Jak prognozować popyt na przemysłowe materiały MRO

Maszyna jest wyłączona. Część zamienna, której potrzebujesz, ma termin realizacji OEM wynoszący 20 tygodni. Przerywane, zależne od awarii zużycie sprawia, że standardowe metody prognozowania są zawodzące, więc potrzebujesz ram opartych na krytyczności i danych o awariach.

Większość zespołów zakupowych zawodzi ponieważ traktują prognozowanie MRO jak prognozowanie wyrobów gotowych. Skutki widzimy codziennie: kupujący gorączkowo szukają przestarzałych komponentów, podczas gdy ich systemy SAP pokazują zdrowe poziomy zapasów części, których już nigdy nie użyją.

Dlaczego standardowe prognozy zawodzą w przypadku części zamiennych MRO

Ekstrapolacja historycznego zużycia nie uwzględnia przerywanego, zależnego od awarii charakteru części przemysłowych. Część, która psuje się raz na 18 miesięcy, nie podlega krzywej rozkładu normalnego.

Tradycyjne modele transakcyjne o wysokiej częstotliwości zakładają stałe, powtarzalne zakupy. Popyt MRO jest inny. Jak zauważa analiza trendów popytu MRO firmy Verusen, popyt jest przerywany i zależny od awarii, przez co te modele oparte na zachowaniach konsumenckich są nieskuteczne. To zdarzenia związane z utrzymaniem predykcyjnym, a nie wzorce zużycia, powinny napędzać Twoje prognozy. Bez tej zmiany utrzymujesz albo nadmierny zapas bezpieczeństwa, albo narażasz się na ryzyko braku zapasu dla komponentów krytycznych dla działania.

Zacznij od krytyczności, nie od historii zużycia

Priorytetyzacja zapasów na podstawie krytyczności zasobu jest podstawowym krokiem. Czujnik za 50 USD, który zatrzymuje linię produkcyjną, jest ważniejszy niż napęd za 5000 USD z redundantnym zabezpieczeniem. Skategoryzuj każdą część według operacyjnego wpływu jej awarii, zanim przypiszesz jakikolwiek model prognozowania.

To stoi w sprzeczności z odruchem skupiania się na pozycjach o wysokiej wartości. Jeśli komponent jest krytyczny, jego prognoza powinna faworyzować dostępność zamiast rotacji zapasów.

Krok 1: Klasyfikuj swój zapas za pomocą analizy ABC-XYZ

Klasyfikacja ABC-XYZ jest podstawą każdego poważnego frameworka prognozowania MRO. Łączy wartość zużycia (ABC) ze zmiennością popytu (XYZ).

Analiza ABC klasyfikuje pozycje według rocznej wartości zużycia. Analiza XYZ klasyfikuje pozycje według zmienności popytu. Ich przecięcie mówi dokładnie, jak zarządzać każdym SKU.

To ramy pomaga uniknąć stosowania jednego modelu do każdego SKU. W przypadku pozycji CZ prognozowanie jest stratą czasu. W przypadku pozycji AZ jest to kwestia przetrwania operacyjnego.

Krok 2: Sygnalizacja popytu oparta na awariach modelu

Gdy już sklasyfikujesz swój zapas, zastąp prognozy oparte na zużyciu prognozami opartymi na awariach. Wyzwalaczem uzupełnienia powinno być zdarzenie serwisowe, a nie okresowa kontrola stanu magazynu.

Celem jest powiązanie danych o średnim czasie między awariami (MTBF) z wyzwalaczami uzupełnienia. Jeśli napęd serwo ma znany MTBF wynoszący 5 lat i masz 10 takich urządzeń w eksploatacji, powinieneś planować około 2 awarie rocznie. To stochastyczne podejście do modelowania jest znacznie dokładniejsze niż patrzenie na to, co kupiłeś w zeszłym roku. Badania nad metodami prognozowania i modelami dla zapasów utrzymania ruchu potwierdzają, że dostosowane systemy wsparcia prognozowania poprawiają wyniki zarządzania zapasami utrzymania ruchu.

Matematyka popytu opartego na awariach

Dla komponentów o stałej częstości awarii standardowym modelem jest rozkład Poissona. Prawdopodobieństwo zaobserwowania dokładnie k awarii w danym okresie wynosi:

P(k) = (λ^k * e^-λ) / k!

Gdzie λ to oczekiwana liczba awarii w tym okresie. Jeśli masz 10 napędów z MTBF wynoszącym 5 lat, oczekiwana liczba awarii wynosi 2 rocznie. Prawdopodobieństwo wystąpienia 3 lub więcej awarii w ciągu jednego roku wynosi około 32%. To nie jest ryzyko ogonowe; to niemal pewność w horyzoncie 3 lat. Twoje obliczenie zapasu bezpieczeństwa musi uwzględniać tę zmienność, a nie tylko średnią.

Częstym błędem jest ignorowanie zmienności czasu realizacji. Część z 20-tygodniowym czasem realizacji wymaga innych poziomów zapasu niż część z 2-tygodniowym czasem realizacji.

Wzór popytu w czasie realizacji

Standardowe obliczenie punktu ponownego zamówienia przy niepewności to:

Punkt ponownego zamówienia = (Oczekiwany dzienny popyt × Czas realizacji w dniach) + Zapas bezpieczeństwa

Dla części opartych na awariach oczekiwany dzienny popyt to roczna stopa awarii podzielona przez 365. Zapas bezpieczeństwa jest funkcją odchylenia standardowego popytu w czasie realizacji oraz pożądanego poziomu obsługi. Dla poziomu obsługi 95% wartość z wynosi 1,65. Dla 99% wynosi 2,33.

Rozważ napęd Siemens 6SE7021-8EB87-0AA1 z 20-tygodniowym czasem realizacji od OEM. Twoja fabryka eksploatuje 12 takich napędów, każdy z udokumentowanym MTBF wynoszącym 6 lat. Oczekiwana liczba awarii wynosi 2 rocznie. Czas realizacji to 140 dni. Oczekiwany popyt w czasie realizacji wynosi 0,77 sztuki. Jeśli odchylenie standardowe popytu w czasie realizacji wynosi 0,9, twój zapas bezpieczeństwa dla poziomu obsługi 95% wynosi 1,65 × 0,9 = 1,5 sztuki. Zaokrąglając w górę: potrzebujesz punktu ponownego zamówienia na poziomie 2 sztuk na stanie. Jeśli trzymasz tylko 1 sztukę, masz około 30% szans na brak zapasu, zanim dotrze zamiennik.

Prognozowanie w warunkach zmienności łańcucha dostaw

Powyższa matematyka stopy awarii zakłada stabilny czas realizacji. Gdy globalna logistyka zostaje zakłócona, 20-tygodniowy czas realizacji może bez ostrzeżenia wydłużyć się do 30 lub 40 tygodni. Twoja prognoza musi uwzględniać współczynnik inflacji czasu realizacji oparty na bieżącej wydajności dostawcy.

Jeśli Twój OEM podał 20 tygodni, ale w przypadku ostatnich trzech zamówień dostarczał po 26 tygodniach, Twój czas realizacji planowania wynosi 26 tygodni, a nie 20. Przelicz punkt ponownego zamówienia, używając rzeczywistego czasu realizacji.

W przypadku części już oznaczonych jako przestarzałe lub wycofywane z eksploatacji pytanie o czas realizacji traci znaczenie. Twoja prognoza powinna uruchomić decyzję o źródle zaopatrzenia, zanim zostanie zużyta ostatnia sztuka. Gdy model identyfikuje krytyczny napęd z efektywnym czasem realizacji wynoszącym 26 tygodni i tylko 1 sztuką na stanie, prognoza spełniła swoje zadanie. Następnym krokiem jest znalezienie zweryfikowanego alternatywnego źródła.

Krok 3: Wykorzystaj uczenie maszynowe do popytu nieregularnego

Standardowe modele statystyczne zawodzą przy popycie nieregularnym. Algorytmy uczenia maszynowego, a konkretnie maszyny wektorów nośnych (SVM), okazały się skuteczne w radzeniu sobie z takimi rzadkimi wzorcami popytu. Studium przypadku dotyczące SVM dla prognozowania popytu na [MRO inventory(https://automa.net/blog/best-strategies-managing-mro-inventory) | researchgate.net] pokazuje, jak te modele radzą sobie z chaotycznymi danymi, które pokonują tradycyjne metody.

W większości zakładów dane te znajdują się w CMMS, ERP oraz dziennikach utrzymania ruchu.

Luka, której nie zamknie żaden algorytm: człowiek w pętli

Każdy model ML wdrożony w europejskich zakładach ma tę samą ślepą plamkę: ignoruje wiedzę ukrytą techników utrzymania ruchu, którzy pracują przy linii od 15 lat. Wiedzą oni, że robot KUKA na linii 3 psuje się częściej w sierpniu, gdy rośnie temperatura otoczenia.

Czyste podejście ML traktuje te spostrzeżenia jako szum. Podejście z człowiekiem w pętli traktuje je jako cechy.

Praktyczny proces łączenia wyników ML z oceną technika

Zorganizuj comiesięczne spotkanie przeglądowe z zespołem utrzymania ruchu, a nie tylko z działem zakupów. Przejrzyj prognozę ML na najbliższe 90 dni dla swoich 20 najważniejszych krytycznych części. Zadaj jedno pytanie: czy to zgadza się z tym, co widzisz na hali?

Falownik na linii pakującej od dwóch tygodni wydaje wysoki pisk. Część zamienna, którą masz na stanie do wrzeciona CNC, ma niewłaściwą wersję; maszyna została zmodernizowana w zeszłym roku. To są sygnały popytu, których nie zawiera żaden historyczny zbiór danych, ponieważ dzieją się teraz.

Rejestruj te korekty w CMMS jako uporządkowane notatki. Z czasem budujesz pętlę sprzężenia zwrotnego: model ML uczy się na podstawie poprawek technika, a technik widzi, że jego wkład przekłada się na lepszą dostępność zapasów.

Dane potrzebne, aby ML działało

Zanim zainwestujesz w jakiekolwiek narzędzie ML, oceń jakość swoich danych. Minimalny użyteczny zbiór danych dla pojedynczej części obejmuje:

• Data i godzina awarii
• Identyfikator zasobu i lokalizacja
• Numer części i producent
• Tryb awarii (z kodów CMMS)
• Działanie konserwacyjne podjęte (naprawa vs. wymiana)
• Czas realizacji od zamówienia do odbioru
• Uwagi technika (tekst swobodny)

Większość zakładów ma te dane rozproszone między CMMS, ERP i arkuszami Excel. Model ML jest tak dobry, jak Twoja zdolność do łączenia tych tabel. Zacznij od standaryzacji kodów awarii i wymagania, aby zespół utrzymania ruchu wybierał z listy rozwijanej zamiast wpisywać tekst swobodny.

Kiedy ML jest niewłaściwym narzędziem

W przypadku części sklasyfikowanych jako CZ, o niemal zerowym zużyciu, ML nic nie wnosi. Popyt jest tak rzadki, że żaden algorytm nie znajdzie wzorca. Prawidłowa prognoza jest prosta: zamawiać ponownie po awarii albo skorzystać z tablicy zapytań rynkowych, gdy awaria wystąpi.

W przypadku części AZ z rzeczywistą historią awarii ML się sprawdza. Ale jeśli Twoje dane MTBF są niewiarygodne, ponieważ zdarzenia konserwacyjne nie były rejestrowane przez dwa lata, model wygeneruje pewne siebie bzdury.

Krok 4: Zastosuj analizę BOM do zaopatrzenia utrzymania ruchu

Analiza BOM dla zaopatrzenia utrzymania ruchu pomaga zrozumieć, które komponenty są współdzielone przez wiele aktywów. Gdy jeden numer części pojawia się w 15 różnych BOM-ach maszyn, jego krytyczność jest wyższa, niż sugeruje indywidualna częstość awarii.

Nie można prognozować popytu na część, której nie ma już w katalogu dostawcy, ale można prognozować ryzyko jej potrzeby. To ryzyko powinno uruchomić decyzję: znaleźć zweryfikowany zamiennik, zmagazynować ostatnie dostępne sztuki albo zaplanować modernizację.

Badanie MRO w lotnictwie firmy Oliver Wyman podkreśla, że napięcia w łańcuchu dostaw rosną w różnych branżach, a prognozowanie popytu na części zamienne staje się priorytetem zarządzania kosztami. W przypadku części wycofanych z użycia horyzont prognozy nie wynosi kwartału. To pozostały cykl życia aktywa.

Krok 5: Zarządzanie zapasami przestarzałych komponentów automatyki

Zapas przestarzały wymaga innego modelu decyzyjnego niż aktywny stan magazynowy. Celem jest zminimalizowanie zarówno kosztu utrzymywania martwego zapasu, jak i kosztu przestoju maszyny bez dostępnego zamiennika.

W przypadku komponentów w aktywnych aktywach produkcyjnych pytanie brzmi, czy zmagazynować ostatni zakup, czy szukać zweryfikowanego zamiennika. W przypadku komponentów już zastąpionych, nadwyżkowy zapas powinien zostać spieniężony zamiast spisany na straty. Gdy prognoza wskazuje część jako wysokiego ryzyka z powodu przestarzałości, rozwiązaniem nie jest lepszy model statystyczny. Jest nim zweryfikowane źródło fizycznej części.

Ramowy model prognozowania w praktyce

Kompletny framework jest prosty: klasyfikuj według krytyczności, modeluj na podstawie danych o awariach, stosuj ML do popytu nieregularnego i używaj analizy BOM do wykrywania komponentów współdzielonych i przestarzałych. Wynikiem są wyzwalacze uzupełniania zapasów i strategie zaopatrzenia dostosowane do każdej klasy zapasów.

Liczby pokazują, dlaczego to ma znaczenie. Według prognozy wydatków MRO IATA globalne wydatki na MRO w lotnictwie mają osiągnąć 119 miliardów dolarów do 2034 roku, a globalna flota samolotów ma wzrosnąć o 37% do 2036 roku zgodnie z analizą wzrostu floty Oliver Wyman. Presja na dostępność części zamiennych tylko rośnie.

Trudna część nie polega na metodzie prognozowania. Gdy Twoja analiza wskazuje przestarzały napęd z 20-tygodniowym czasem realizacji, nie potrzebujesz lepszych danych. Potrzebujesz dziś zweryfikowanego źródła fizycznej części. Właśnie tutaj AutomaSEARCH łączy Twoją prognozę z rzeczywistymi, dostępnymi od ręki zapasami w zweryfikowanej sieci dostawców.

Najczęściej zadawane pytania

Jak odróżnić popyt niezależny od zależnego na części MRO?

Popyt niezależny na części MRO wynika z nieprzewidywalnych zdarzeń, takich jak awarie maszyn lub harmonogramy konserwacji prewencyjnej. Popyt zależny jest powiązany z konkretnym planem produkcji, na przykład filtrem wymienianym za każdym razem, gdy maszyna realizuje partię. W prognozowaniu należy traktować je oddzielnie: dla popytu niezależnego używać danych o awariach i harmonogramów konserwacji, a popyt zależny bezpośrednio powiązać z prognozą produkcji.

Jakie są główne wyzwania w prognozowaniu popytu na wycofane komponenty PLC i napędów?

Wycofane komponenty nie mają historycznych danych o zużyciu i mają nieprzewidywalną awaryjność. Główne wyzwania to długie czasy realizacji (często 20 tygodni lub więcej), ryzyko braku zapasu dla krytycznej maszyny oraz wysoki koszt utrzymywania części, która może nigdy nie zostać użyta. Właśnie dlatego zarządzanie przestarzałymi zapasami wymaga innego podejścia niż standardowe prognozowanie.

Jak krytyczność maszyny wpływa na prognozowanie zapasów MRO?

Krytyczność maszyny określa koszt braku zapasu. W przypadku maszyny krytycznej koszt przestoju znacznie przewyższa koszt utrzymywania części zamiennej. Twoja prognoza musi priorytetowo traktować te pozycje, stosując wyższy zapas bezpieczeństwa i szybsze wyzwalacze uzupełniania. W przypadku maszyn niekrytycznych można zaakceptować wyższe ryzyko braku zapasu i utrzymywać niższe poziomy zapasów.