تجزیه و تحلیل پیش بینی شده است که چگونه شرکت ها ذخیره قطعات ماشین خود را مدیریت می کنند با تجزیه و تحلیل داده های تاریخی و الگوهای شناسایی، کسب و کارها می توانند سطوح سهام را بهینه سازی کنند، هزینه ها را کاهش دهند و برنامه های تعمیر و نگهداری را بهبود بخشند، این تغییر از واکنش به مدیریت موجودی فعال، سازمان ها را قادر می سازد تا تجهیزات بالاتر را به دست آورند، هزینه های حمل و نقل و نقل سرمایه کارآمد تر.

اهمیت مدیریت موجودی در ماشین آلات تعمیر و نگهداری

مدیریت موجودی موثر تضمین می کند که قطعات یدکی در صورت نیاز در دسترس هستند، به حداقل رساندن خرابی و جلوگیری از تاخیر های گران قیمت، روش های سنتی اغلب بر تخمین های دستی و رویکردهای واکنشی متکی هستند، که می تواند منجر به بیش از حد و یا سهام شود.بیش از حد و حصر است که باعث می شود تا سرمایه ارزشمند در انبار نفت، و گاز سنگین، هزاران دلار صرفه جویی شود و افزایش می تواند هزینه های تدارکات سنگین، و هزینه های تدارکات نفت، و نفت، و گاز سنگین، و گاز را متوقف کند.

یک موجودی قطعات یدکی خوب مدیریت شده از برنامه های تعمیر و نگهداری پیشگیرانه پشتیبانی می کند، زمانی که قطعات دقیقا در زمان نیاز هستند، تعمیر و نگهداری برنامه ریزی شده می تواند بدون وقفه، گسترش عمر تجهیزات و بهبود ایمنی، در مقابل، مدیریت موجودی ضعیف منجر به حمل و نقل سریع، خرید آخرین دقیقه در قیمت های حق بیمه، و افزایش سربار اداری.چالش برای یدکی های بحرانی که مدت طولانی یا محدود تامین کنندگان.

رویکردهای تاریخی و محدودیت های آنها

قبل از ظهور تجزیه و تحلیل پیشرفته، طراحان موجودی بر فرمول های نقطه ی ساده، میانگین های تاریخی و صفحه های دستی تکیه می کردند.این روش ها اغلب قادر به ثبت الگوهای تقاضای پیچیده، الگوهای فصلی یا روند تخریب تجهیزات نیستند. سطح سهام ایمنی به طور محافظه کارانه تنظیم شده اند و منجر به مخترعان نفخ شده علاوه، سیستم های سنتی فاقد توانایی ادغام داده های زمان واقعی، برنامه ریزان برای خرابی های استفاده از کور یا خرابی های قریب الوقوع.

چگونه پیش بینی کار

تجزیه و تحلیل پیش بینی از داده های منابع مختلف مانند سنسورهای تجهیزات، log های تعمیر و نگهداری و سوابق عملیاتی استفاده می کند. الگوریتم های یادگیری ماشین این داده ها را تجزیه و تحلیل می کنند تا نیازهای آینده را پیش بینی کنند، شکست ها را پیش بینی کنند و سطح موجودی مطلوب را از پیش بینی سنتی نشان دهند این است که مدل های پیش بینی شامل ورودی های چند متغیر و الگوهای زمانی است که فراتر از شهود انسانی هستند.

جمع آوری داده ها و ادغام

داده ها از سنسورهای جاسازی شده در ماشین آلات، گزارش های تعمیر و نگهداری و سوابق زنجیره تامین جمع آوری می شوند. یکپارچه سازی این منابع یک دیدگاه جامع از سلامت تجهیزات و وضعیت موجودی را فراهم می کند.اینترنت اشیاء (IoT) معیارهایی مانند لرزش، دما، فشار و ساعت های اجرا گزارش های تعمیر و نگهداری اطلاعات کیفی در مورد حالت های بخشی و خرابی را اضافه می کند.

ادغام داده ها اغلب چالش برانگیزترین مرحله است. بسیاری از سازمان ها داده هایی را در سیستم های برنامه ریزی منابع سازمانی (ERP) ، سیستم های مدیریت تعمیر و نگهداری کامپیوتری (CMMS) و سیستم عامل های تجزیه و تحلیل پیش بینی شده دارند که به طور معمول نیاز به یک دریاچه داده یا انبار دارند که در آن تمام داده های مربوطه پاک، عادی و زمان بهینه سازی شده است.

پیش بینی و بهینه سازی

الگوریتم ها روند و الگوهای استفاده را برای پیش بینی تقاضای آینده برای قطعات یدکی تجزیه و تحلیل می کنند، این به حفظ سطوح موجودی بهینه، کاهش سهام اضافی و جلوگیری از مدل های یادگیری ماشین مانند پیش بینی سری زمان (ARIMA، پیامبر)، تجزیه و تحلیل رگرسیون و شبکه های عصبی به طور معمول استفاده می شود.

فراتر از پیش بینی تقاضا، تجزیه و تحلیل پیش بینی مدل سازی احتمالاتی را به جای یک عدد واحد، سیستم طیف وسیعی از سناریوهای تقاضا را به همراه الگوریتم های بهینه سازی موجودی اطمینان حاصل می کند، سپس مقدار سفارش مجدد و سفارش را تعیین می کند که کل هزینه را به حداقل می رساند - صرف نظر از هزینه های تقویت، سفارش هزینه ها و مجازات های سهام.

مثال واقعی جهانی: قطعات یدکی برای پمپ های صنعتی

یک گیاه شیمیایی با ده ها پمپ را در نظر بگیرید.داده های تاریخی نشان می دهد که انواع مهر و موم های خاص به دلیل دمای بالاتر، اغلب در تابستان شکست می خورند. مدل های پیش بینی شده پیش بینی دما از API های آب و هوا و سوابق نگهداری گذشته برای پیش بینی افزایش تقاضا برای مهر و موم ها. سیستم سپس به طور خودکار سطوح ایمنی و مکان های سفارش با تامین کنندگان در هفته های پیش رو تنظیم، اطمینان از اینکه قطعات در دسترس هستند قبل از فصل شکست اوج.

مزایای کلیدی استفاده از پیش بینی Analytics

  • کاهش ارزش سهام و هزینه های ذخیره سازی اضافی، شرکت ها با استفاده از تجزیه و تحلیل پیش بینی شده گزارش 20 تا 40٪ کاهش در ارزش موجودی قطعات یدکی در حالی که حفظ و یا بهبود سطح خدمات.
  • بهبود تعمیر و نگهداری: برنامه ریزی به طور فعال، جلوگیری از شکست تجهیزات.با هم دادن دسترسی به قطعات با پنجره های شکست پیش بینی شده، تیم های تعمیر و نگهداری می توانند در طول زمان برنامه ریزی شده کار کنند، کاهش حوادث غیر برنامه ریزی شده.
  • بهره وری قابل اعتماد: عملیات زنجیره عرضه جریان خط و کاهش زمان هدایت، پیش بینی اجازه می دهد تیم های تدارکات برای تحکیم سفارشات، مذاکره بهتر شرایط و استفاده از روش های حمل و نقل آهسته اما ارزان تر.
  • ] تصمیمات مبتنی بر داده: [FLT 1 ] بر اساس پیش بینی های دقیق، انتخاب های آگاهانه را انتخاب کنید. مدیران موجودی به دست آوردن دید در معرض خطر تجارت و می تواند سطح سهام را برای مدیریت مالی و عملیات توجیه کند.
  • ] زندگی دارایی مورد علاقه: نگهداری مناسب با قطعات مناسب کاهش سایش و پارگی، گسترش زمان معنی بین شکست (MTBF) برای ماشین آلات بحرانی.
  • سودهای پایدار: موجودی اضافی پایین تر به معنای زباله کمتر، انرژی کمتر مصرف شده در انبار و کمتر حمل و نقل اضطراری با ردپای کربن بالا است.

تاثیر قابل توجهی

مطالعه ای که توسط Deloitte انجام شده است، نشان داد که نگهداری پیش بینی شده همراه با مدیریت موجودی هوشمند می تواند هزینه های تعمیر و نگهداری را تا 30٪ کاهش دهد و تا 50٪ کاهش یابد، این می تواند به میلیون ها دلار در پس انداز سالانه تبدیل شود.

چالش ها و روند آینده

پیاده سازی تجزیه و تحلیل پیش بینی نیاز به داده های کیفیت و فن آوری پیشرفته است. حریم خصوصی داده ها، مسائل ادغام و نیاز به پرسنل ماهر چالش های مشترک هستند، با این حال، به عنوان پیشرفت های تکنولوژی، تجزیه و تحلیل پیش بینی می شود در دسترس تر و پیچیده تر، افزایش مدیریت موجودی.

اجرای فعلی Hurdles

  • ] کیفیت داده و در دسترس بودن: بسیاری از سازمان ها فاقد داده های تاریخی تمیز و سازگار هستند. سنسورها ممکن است ضعیف کالیبره شوند، ثبت های تعمیر و نگهداری ممکن است ناقص باشند و زمان های سرب تامین کننده ممکن است غیر قابل اعتماد باشد.
  • ادغام سیستم: اتصال ERP، CMMS، IoT و سیستم های تامین کننده از نظر فنی پیچیده و منابع فشرده است. سیستم های میراث ممکن است از API های مدرن پشتیبانی نمی کنند.
  • مدیریت تغییر: تغییر از شهود به تصمیم گیری مبتنی بر داده نیاز به تغییر فرهنگی دارد.برنامه ریزان موجودی ممکن است در برابر تکیه بر مدل های "جعبه سیاه" بدون درک استدلال خود مقاومت کنند.
  • شکاف های مهارت: دانشمندان داده، مهندسان یادگیری ماشین و کارشناسان دامنه کمیاب هستند. شرکت های کوچک تر ممکن است آن را دشوار برای ساخت قابلیت های داخلی.
  • Cost of Technology: پلتفرم های پیشرفته تجزیه و تحلیل، زیرساخت ابر و شبکه های سنسور شامل سرمایه گذاری پیش رو هستند. ROI باید به دقت محاسبه شود.

تکنولوژی های نوظهور و روند

در آینده، ما می توانیم انتظار افزایش استفاده از تجزیه و تحلیل زمان واقعی، دستگاه های IoT و ابزار تصمیم گیری مبتنی بر هوش مصنوعی برای ایجاد سیستم های موجودی هوشمند تر و پاسخگو تر که با تغییر شرایط عملیاتی سازگار هستند، داشته باشیم.

  • دوقلوهای دیجیتال: ، شبیه سازی های مجازی از دارایی های فیزیکی شبیه سازی سناریوهای نگهداری و موجودی مختلف در زمان واقعی، قادر به تجزیه و تحلیل چه چیزی بدون خطر.
  • پردازش داده های پردازش به صورت محلی بر روی دستگاه های IoT تاخیر را کاهش می دهد و اجازه می دهد تنظیمات موجودی فوری بر اساس خواندن سنسور.
  • ] هوش مصنوعی و مدل های زبان بزرگ: این می تواند نسل از گزارش های تعمیر و نگهداری را خودکار کند و حتی سیاست های موجودی بهینه را بر اساس پرسش های زبان طبیعی پیشنهاد می کند.
  • [blockchain for Supply Chain Transparency]: سوابق قابل توجهی از اثبات بخشی و تاریخ نگهداری، اعتماد به داده های مورد استفاده توسط مدل های پیش بینی را بهبود می بخشد.
  • AI مشارکتی: پلتفرم هایی که داده های ناشناس را در سراسر شرکت های متعدد در یک صنعت به اشتراک می گذارند (به عنوان مثال، یک کنسرسیوم عملیات معدن) می توانند پیش بینی را برای قطعات نادر اما مهم بهبود بخشند.

مثال: Twin دیجیتال در یک مقاله

یک کارخانه کاغذ یک جفت دیجیتال از خط نخ خود را مستقر کرد. دوقلو داده های سنسور زمان واقعی را می بلعد و شبیه سازی می کند روی غلطک و صفحه نمایش ها، هنگامی که مدل پیش بینی می کند که یک جزء در سه هفته شکست می یابد، آن را بررسی می کند، موجودی قطعات یدکی، تشخیص کمبود برای یک تحمل خاص، و به طور خودکار یک سفارش خرید برای عرضه کننده ترجیحی، سیستم همچنین به روز رسانی برنامه تعمیر و نگهداری مجدد را کاهش می دهد.

نتیجه گیری: پذیرفتن آینده پیش بینی

تجزیه و تحلیل پیش بینی دیگر لوکس نیست - این یک ضرورت برای سازمان هایی است که به ماشین آلات پیچیده بستگی دارد.با تبدیل قطعات یدکی مدیریت موجودی از یک مرکز هزینه به یک دارایی استراتژیک، شرکت ها می توانند انعطاف پذیری عملیاتی را بهبود بخشند، هزینه ها را کاهش دهند و در حالی که چالش ها باقی می مانند، تکنولوژی به سرعت رشد می کند و موانع ورود به جلو کاهش می یابد.

برای مطالعه بیشتر در تقاطع نگهداری پیش بینی شده و بهینه سازی موجودی، منابع را از نهادهای صنعتی مانند مهندسی برنامه ریزی و IBM Institute for Business Value مشورت کنید.