrados en los historiales con los datos obtenidos en la simulacion para el caso
FIFO (First In First Out), tanto para los componentes internos como los externos. Resultados
similares se realizaron para validar el caso de prioridad a externos.
60
50
40
Int real
Int simulacion
30
20
10
0
Componente 1 Componente 2 Componente 3 Componente 4 Componente 5
Componente
Figura 6.7: Comparaci

on de tiempos reales y de simulacion para componentes Internos.

61
80
70
60
50
ext real
Ext simulacion
40
30
20
10
0
Componente 1 Componente 2 Componente 3 Componente 4 Componente 5
Componente

on de tiempos reales y de simulacion para componentes Externos.
6.3.1.
on
Asumiendo Prioridad FIFO en los Procesos de Reparaci

on
Los tiempos de espera promedio de cada componente se ven la Figura 6.9. Bajo la condici
on
de prioridad FIFO, los tiempos en cola de espera de los componentes varan entre 6,5 y 10,5 das;
se puede notar tambien que el componente 2, 3, y 5 son los componentes crticos que pasan en
promedio m
as de 10 das en esperando entrar al proceso de reparacion, por tanto son los cuellos
de botella del sistema. Por otra parte, se puede apreciar de la misma figura que los tiempos
promedio de espera no sufrieron una gran variacion entre los componentes internos y externos.
12
Tiempo de espera (dias)
10
Externos
Internos
0
1
Componente
Figura 6.9: Tiempos de espera con prioridad FIFO

La Figura 6.10 muestra los tiempos de reparacion promedio efectivo, es decir, la duraci
on
real que pas
o el componente por los procesos de reparacion, cuyo valor se calculo restando el
tiempo promedio de espera de cada componente al tiempo promedio total de reparacion, que
incluye cola, entregado por los datos reales del Taller (de aqu en adelante, todos los gr
aficos
de reparaci
on efectiva se obtienen con el mismo procedimiento). Como se puede ver, en general
el tiempo de reparaci
on es mayor para los componentes externos, esto es mas notorio para los
componentes 2 y 3.
Desde la Figura 6.10 es posible darse cuenta que el resultado mostrado, debido a que para
un mismo componente y para una misma reparacion el tiempo promedio que se demora en

62
efectuarla varia si proviene de una firma externa o interna, lo logico es pensar que si se tiene un
proceso de reparaci
on para un cierto tipo de componente, sin importar de donde provenga, el
tiempo de reparaci
on promedio debera ser similar para cada uno de ellos. Por lo tanto, se puede
decir que al imponer una prioridad FIFO, algunos componentes del modelo no se ajustan a la
realidad, especialmente para el componente 2 y 3 que son los que muestran la mayor variaci
on
de tiempo promedio de reparaci
on entre si. En cambio el componente 1 muestra una peque
na
variacion entre las proveniencias y por lo tanto se puede decir que para este componente la
prioridad FIFO refleja la realidad.
70
Tiempo de reparacion (dias)
60
50
40
Externo
Interno
30
20
10
0
1
Componente
Figura 6.10: Tiempos de reparacion, caso FIFO

Asumiendo Prioridad a Externo en los Procesos de Reparaci
on
La figura 6.11 indica el tiempo de espera para los componentes externos disminuye enormemente (en aproximadamente 75 % comparados con el primer caso) cuando se prioriza este tipo
de componente en los procesos de reparacion, tambien se puede ver que el tiempo de espera
para los componentes internos aumento al doble. Para este caso, el componente que sufre un
mayor tiempo de espera promedio es el componente 5 superando los 20 das, el componente que
sufre el menor tiempo de reparacion es el componente 4, sin embargo su valor es de 14 das
aproximadamente, mayor que cualquier componente visto en la simulacion con prioridad FIFO.
25
20
15
Externos
Internos
10
0
1
Componente
Figura 6.11: Tiempo de espera, caso prioridad a componentes externos

La figura 6.12 muestra el tiempo de reparacion total promedio efectiva, es decir, es el tiempo

63
de reparaci
on total promedio calculada de los datos proporcionados por el taller. Se puede ver
que para este caso la diferencia en tiempos entre componentes provenientes de firmas internas
y externas es mucho mayor que para el caso de la simulacion usando FIFO (Figura 6.10), por
lo tanto la simulaci
on indica que el taller nunca prioriza componentes externos, es decir, no se
puede imponer prioridad a externo en la simulacion para representar la realidad.
80
70
60
50
Externo
Interno
40
30
20
10
0
1
Componente
Figura 6.12: Tiempo de reparacion, caso prioridad a externo

Asumiendo prioridad a interno en los procesos de reparaci
on
La Figura 6.13 muestra los tiempos de espera promedio de los procesos de reparaci
on, se
puede ver que el resultado al asumir prioridad a internos es evidentemente lo inverso a lo ocurrido
en el caso de prioridad a externo, es decir, el tiempo de espera para los componentes internos
disminuy
o enormemente (en aproximadamente 80 % comparados con el primer caso) y el tiempo
de espera promedio para externos aumento en un poco mas del doble. Los componentes que
pasan m
as y menos tiempo en espera siguen siendo los mismos.
35
30
25
20
Externos
Internos
15
10
0
1
Componente
Figura 6.13: Tiempos de espera con prioridad a internos

La Figura 6.14 muestra el tiempo de reparacion total promedio efectiva, se observa que para
este caso que la diferencia en tiempos entre componentes provenientes de firmas internas y externas es mucho mayor que para el caso de la simulacion con prioridad FIFO para los componentes
1, 4 y 5. Sin embargo, los componentes 2 y 3 muestran que la diferencia de tiempos entre interno
y externo disminuy
o significativamente, ademas se puede apreciar que para estos dos componen-

64
tes los tiempos de reparaci

on efectiva han invertido el orden entre interno y externo, es decir,
en el caso de prioridad FIFO se vio que el tiempo efectivo de reparacion era mayor para los
componentes externos y en este caso se ve que el tiempo efectivo de reparacion es ligeramente
mayor para los componentes internos, por lo tanto se puede afirmar que de existir prioridad
para los componentes 3 y 2 esta sera a interno, pero como se muestra en la Figura 6.14, si
esta prioridad se aplicara s
olo en un alto porcentaje de los casos, entonces los tiempos efectivos
de reparaci
on serian m
as representativos a la realidad, debido a que esto conseguira que los
tiempos efectivos de reparaci
on o el tiempo del proceso fuera independiente de la proveniencia
del componente.
50
45
40
35
30
Externo
Interno
25
20
15
10
5
0
1
Componente
Figura 6.14: Tiempo de reparacion, caso prioridad a internos

An
alisis Econ
omico
El impacto econ
omico se asumira que se percibe cuando se juega por un bono que puedan
ofrecer las firmas externas por priorizar sus componentes para minimizar el tiempo de reparaci
on,
es decir, cuando se aplique prioridad a externos como metodologa de trabajo. En la simulaci
on en
que se impuso prioridad a componentes externos, registro una cierta cantidad de componentes
externos que ingresaron a la cola de espera y que fueron colocados instantaneamente en el
primer puesto de la fila, como en la simulacion se impuso que se aplicara la prioridad a externos
siempre que se pudiese, la cantidad obtenida por la simulacion de los componentes externos que
fueron priorizados al primer lugar de la fila fue la maxima posible, el registro de datos para
los componentes crticos proveniente de firmas externas se puede observar en el cuadro 6.3.1
Ademas se muestra el aumento del margen en [um]( unidad monetaria) si el bono por priorizar
fuese del 20 % del valor de la reparacion y este valor fuese de 1 [um]( unidad monetaria), como
se puede apreciar al aplicar prioridad a externos a todos los componentes, se genera un aumento
del margen de 178.2 [um], visto en terminos de porcentaje se puede deducir de la tabla que la
cantidad de componentes reparados fue de 1347 unidades de las cuales 891 fueron priorizadas,
por lo tanto el aumento de la utilidad sera del 13.2 % con respecto a lo que se recibira por la
reparaci
on de los componentes externos sin aplicar alguna prioridad.
6.4.
Conclusiones
Se ha presentado una herramienta de apoyo para hallar el tipo de prioridad en la atenci

on
para la reparaci
on de componentes en un taller de componentes mayores. La validacion de la
simulaci
on se realiz
o por medio de graficos comparativos con respecto a los datos obtenidos por

Componente
1
2
3
4
5
Reparados[un]
475
442
274
85
71
Priorizados[un]
322
293
188
45
43
Total
65
Aumento de Margen[um]
64,4
58,6
37,6
9
8,6
178,2
Cuadro 6.1: Componentes externos priorizados y el margen generado.

los historiales de reparaci
on, los cuales mostraron resultados muy similares, validando el modelo.
El estudio de los tiempos de espera en cola y los tiempos de proceso evidenciaron que no hay
prioridades por parte del taller a los componentes de clientes externos. La simulacion indica que
para que esta se ajuste a los datos historicos, el taller usa una cola de espera tipo FIFO (First
In First Out) y en algunos componentes una priorizacion hacia los componentes tipo internos.
Economicamente, para el taller podra ser un negocio rentable cobrar por la priorizacion de los
componentes externos, si los clientes estan dispuestos a pagar por ello. Lo anterior implicara
un aumento f
acilmente detectable en el tiempo total de reparacion para componentes del tipo
interno. Seg
un indica la simulaci
on es posible adoptar medidas para disminuir los tiempos medios
de reparaci
on de los distintos componentes que le permiten a este entregar un mejor servicio,
cuya consecuencia directa ser
a una mayor disponibilidad de camiones en las distintas faenas, lo
que sin lugar a dudas, representa un beneficio para la cadena de servicio.
Bibliografa
[1] H. Lee, C. Billington, Managing Supply Chain Inventory: Pitfalls and Opportunities, 1992.
[2] M.A. Cohen, N. Agrawal, V. Agrawal, Winning in the Aftermarket, Harvard Business Review, Mayo, 2006.
[3] Manual del usuario, Software Rockwell Arena 7.0, 2007.
[4] R. Pascual, El Arte de Mantener, Apuntes de curso, Centro de Mineria, Universidad Cat
olica, 2009.
[5] N. Farf
an, F. Soto, Modelo de simulacion para optimizar asignacion de recursos en taller
de componentes mayores de camiones mineros, Egaf V, 2008.
66
Captulo 7
Asignaci
on eficiente de recursos en
taller de camiones mineros bajo
contrato a horizonte finito
Ignacio S
anchez L. & Fabrizio Gomez L.
Departamento de Ingeniera Mec
anica, FCFM. Universidad de Chile.
Abstract
Due to the large production in the mining industry, it is essential to ensure excellence in
maintenance management of the equipments involved in the production process. The situation
makes highly appealing looking for new ways to maximize availability. This work study the
maintenance management of a fleet of mining trucks. The objective is to determine efficient
policies of preventive maintenance to uniform the loads of repair shop through time, which
in periods of overhaul of major components show significant increase. A simulation model is
proposed. Results reveal repair shop load behavior and the critical resources associated with it.
As a solution, it is suggested the strategy of advance/postponing the preventive maintenance
overhauls to obtain uniform load on the work shop through time. As a result the maintenance
policy in comparison to the addition of spare parts to the stock, turn to be more efficient,
lowering the number of hours without stock of spare parts and uniforming the load of workshop
through time without incurring effective spending.
67

68
Resumen
Dado los grandes vol
umenes de produccion con que se opera en la minera, se hace indispensable
el tener una buena gesti
on de mantenimiento de los equipos involucrados en el proceso productivo
con el fin de que el tiempo de detencion por indisponibilidad de estos equipos sea el mnimo.
En este documento se estudia la gestion de mantenimiento de una flota de camiones mineros
sujeta a mantenimientos correctivos y preventivos realizados en un taller mecanico. El objetivo
es determinar polticas de mantenimiento preventivo eficientes que tiendan a suavizar la carga de
taller a traves del tiempo, la cual en periodos de overhauls muestran crecimientos importantes.
Se realiz
o una simulaci
on del taller, que permitiera estimar la forma en que se comporta. Como
medida de mitigaci
on se propone la estrategia de adelantar/posponer overhauls para obtener una
carga sobre el taller uniforme a traves del tiempo. Como resultado se observo que esta poltica
de mantenimiento en comparaci
on a la adicion de repuestos al stock, es mas eficiente, bajando
el n
umero de horas sin stock de repuestos y suavizando la carga de taller a traves del tiempo sin
incurrir en gasto efectivo. Para el estudio de caso se logro un 40 % de reduccion seg
un el uso de
repuestos en los peaks de carga con respecto a la opcion de tratar de hacer los overhauls a las
edades previstas.
7.1.
Introducci
on
Al tener una flota de camiones mineros operando, se generan una serie de intervenciones a
realizar sobre los ellos. Por una parte se deben realizar intervenciones correctivas o reparaciones
sobre los sistemas o subsistemas que fallan las cuales no tienen, y por otro, se deben realizar
intervenciones preventivas que eviten otros tipos de fallas y aseguren un funcionamiento
optimo
de los camiones. Cabe destacar que mientras las segundas son planificadas, las primeras no lo
son, lo que juega como una variable extra a la hora de proyectar las cargas de reparacion.
Camin
0<T<*To
*To<T<To
Pueden adelantar el overhaul si

existen recursos disponibles.
T<(1+)To
Pueden esperar en operacin tratando de

ingresar a taller. Despus de To*
deben ingresar obligatoriamente.
Taller
Mecnico
Figura 7.1: Logica para la realizacion de overhauls

Los servicios de reparaci
on y mantenimiento son usualmente subcontratados por parte de la
empresa que opera los camiones a un mantenedor. De esta forma, el mantenedor debe cumplir
una disponibilidad de flota fijada seg
un un contrato entre ambas partes. La idea entonces, es
cumplir con esta disponibilidad requerida pero tratando de utilizar eficientemente los recursos
de taller, por los altos costos que esto implica. Se entiende por recursos de taller, todo tem
requerido para la funci
on de mantener: trabajadores, bahas de reparacion y stock de repuestos.

69
En la medida que se conoce la carga del taller a traves del tiempo y cuales son los recursos
mas crticos, es posible estimar dotaciones de recursos y polticas de mantenimientos que tiendan
a minimizar los costos globales y al mismo tiempo se este cumpliendo con la disponibilidad de
flota objetivo. El problema es complejo, por lo cual una simulacion aparece como la forma m
as
eficiente y adecuada de resolver el problema considerando la multiplicidad de aspectos que posee.
En este caso se analiza el adelanto y/o atraso de las intervenciones preventivas pesadas u
overhauls de manera de estudiar el efecto que tiene esta logica en las cargas del taller y por ende
en el uso de recursos. En anteriores publicaciones, se ha estudiado un taller mecanico minero,
incluyendo reparaciones y intervenciones utilizando recursos limitados [1]. En este estudio se
agregan las prioridades de ingreso a taller, y la poltica de adelantar/postergar las intervenciones preventivas. Las prioridades en ingreso a taller fueron estudiadas en [5] y las polticas de
planeamiento de intervenciones fueron estudiadas en [6], [7].
Se consider
o una flota de 50 camiones nuevos. La simulacion realizada considera que los
componentes de los camiones fallan seg
un cierta distribucion de probabilidad de Weibull [2]. Los
tiempos de reparaci
on por su parte, siguen una distribucion lognormal, la cual se ajusto a partir
de los tiempos fuera de servicio [TFS]. Los datos utilizados tanto de los tiempos de falla y de
reparaci
on fueron extrados del informe [1].
7.2.
Estudio de Caso
Inicialmente se tiene la flota de camiones que opera normalmente en faena y donde eventualmente los camiones deber
an pasar por taller para realizar alguna intervencion. Un esquema de
esta din
amica es el mostrado por la figura 7.2. Por una parte los camiones fallaran y ser
a necesario aplicar una mantenci
on correctiva. Cabe destacar que existen reparaciones denominadas
menores, que pueden ser resueltas en menos de 4 horas, y se llevan a cabo en faena sin la
necesidad de llevar el cami
on al taller. Es decir, se evita ocupar una baha de reparaci
on y se
hace llegar los operarios en camionetas especialmente dispuestas para aquello. Las reparaciones
que toman m
as de 4 horas en ser resueltas, son efectuadas en el taller. [1] Tambien existen dos
tipos de intervenciones preventivas realizadas. Las intervenciones a los camiones como conjunto,
realizadas cada 250 horas de operacion; y los overhauls a alguno de los componentes del cami
on.
Este u
ltimo consiste en retirar el componente operativo y reemplazarlo por alguno en stock,
enviando el retirado a ser intervenido en un taller central. De esta forma, en el taller en faena
simulado la mantenci
on se reduce a reemplazar el componente que ya cumplio con el ciclo. Lo
crtico del problema es que si no existen repuestos en stock, podra generarse una cola de camiones esperando ser intervenidos (En especial los camiones que necesitan overhaul porque el
componente no puede ser reparado).
7.3.
Metodologa
Se simul
o el taller para estudiar la influencia de diferentes factores sobre la disponibilidad
y las cargas de taller generadas por la flota. En particular el estudio se centro en analizar la
estrategia de posponer/adelantar los overhauls de componentes. Esto es, en vez de realizar los
overhauls justo cuando est
an programados nominalmente, adelantar o postergar su realizaci
on
en virtud de un taller con una demanda muy baja o muy alta [4]. Esta poltica si bien parece
simple, no siempre es considerada. Por otra parte, si se piensa en una flota nueva donde todos los
camiones comienzan a operar al mismo tiempo, en los primeros a
nos coincidiran los overhauls
de un mismo componente para todos los camiones, generando una demanda de recursos de taller

70
Flota
Camiones
Planilla de MP
Falla en un
sistema del
camion
Posible
Overhaul
No
Si
Asignacin
como
Overhaul
Adelantar
Overhaul ?
Esperar a
nueva
revisin
Si
Recursos
Disponibles
taller
No
No
Si
Asignar
priorida
d1
Asignar
priorida
d2
Cola de
Taller
Asignar
priorida
d3
Taller
Figura 7.2: Diagrama Flujo Ingreso a Taller

muy alta. En el an
alisis realizado en la simulacion se consideran tres componentes para un
camion, mostrados a continuaci
on:
Alternador Principal
Motor de Tracci
on
Sopladores de parrilla
Dentro de la metodologa a seguir, los camiones que se encuentran adelantando su overhaul,
solo ingresan al taller en caso que haya disponibilidad de bahas. En terminos de la simulaci
on,
se revisa cada cierto instante si el camion tiene alguno de sus componentes dentro del rango de
tiempo posible de aplicar Overhauls y si es que existen recursos de taller. Esto se explica gr
aficamente en el diagrama 7.2. Esto significa que si ya ha pasado por ejemplo, un 95 % del tiempo
al cual se debe realizar el overhaul, se comienza a revisar si existe disponibilidad de taller para
poder adelantar esta intervenci
on. El porcentaje de tiempo de adelanto se fijo inicialmente en
5 %, pero luego se fue cambiado para ver como influa en el sistema. En caso de no considerar un
rango de adelantamiento, ocurre que todos los camiones necesitaran recambio de un componente
en un mismo periodo de tiempo, solo diferenciados por los tiempos de entrada a la faena, que
normalmente son cortos entre uno y otro camion.

Tipo intervencion
Overhauls Adelantado ( T o < T < T o)
Overhaul pasados (T o < T < (1 + ) T o)
Overhauls atrasados (T > (1 + ) T o)
intervenciones Correctivas
71
Prioridad
Baja
Media
Alta
Alta
Cuadro 7.1: Tabla Prioridades

Una vez que un cami
on ingresa a taller, comienza a operar una logica de prioridades para
lograr ser intervenido, pues existe una cola importante dentro del taller. Para ello, se considero que los camiones con fallas tuviesen una mayor prioridad sobre los overhauls, pues los
primeros aportan indisponibilidad inmediata en cambio los otros pueden seguir operando sin
tener que ser intervenidos. De hecho en la simulacion realizada se permite que una vez que
se cumple el plazo de OH del un componente de un camion, este no necesariamente ingrese a
taller inmediatamente y pueda seguir operando por un tiempo. Es decir, el concepto de postergacion, similar a lo planteado de adelantar los OH. En particular ese parametro beta se fijo en
10 % pasado el tiempo nominal de OH. Pasado este tiempo el camion obligatoriamente debe ser
intervenido. Esta l
ogica se muestra en el figura 7.1
Esta l
ogica de prioridades se considera con el fin optimizar el ingreso de camiones a taller,
pues pasan primero los camiones que no pueden seguir operando debido a la condicion en que se
encuentran y luego pasan los que pueden seguir operando pero estan dentro del rango en el cual
se les debe aplicar una mantenci
on preventiva. Dentro de estas prioridades los OH adelantados
tienen la menor entre todos, luego le siguen los overhauls que ya cumplieron el tiempo para ser
intervenido pero a
un no lo sobrepasan un 10 %. Luego, vienen los OH atrasados mas alla de un
10 % del tiempo, los cuales tienen la prioridad mas alta. El resumen de esta logica de prioridades
se muestra en la tabla 7.1. Cuando hay disponibilidad de recursos, el camion con mayor prioridad
pasa al taller donde se le interviene dependiendo de la necesidad. Luego de esto, vuelve a faena.
Un esquema de esta din
amica puede verse en la figura 7.3. El taller de faena se simul
o con
una cantidad de recursos que entregara una disponibilidad acorde con una faena real (entre un
85 %-90 %), donde se lleg
o a lo mostrado en la tabla 7.2.
La baha corresponde al lugar fsico donde se realiza la reparacion y se considera que esta
provista de todas las herramientas necesarias para este fin. Las camionetas son ocupadas para
las reparaciones menores de 4 horas realizadas en faena.
El tema del stock de repuestos es crucial dentro del problema analizado pues dependiendo
de como se maneje, afecta directamente a los overhauls posibles de realizar. Para el proyecto
se consider
o un stock de repuestos de un 10 % del total de cada componente. Luego, si un
camion necesita un componente de recambio que no esta en stock, debera esperar fuera de
operacion. Cuando se realiza un overhaul, el componente es enviado a un taller central lejano
de la faena, tomando mucho tiempo la restitucion de este al stock de repuestos. Aqu aparece
Mec
anicos Diesel
Mec
anico Hidraulico
Tecnico Electrico
Bahas de reparacion
Camionetas
Stock repuestos
2
3
3
2
2
10 % Comp. totales
Cuadro 7.2: Tabla Recursos Taller

72
Reparacin
Componente o
subsistema
Correctiva
Salida de Taller
Ingresa Camion a
Taller
Designa
sistema o
subsistema a
intervenir
Correctiva u
Overhaul
Overhaul
Hay stock para
Overhaul ?
Si
Intervencin por
Overhaul
No
Esperar por
Repuesto
Figura 7.3: Diagrama Intervenciones

la necesidad de programar los overhauls en forma eficiente para evitar peaks de demanda de
repuestos, lo que claramente llevar
a a altos grados de indisponibilidad en perodos determinados.
Finalmente, el sistema de gesti
on de los overhauls aqu expuesto, mantendra la ventaja de
aumentar la disponibilidad de los repuestos sin realizar gastos en la adquisicion, lo cual se puede
desarrollar simplemente al mantener un orden preciso y actualizado del tiempo de realizaci
on de
los overhauls. Esto, con los softwares de planilla de calculos actuales resulta sencillo y rapido.
7.3.1.
on
En general para el sistema de camiones en faena la disponibilidad de los mismos no se vio

significativamente afectada (gr
afico 7.4) por la modificacion del parametro de adelanto de
overhauls, lo que es debido a que estadsticamente la cantidad de camiones que entra al taller
es la misma, s
olo cambiando la distribucion de la carga.
Respecto a los cambios en la disponibilidad en el tiempo para una faena, podemos ver en el
grafico 7.5, que se encuentra suavizado mediante la aplicacion de una media movil sobre perodos
de una semana, que en general el valor de la disponibilidad se encuentra con cierta estabilidad
entre los 96 % y 99 %, lo cu
al contrasta con la aparicion de valles marcados en las cercanas de
los perodos de Overhaul.
Los valles formados representan al uso de los recursos de forma intensiva en los perodos de
overhaul, eso si, cabe destacar que estos valles tienden a disminuir en su tama
no a lo largo del
tiempo, lo cual se presume que es debido a la disgregacion propia de los overhauls, al no poder
realizarse todos al mismo tiempo.

73
Disponibilidad [%]
97,4%
0,972
0,972
5%
15%
97,2%
97,0%
0,970
96,8%
96,6%
96,4%
96,2%
96,0%
0%
% Adelantamiento Overhauls

on de disponibilidad promedio de Preventivas para el perodo de contrato
Al contrastar los valores de disponibilidad del sistema de camiones, respecto de los casos
donde se produce adelantamiento de los overhauls 7.6 encontramos que mientras aumentamos
en mayor cantidad el adelantamiento, los valles existentes son mas suaves, lo que se atribuye a
la distribuci
on cada vez m
as uniforme de las intervenciones preventivas.
En adici
on a lo anterior, se puede ver tambien en la figura 7.6 que el efecto de la disgregaci
on
propia de los overhauls en el tiempo resulta mas rapida al aumentar el parametro , que es
la ventana de tiempo donde son posibles las overhauls donde son posibles las OH, not
andose
tambien de forma mucho m
as marcada la tendencia en el tiempo hacia una distribucion uniforme
de disponibilidad. Esto es, que la ocurrencia de overhauls sea igual en el tiempo y no solamente
a perodos acotados que dan paso a los valles de indisponibilidad.
7.3.2.
Efecto de adelanto de overhauls en la cola de taller
Para la cola de taller, los resultados obtenidos a partir de la simulacion muestran una tendencia similar al caso de la disponibilidad (figura 7.7 ). Esto es, una oscilacion peque
na con
grandes peaks marcados en los perodos de Overhaul.
Respecto a los peaks, se puede ver que el primero resulta ser notablemente mayor que el
resto, lo que al igual que la disponibilidad, ocurre pues se cumple el tiempo de overhaul simultaneamente, en la mayora de los componentes. Se grafico por una parte, el aporte a la carga
de taller generados por las intervenciones correctivas y por otro, las preventivas. Este u
ltimo
grafico corresponde a los camiones que se debera intervenir preventivamente, no los que esperan
en taller. Se puede observar que los peaks de demanda son aportados por las intervenciones overhauls de manera mayoritaria, por tanto que las correctivas ocurren con distribucion aleatoria en
el tiempo y no de forma estacional como el caso de las intervenciones preventivas.
En este caso se producen tambien atenuacion de los peaks en el tiempo pero nuevamente,
esto es m
as notorio en las simulaciones que incluyen adelantamiento de overhaul, pudiendo verse
en el caso del adelanto de 15 %, que la distribucion de la cola de taller pasa a mostrar peaks
mucho m
as peque
nos y uniformes.

74
100%
98%
Disponibilidad
96%
94%
92%
90%
88%
86%
84%
82%
80%
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
Tiempo [Horas]
Sin Adelanto
Figura 7.5: Disponibilidad caso sin adelanto
7.3.3.
Sobre la cantidad de repuestos.
Seg
un los resultados podemos ver que el n
umero de repuestos existentes tiene que verse
excedido en su demanda en los perodos de overhaul, mientras que el resto del tiempo, existen
componentes suficientes para un funcionamiento normal del taller.
Por esto, al registrar la cantidad de veces que se produce un quiebre de stock en el pool de
repuestos durante la duraci
on del contrato, se observa una disminucion de estos al aumentar el
adelantamiento (figura 7.10), lo que resulta coherente con la disminucion en la carga instant
anea
de la cola de taller descrita en 7.3.2.
Al revisar esto u
ltimo, el incluir un aumento de repuestos en el pool del taller de terreno,
con tal de mitigar el exceso de demanda en los perodos de Overhaul, es una opcion posible.
Al comparar la adici
on de repuestos para los tres componentes estudiados, la disminuci
on no
resulta significativa siendo incluso comparable con adelantar un 5 % el periodo de overhaul (ver
grafico 7.11).
Para el caso de la adici
on de 2 repuestos al pool de todos los componentes, que equivale
a aumentar en un 45 % su capacidad, se muestra en el grafico ?? que en comparacion con un
adelantamiento de un 15 %, los peaks alcanzados son mayores en todos los casos, con lo que los
resultados alcanzados con este enfoque no superan a los realizados con el adelantamiento de los
Overhauls.
Cabe notar que para estos casos, el aumentar la cantidad de recursos humanos, no genera
ning
un incremento en la suavizacion de los peaks ya que estos tienen solo directa relaci
on con
la indisponibilidad de repuestos. Seg
un los resultados del modelo el regimen de peaks resulta
disminuir en su magnitud dirigiendose hacia una uniformidad, y donde el componente temporal
para este caso no resulta preponderante, repitiendose aproximadamente el mismo ciclo entre
overhauls a excepci
on de la primera intervencion. Por esto, el realizar en primera instancia un
contrato a largo plazo entrega resultados similares, viendose solo una diferencia entre si se realiza
el contrato antes o despues del primer ciclo de Overhauls.
Finalmente, es necesario remarcar que seg
un el modelo es necesario realizar un seguimiento
continuo de los perodos de overhauls, de manera de aplicar de manera correcta las prioridades y
tiempos de entrada a taller, por otro lado, para las distribuciones de reparacion, se sospecha de

75
100%
98%
Disponibilidad
96%
94%
92%
90%
88%
86%
84%
82%
80%
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
80000
90000
Tiempo [Horas]
Sin Adelanto
Adelantando 5%
Adelantando 15%
Figura 7.6: Disponibilidad seg

un nivel de adelanto
Carga de Taller [Camiones]
20
18
16
14
12
10
8
6
4
2
0
0
10000
20000
30000
40000
50000
60000
70000
Tiempo [Horas]
Adelanto de 15%
Adelanto de 5%
Sin Adelanto
Figura 7.7: Cola de taller Total seg

un adelanto de Overhaul

76
6
5
4
3
2
1
0
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
Tiempo [Horas]
Sin Adelanto
Adelanto de 15%
Adelanto de 5%
Figura 7.8: Cola de intervenciones correctivas seg

20
18
16
14
12
10
8
6
4
2
0
0
10000
20000
30000
40000
50000
60000
70000
80000
Tiempo [Horas]
Adelanto de 15%
Adelanto de 5%
Sin Adelanto
Figura 7.9: Cola de intervenciones preventivas seg

90000
N Horas sin Stock Componentes

1600
77
1506
1400
1296
1200
1000
894
800
600
400
200
0
0%
5%
15%
% Adelantamiento Overhauls.
Disponibilidad [%]
Figura 7.10: N
umero horas sin stock de componentes
98%
93%
88%
83%
78%
0
10000
20000
30000
40000
50000
60000
70000
80000
90000
Tiempo [Horas]
aumentando en 40% el pool de repuestos
Adelantando 15%

on entre los resultados de adelantamiento y aumento del pool de repuestos
en un 45 %
posibles sobrevaloraci
on en los valores de tiempo utilizados. Sin embargo, no resulta influyente
en el an
alisis de las tendencias aqu descritas, a
un as se recomienda el llevar un registro separado
de los tiempos de reparaci
on y los TFS, lo que es de mucha mayor utilidad a la hora de realizar
analisis de cargas de taller.
7.4.
Conclusiones
Seg
un los resultados alcanzados se puede concluir que existe una relacion directa entre la
cola de taller y la disponibilidad, principalmente por la cola de entrada a taller. Tambien existe
una relaci
on entre el uso de los repuestos y aumento de la indisponibilidad, debido a quiebres
de stock ocurridos por aumentos repentinos de la demanda de ellos. Adelantar/posponer overhauls en taller bajo la condiciones expuestas genera efectivamente una baja en los quiebres de
stock e indisponibilidad del sistema, al disgrega rapidamente las cargas del taller, sin afectar la
disponibilidad. Por otra parte, la adicion de elementos al pool de repuestos, no resulta comparativamente mejor que el acercamiento antes descrito. Para las distribuciones de reparaci
on, se
sospecha seg
un el trabajo de Salas y Vidal de posibles inconsistencias en los valores utilizados,
sin embargo, no resulta influyente en el analisis de las tendencias aqu descritas. Se recomienda

78
el llevar un registro separado de los tiempos de reparacion y los TFS, para facilitar el an
alisis
de cargas de taller. El sistema de gestion expuesto, mantiene la ventaja de aumentar la disponibilidad de los repuestos sin realizar gastos de adquisicion, en contraparte obliga a mantener
un orden preciso y actualizado del tiempo de realizacion de los overhauls de cada componente en faena. Por u
ltimo las mayores de cargas de taller, aparecen durante los primeros a
nos,
comport
andose pr
acticamente uniforme en los a
nos siguientes, dando cuenta de la necesidad de
revisar la cantidad de recursos asignados seg
un la duracion del contrato.
Bibliografa
[1] E. Salas & A. Vidal, Modelo de simulacion para determinar dotaciones optimas en contratos
de mantenimiento y reparaci
on de una flota de camiones mineros, Encuentro gestion de
activos fsicos EGAF. Universidad de Chile, Diciembre 2008.
[2] R. Pascual, El Arte de Mantener, Apuntes del curso Mantencion de Maquinaria, P. Universidad Cat
olica de Chile, 2009.
[3] J. Barcel
o, Simulaci
on de Sistemas Discretos. Universidad de Catalu
na, Editorial Isdefe
1996.
[4] A. Bradley Arena Basic Users Guide Rockwell Automation 2006.
[5] H. Guide, V. Srivastava, T. Kraus, Priority scheduling policies for repair shops, International
Journal of Production Research, 38, 2000.
[6] J. Joo, L. Ferris, Planning preventive maintenance for a fleet of police vehicles using simulation. Department of Decision Sciences and MIS, School of Business and Administration.
Saint Louis University 1997.
[7] Y. Alkhamis, H. Yellen, Refinery units maintenance scheduling using integer programming.
Appl. Math. Modelling , 19, 1995.
79
Captulo 8
An
alisis de productividad en
sistemas de carguio y transporte
mineros
Pablo Godoy y Ra
ul Rojas, Departamento de Ingeniera Mecanica, Universidad de Chile.
Abstract
This work studies the productive process of mining loading and transport systems. Our
approach considers an analytical model based on queueing theory, the Mean Value Analysis
(MVA). The model delivers the results needed to estimate key performance indicators such as
expected trucks and shovel availability and expected system throughput. The analysis identify
bottlenecks in a prompt, reliable and economical way. It considers the delays of the various
processes, mainly caused by the unavailability of trucks and shovels. The results indicate which
resources must be modified to increase system productivity. A case study in an open-pit chilean
mine is used as example. Results show that the increase of truck availability may not produce a
throughput increase. Analogously the increase of shop resources is acceptable only until a given
level, in which throughput reaches a ceiling.
80

8.1.
81
Introducci
on
En este trabajo se analiza una serie de entidades, en este caso camiones, que transportan
material pasando por diversos procesos que implican una serie de demoras, efectos en la disponibilidad de camiones formaci
on de colas. Dentro de estas demoras se encuentra el proceso de
carga de material en los camiones. La carga es realizada por una cierta cantidad de palas y/o
cargadores frontales. Aplicando el modelo de Dietz [1] basado en el Analisis del Valor Medio
se busca estimar el throughput del sistema y su interaccion con el n
umero de entidades y los
diferentes procesos involucrados en el ciclo. Existe una gran variedad de procesos que involucran
una red de lazo cerrado, y en la mayora de estos procesos se busca maximizar el n
umero de
ciclos que realizan las entidades que participan en el proceso. Esto se debe a que la productividad
del sistema est
a directamente relacionada con el throughput del sistema, o sea la cantidad de
entidades por unidad de tiempo que realizan una cierta labor. La figura 8.1 muestra la red que
es analizada m
as adelante.
Los factores que influyen en el throughput son: las demoras de las entidades en los diversos
procesos y el n
umero de entidades que realizan la labor. Dentro de estos procesos pueden encontrarse una serie de subprocesos los cuales pueden formar una red tenedor,(ver figura 8.1) y
ademas estos procesos pueden realizarse de manera paralela al mismo tiempo para una entidad,
como es el caso de los procesos de mantencion con los diversos subsistemas asociados. Se ha
observado que el caso particular de los procesos de mantencion, influyen directamente en la
disponibilidad de entidades y por ende en la productividad del sistema. Debido a que este tipo
de procesos es com
un en diversos sistemas de lazo cerrado, es interesante su estudio, en especial
para poder estimar tasas de produccion, y sus interacciones con el n
umero y disponibilidad de
entidades y los procesos. Este es el caso, por ejemplo, de los procesos involucrados en diversas
funciones del
area aeron
autica. En este ambito se han desarrollado y perfeccionado una serie
de modelos [2], [3], [4], tanto analticos como de simulacion que permiten estimar el comportamiento de los sistemas de lazo cerrado. Particularmente el estudio de este paper se basa en
un modelo analtico basado en la teora de colas perfeccionado por Dietz [1]. Este modelo permite tener resultados muy similares a una simulacion. Ademas su ejecucion solo requiere unos
pocos segundos, en cambio la simulacion puede requerir varias replicas, que en algunos casos
requiere de varias horas para entregar resultados. Sumado a esto, el costo de aplicar el modelo
es considerablemente menor comparado con la simulacion, dado que para aplicar el modelo solo
se requiere tener algunos conocimientos de programacion en alg
un lenguaje computacional, en
cambio la simulaci
on requiere de una gran inversion en software y en la respectiva capacitaci
on
en este.
8.2.
8.2.1.
Estudio de Caso
Modelo analtico
El modelo considera unel sistema de transporte y carguo de material de una faena minera.
La faena posee una serie de procesos. Para efectos de modelacion del ciclo, primero al cami
on
se le asigna, con una cierta probabilidad, una ruta de ida hacia el proceso de carga. Cada ruta
es un proceso independiente. Existen dos procesos (n
umeros 3 y 4, figura 8.1) que representan
las demoras de viaje asociados a estas rutas: Ida Ruta Esteril y Ida Ruta Producci
on. Posteriormente, para cada ruta, al cami
on se le asigna un proceso de carga con una cierta probabilidad.
Estos procesos de carga est
an representados por dos tipos de procesos dependiendo si del modo
de carga es con Palas o con Cargadores Frontales. Estos procesos son llamados Carga en Palas

Figura 8.1: Esquema del ciclo de operacion y mantenimiento de la flota de camiones
82

83
(n
umeros 5 y 7, figura 8.1) y Carga en Cargadores (n
umeros 6 y 8, figura 8.1). Analogamente,
para cada ruta hay un viaje de vuelta hacia el sector de descarga. Estos procesos son nombrados
Vuelta Ruta Esteril (n
umero 9, figura 8.1) y Vuelta Ruta Producci
on (n
umero 10, figura 8.1). Del
mismo modo se asignan los procesos de Descarga con los nombres de Descarga Esteril (n
umero
11, figura 8.1) y Descarga Producci
on (n
umero 12, figura 8.1). Finalmente termina el ciclo en
un proceso (n
umero 1, figura 8.1), que involucra a todos los camiones. Este proceso se nombrara como Tiempos Muertos , e involucra los tiempos de demora producidos por situaciones
como cambios de turno, cambios de ruta, detenciones asociadas al operador mismo y detenciones
moment
aneas no programadas. Luego con una cierta probabilidad al camion se le asigna una
ruta o pasa a intervenci
on correctiva o preventiva (n
umero 2, figura 8.1). En caso de ir a intervencion, el cami
on puede ser intervenido seg
un la probabilidad del modo de falla correspondiente.
Estos modos de falla son: Reparaci
on Mec
anica , Reparaci
on Electrica , Reparaci
on Hidr
aulica
, Mantenci
on Preventiva y Otros . Estos modos de falla forman una red tipo tenedor de 5 tipos
de falla (n
umeros 2.1, 2.2, 2.3, 2.4, 2.5, figura 8.1), la cual se caracteriza por el hecho de que una
entidad, en este caso un cami
on, puede tener mas de un modo de falla al mismo tiempo, o sea
por ejemplo, puede ser intervenido en Reparacion Mecanica y Reparacion Electrica al mismo
tiempo. Esto se ve reflejado en que las probabilidades de los modos de falla pueden sumar un
n
umero mayor que 100 %. Una de las caractersticas de este modelo, es que asume distribuciones
exponenciales [1] para los tiempos de demora de cada proceso. Los valores medios exponenciales
de las distribuciones de las demoras son un parametro de entrada del modelo. Otro par
ametro
de entrada son la cantidad de recursos asignado a cada proceso. Por ejemplo en el caso de la
red tenedor, los recursos son el n
umero de bahas de atencion. Finalmente el u
ltimo par
ametro
de entrada requerido es la probabilidad de llegada a cada proceso. En el caso de la red tenedor
estas probabilidades son las probabilidades del modo de falla respectivo. Para el caso estudiado
estos par
ametros fueron obtenidos y/o calculados de la informacion entregada por la empresa
responsable de los camiones. La programacion del modelo fue realizada en una plataforma JAVA.
Para verificar el correcto funcionamiento del algoritmo programado, este se testeo con los datos
del ejemplo del ciclo que aparece en la referencia del modelo [1]. Los resultados obtenidos fueron
iguales al paper original [1] por lo que se asume que el modelo esta correctamente programado.
En los Cuadros 8.1 y 8.2 se muestran los parametros ingresados al modelo.

Proceso
1) Tiempos Muertos
2.1) Mec
anica
2.2) Electrica
2.3) Hidr
aulica
2.4) Mantenci
on Preventiva
2.5) Otras
3) Ida Ruta Esteril
4) Ida Ruta Producci
on
5) Carga en Palas Esteril
6) Carga en Cargadores Esteril
7) Carga en Palas Producci
on
8)Carga en Cargadores Produccion
9) Vuelta Ruta Esteril
10) Vuelta Ruta Producci
on
11) Descarga Esteril
12) Descarga Producci
on
Duracion (hrs)
0,2
4,22
3,7
3,4
7,8
3,9
0,2
0,2
0,036
0,073
0,036
0,073
0,18
0,18
0,015
0,015
84
Recursos (u.)
Infinitos
4 bahas
4 bahas
4 bahas
4 bahas
4 bahas
Infinitos
Infinitos
4 Palas 85 % Disponibilidad
2 Cargadores 85 % Disponibilidad
1 Pala 85 % Disponibilidad
1 Cargador 85 % Disponibilidad
Infinitos
Infinitos
Infinitos
Infinitos
Cuadro 8.1: Tiempos Medios Exponenciales y Recursos por proceso
Proceso
1) Tiempos Muertos
2.1) Mecanica
2.2) Electrica
2.3) Hidraulica
2.4) Mantencion Preventiva
2.5) Otras
3) Ida Ruta Esteril
4) Ida Ruta Produccion
5) Carga en Palas Esteril
6) Carga en Cargadores Esteril
7) Carga en Palas Produccion
8)Carga en Cargadores Produccion
9) Vuelta Ruta Esteril
10) Vuelta Ruta Produccion
11) Descarga Esteril
12) Descarga Produccion
Probabilidad %
100
50
35
7
8
5
75
25
73
27
65
35
100
100
100
100
Cuadro 8.2: Probabilidades de Llegada o Modos de Falla para cada Proceso

85
Disponibilidad de Camiones (%)
90%
Actual
89%
88%
87%
86%
85%
84%
40
41
42
43
44
45
46
47
48
49
50
51
N de Camiones
Figura 8.2: Disponibilidad de camiones en funcion del n
umero de camiones que circulan en la
faena.
8.3.
on
Para la realizaci
on de los an
alisis, se debe considerar la situacion actual y la situaci
on del
a
no anterior. Con estos datos se calibro el programa, el cual entregaba resultados en cuanto a throughputs muy similares al budget de la empresa. Esto es otra verificacion de que la programaci
on
es correcta.
Se observa (figura 8.2) que la disponibilidad disminuye a medida que se tienen mas camiones.
Esto es debido a que al haber m
as camiones se hacen mayores colas en las bahas de reparaci
on.
Esto indica que una manera de mejorar la disponibilidad de camiones es aumentando el n
umero
de bahas de reparaci
on.
De los an
alisis se observa (figura 8.3) que para un universo de 51 camiones el throughput de
sistema es creciente. Sin embargo al aumentar el universo de camiones hasta 57 se alcanza una
estacionalidad del throughput cercana a las 370 kTon/da. Esto se explica principalmente por la
ley de rendimientos decrecientes. Luego tener un universo superior a los 51 camiones puede ser
economicamente inviable. Comparando la situacion 2008 con 2009 se observa que se tiene una
diferencia aproximada de 23 kTon/da menos en el 2009 dado que se tienen menos camiones.
Esto significa en promedio que se tendran 8500 kTon menos de material transportado en el a
no
2009. Adem
as se observa que un aumento de la disponibilidad de carga no hace aumentar en
sobremanera el throughput del sistema. Esto es debido principalmente a que la tasa de llegada
de los camiones al sistema de carga no es lo suficientemente grande como para sobrecargar el
sistema de carga. Esto se comprueba viendo (Figura 3) que la incidencia de la disponibilidad de

86
380
12%
10%
370
Histrico
360
6%
350
4%
2%
340
Actual
0%
330
-2%
320
-4%
40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64
N camiones
85% de disponibilidad de palas (base))
90% de disponibilidad de palas
95% de disponibilidad de palas
Figura 8.3: Productividad esperada en funcion del n

umero de camiones.
Variacin % del Throughput
Throughtput (KTon/ da)
8%

87
366
93%
356
92%
91%
90%
336
89%
326
88%
87%
316
86%
306
Disponibilidad (%)
Throughput (Kton/ da)
346
85%
296
84%
286
83%
276
82%
3
Throughput
Disponibilidad
de Camiones
N de Bahas
Figura 8.4: Disponibilidad de camiones y productividad esperada en funcion del n

umero de
bahas, para una flota de 42 camiones.
carga es mayor para una menor cantidad de camiones, precisamente donde la disponibilidad de
estos es tambien mayor (ver figura 8.2).
El mismo comportamiento del throughput es predicho por un estudio similar [5], que utiliza
una simulaci
on para modelar la misma faena, en el cual tambien se observa un comportamiento
asintotico del throughput.
Se observa (figura 8.4) un comportamiento asintotico de la disponibilidad. Al aumentar de 4
a 5 el n
umero de bahas se aumenta la disponibilidad en un 2,6 %. Para 6 bahas el aumento es
de un 3,4 %. Para un mayor n
umero de bahas la disponibilidad no aumenta mas de un 3,8 %,
por lo que no se justificara tener mas de 6 bahas. Nuevamente este comportamiento se explica
por la ley de rendimientos decrecientes.
Dado que el throughput est
a ligado a la disponibilidad, este tiene el mismo comportamiento
de la disponibilidad en funci
on del n
umero de bahas (figura 8.4). Analogamente se observa un
comportamiento asint
otico despues de las 6 bahas. Dado esto y al igual que en el caso anterior,
no se justificara tener m
as de 6 bahas de reparacion.
El modelo arroja tambien, distintos niveles de cola promedio para cada proceso. En general
las colas medias en los procesos de carga (figura 8.5) aumentan a medida que aumenta el universo
de camiones.
Un comportamiento similar tiene el proceso de carga en la ruta de produccion, pero con
valores a
un menores. Sin embargo, en los procesos de intervencion correctiva y preventiva, la cola
promedio en cada baha de mantencion aumenta en mucho mayor medida que en las estaciones
de carga (figura 8.6).

88
Cola Promedio en Carga Estril (Camiones)
1,95
1,9
1,85
1,8
1,75
40
41
42
43
44
45
46
47
48
49
50
51
N de Camiones
Figura 8.5: Evoluci
on de la cola en el proceso de carga de la ruta esteril versus el universo de
camiones.

89
2,0
Cola promedio por baha (Camiones)
1,9
1,8
1,7
Histrico
1,6
1,5
1,4
1,3
1,2
Actual
1,1
1,0
40
41
42
43
44
45
46
47
48
49
50
51
N de camiones
Figura 8.6: Evoluci

on de la cola en las bahas de mantencion versus el universo de camiones con
4 bahas de Mantenci
on.

-0,60%
-0,50%
-0,40%
90
-0,30%
-0,20%
-0,10%
0,00%
0,10%
0,20%
0,30%
6 palas estril 4 palas produccin

Configuracin de Palas

6 palas estril 1 pala produccin
5 palas estril 1 pala produccin
3 palas estril, 2 palas produccin
2 palas estril, 3 palas produccin
1 pala estril, 4 pala produccin
4 palas estril, 1 pala produccin (caso base)
335,5
336,0
336,5
337,0
337,5
338,0
338,5
Throughput (KTon/da)
Figura 8.7: Throughput del sistema para diferentes configuraciones de palas.

Eso se verifica a
un m
as al aumentar el n
umero de palas y cargadores en las estaciones de
carga. Se observa (figura 8.7) que para diferentes configuraciones de palas el throughput del
sistema no aumenta significativamente.
Esto indica que el proceso de carga del sistema sera un cuello de botella del sistema solo
s los tiempos de reparaci
on en las bahas disminuyen, se agreguen mas bahas de reparaci
on
o se disminuya la probabilidad de falla de los camiones, lo que significa un aumento de la
confiabilidad.
8.4.
Conclusiones
Los resultados entregados por el modelo dejan ver que el MVA es una alternativa viable al
uso de simulaciones para la modelacion de sistemas cclicos, tanto en costos como en resultados.
Se model
o la productividad del sistema en funcion del n
umero de camiones, obteniendose datos
similares a la situaci
on real, lo que predice que el analisis es confiable. El metodo entreg
o los
resultados necesarios para hacer analisis de sensibilidad referentes a los recursos de mantenci
on
y n
umero de camiones, encontrando as los lmites que hacen que el aumento de recursos sea
innecesario. Asimismo se logr
o estimar la incidencia de las palas en la productividad del sistema.

8.5.
91
Agradecimientos
Se agradece el auspicio parcial de este proyecto a la empresa Komatsu Chile S.A., particularmente al Sr. Edson Poblete el cual aporto los datos necesarios para la implementaci
on del
analisis.
Bibliografa
[1] D.C. Dietz, R. C. Jenkins Analysis of Aircraft Sortie Generation with the Use of a Fork-Join
Queueing Network Model, Sept. 1996.
[2] J. Abell, The Sortie Generation Model System, Logistics Management Institute, Washington, DC, Sept. 1981.
[3] J. Conlon, Test and Evaluation of System Reliability, Availability, and Maintainability,
DOD Handbook, Vol. 3235.1H, U.S. Government Printing Office, Washington, DC, March
1982.
[4] A. Conway, N. Georganas, Queueing Networks Exact Computational Algorithms: A Unified
Theory Based on Decomposition and Aggregation, The MIT Press, Cambridge, MA, 1989.
[5] W. Tejada W., J. Rebolledo, S. Silva, R. Pascual, Analisis de Productividad en Sistemas
de Carguo y Transporte Mineros Usando Simulacion , Egaf VI, Pontificia Universidad
Cat
olica, 2009.
92

Egaf 6

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Egaf 6

Încărcat de

Drepturi de autor:

Formate disponibile

Pontificia Universidad Cat

de Mineral de Cobre con Criterio de

3. Productivity Analysis of a Haul-Transport System in an Open Pit Copper

La mejora de la eficiencia, la rapidez y la disminucion de costos ha sido uno de los enfoques

Trabajo presentado en MAPLA 2009

VI EGAF, P. Universidad Cat

servicios[3]. Una lnea de estudios se ha centrado en estudiar la productividad en sistemas que

Figura 1.1: Ejemplo de Stockpile Intermedio en un Sistema de Transporte Mineral

VI EGAF, P. Universidad Cat

Figura 1.2: Diagrama de descomposicion de sistema

VI EGAF, P. Universidad Cat

Donde es la tasa de produccion esperada y max es el lmite maximo, x

Para el estudio de caso se ha tomado como referencia un sistema de manejo de mineral

VI EGAF, P. Universidad Cat

y TMPR siguen una distribuci

Datos del Sistema.

Figura 1.4: Histograma de detenciones del equipo M7.

Figura 1.5: Histograma de duracion de reparaciones del equipo M7.

VI EGAF, P. Universidad Cat

Figura 1.6: Caso I: 2 stockpiles intermedios.

Figura 1.7: Caso II: 3 stockpiles intermedios.

Evaluando los casos en estudio de 2 y 3 stockpiles intermedios y variando el tama

Figura 1.8: Tasa de Producci

VI EGAF, P. Universidad Cat

VI EGAF, P. Universidad Cat

Trabajo presentado en Conferencia MAPLA 2009

VI EGAF, P. Universidad Cat

VI EGAF, P. Universidad Cat

Considere una lnea con k m

Donde es la eficiencia del sistema (unidades producidas/unidades producibles si no hay

VI EGAF, P. Universidad Cat

Se puede aproximar la eficiencia en torno a (d0 ) con:

Donde =(d0 ) puede ser interpretado como el vector de influencia de la maquina k en la

Figura 2.1: Ejemplo de Diagrama SEID

VI EGAF, P. Universidad Cat

Caso de Estudio 1. Caso Ficticio: Lnea de 4 M

Tasa de Falla (1/ut)

Tasa de Reparacion (1/ut)

Capacidad del Acumulador (up)

Cuadro 2.1: Parametros del Caso de Estudio 1

VI EGAF, P. Universidad Cat

Tiempo Fuera de Servicio (h)

Figura 2.2: DJK usando el Caso de Estudio 1

66% 78% 83%

Figura 2.3: SEID para el Caso de Estudio 1

VI EGAF, P. Universidad Cat

Caso de Estudio 2. Caso Real: Lnea de Ensamblaje de Vehculos

Tasa de Falla (1/min)

Tasa de Reparacion (1/min)

Capacidad del Acumulador (kton)

Cuadro 2.2: Parametros del Caso de Estudio 2

VI EGAF, P. Universidad Cat

Tiempo Fuera de Servicio (min)

Figura 2.4: DJK usando el Caso de Estudio 2

VI EGAF, P. Universidad Cat

Figura 2.6: SEID para el Caso de Estudio 2

Caso de Estudio 3. Caso Real: Lnea Chancado-Molienda en una Faena

Tasa de Falla (1/h)

Tasa de Reparacion (1/h)

Capacidad Stock-Pile (kton)

Cuadro 2.3: Parametros del Caso de Estudio 3

VI EGAF, P. Universidad Cat

Figura 2.7: SEID para el Caso de Estudio 3