Documente Academic
Documente Profesional
Documente Cultură
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 . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
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
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
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.
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)
1.4.
Estudio de caso
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
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 ]
50%
45%
Frecuen
nciaRelatiiva
40%
35%
30%
25%
20%
15%
10%
5%
0%
0,5
1,5
2,5
R
Rango[hr]
[h ]
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.
1.4.1.
Resultados y discusi
on
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
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
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
1+
1
Pk
i=1 Di
(2.1)
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)
(2.6)
Machine 1
Machine 3
Indisponibilidad (D)
50%
IV
Machine 2
II
5%
10%
100%
Factor de Influencia ()
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.
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
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.
100
2
4
3
1
10
0,01
0,1
Tasa de Falla (1/h)
Indisponibilidad (D)
100%
50%
20%
30%
37%
3 2
100%
Factor de Influencia ()
17
iguales.
2.3.2.
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
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
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%
Indisponibilidad (D)
19
1%
8
15
1 2 6
17
13
3
14
7
16
18
4
12 10
11
0,1%
10%
100%
Factor de Influencia ()
2.3.3.
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
20
Indisponibilidad (D)
100%
Molino
10%
1%
10%
Chancador
53%
89%
100%
Factor de Influencia ()
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
Centro de Minera, P. Universidad Catolica de Chile
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
23
24
3.2.
3.2.1.
Estudio de Caso
Descripci
on del sistema
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]
Ruta est
eril
12
75
6,4
30
2,0
Ruta producci
on
25
25
11,25
25
2,0
25
3380 m.s.n.m
3420 m.s.n.m
Ruta estril
Ruta produccin
3042 m.s.n.m
26
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%
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.
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
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
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
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
29
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
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
Centro de Minera, P. Universidad Catolica de Chile
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
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
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
alisis de Tiempos Fuera de Servicio
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
36
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
4.3.1.
Resultados y discusi
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
38
An
alisis de Tiempos Fuera de Servicio
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
Cantidad
4
5
12
12
4
5
15
23
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
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
Disponibilidad total [ %]
82,0
82,1
Desviaci
on std. meses [ %]
2,6
2,1
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
85,5%
Disponibilidad [%]
85,0%
84,5%
84,0%
83,5%
83,0%
82,5%
82,0%
I
Casos
41
0
I
Casos
4.4.
Conclusiones
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
Base 3
Taller
1er escaln
Base 1
Base 2
J
X
(1 rj )
j=1
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 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
Repuesto A
Repuesto B
Repuesto C
48
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
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
Indispo
onibilidad
camin[%]
10%
9,3%
8%
Rep.A
Rep.B
Rep.C
6%
4%
2%
1,3%
0%
M.polinomico
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
A
2
2
B
3
3
C
3
5
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
Indispo
onibilidad
camiin[%]
10%
9,3%
8%
6%
4,2%
Rep.A
Rep B
Rep.B
4%
Rep.C
2%
0%
M.polinomico
METRIC
51
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. 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
Rep.A
Rep.B
Rep.C
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[%]
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
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
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
58
Interno
49%
Externo
51%
59
10000
20%
2%
1000
5
6
100
10
0.0000
0.0001
0.0010
1
0.0100
frecuencia [1/Dia]
60
80
70
60
50
Internos
Externos
40
30
20
10
0
Componente Componente Componente Componente Componente Componente
1
2
3
4
5
6
50
40
Int real
Int simulacion
30
20
10
0
Componente 1 Componente 2 Componente 3 Componente 4 Componente 5
Componente
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
6.3.1.
Resultados y discusi
on
10
Externos
Internos
0
1
Componente
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
60
50
40
Externo
Interno
30
20
10
0
1
Componente
20
15
Externos
Internos
10
0
1
Componente
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
30
25
20
Externos
Internos
15
10
0
1
Componente
64
40
35
30
Externo
Interno
25
20
15
10
5
0
1
Componente
6.4.
Conclusiones
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
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
T<(1+)To
Taller
Mecnico
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
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
2
3
3
2
2
10 % Comp. totales
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
7.3.1.
Resultados y discusi
on
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
7.3.2.
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
7.3.3.
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%
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
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%
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
90000
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%
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
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
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
85
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.
Resultados y discusi
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
8%
87
366
93%
356
92%
91%
90%
336
89%
326
88%
87%
316
86%
306
Disponibilidad (%)
346
85%
296
84%
286
83%
276
82%
3
Throughput
Disponibilidad
de Camiones
N de Bahas
88
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
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
-0,60%
-0,50%
-0,40%
90
-0,30%
-0,20%
-0,10%
0,00%
0,10%
0,20%
0,30%
Configuracin de Palas
336,0
336,5
337,0
337,5
338,0
338,5
Throughput (KTon/da)
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