| dc.description.abstract | Dette prosjektet har som formål å studere hvordan modellering og simulering kan bidra til å bedre forstå industrielle vedlikeholdsproblemer. Hensikten er å hjelpe ledere til å forstå deres problemer bedre, finne kilden til problemene, og potensielle løsninger. Til tross for en betydelig utvikling av vedlikeholdsstyringskonsepter og optimaliseringsverktøy, er det er ofte vektlagt skille mellom teori og praksis. For å adressere dette har vi utviklet et modellering og simuleringsverktøy ved bruk av konsepter fra diskret hendelsessimulering (DES) og systemdynamikk (SD). Videre har vi gjennomført fem eksperimenter for å studere egenskaper ved vedlikeholdsprosessen.
Det første eksperimentet danner basisgrunnlaget for de følgende eksperimentene. Eksperimentet simulerer en akkumulering av et preventivt vedlikehold (PM) etterslep som følge av en ubalanse mellom kapasiteten til å utføre vedlikehold og PM programmene. I eksperiment to og tre studerer vi to ulike måter å redusere etterslepet. Først øker vi PM intervallet og deretter øker vi kapasiteten til å utføre vedlikehold. Begge tiltakene reduserer PM etterslepet. På en annen side reduserer det siste også det faktiske PM intervallet, som igjen øker mengden PM aktiviteter som blir gjennomført.
I eksperiment fire studerer vi hvordan systemet responderer på en uventet hendelse. Resultatet viser at en høyst optimalisert vedlikeholdsprosess kan være svært sårbar for uventede hendelser og forsinkelser. Til slutt, i eksperiment fem, undersøker vi hvordan unøyaktig prioritering av PM-aktiviteter påvirker vedlikeholdsprosessen. Resultatene viser at unøyaktig prioritering kan føre til en betydelig risiko. Eksperimentet viser hvordan PM ettersleppet tilsynelatende er stabilt, og indikerer et velfungerende PM program, men uten at det blir gjennomført PM-aktiviteter. Prinsippet for håndtering av data i kombinasjon med en korrektiv virkelighet, fører til gjentatt planlegging og forskyvning av PM aktiviteter frem til enheten svikter.
Videre forsking burde fortsette utviklingen av et flerperspektiv-modelleringsrammeverk og -metodikk for å forstå industrielle problemer bedre. For videre utvikling av dette anbefaler vi å utforske kombinasjonen DES og SD. Metodikken burde legge vekt på utvikling av metaformodeller og utforsking av dynamikken til variabler. Vi forestiller oss at modeller utviklet i et slikt modelleringsrammeverk kan bidra som både et læringsverktøy, og som et kommunikasjonsverktøy mellom interessenter.
For videre utforsking av utfordringer med vedlikeholdsstyring anbefaler vi å utvide grensene til systemet, og inkludere for eksempel produksjon, reservedeler, kritikalitet, og myke variabler, som kompetanse og press. Dessuten, studere dynamikken til variablene som i denne innledende forskingen er betraktet som statisk. For eksempel studere nøyaktigheten i prioritering av PM i sammenheng med PM etterslep, datakvalitet, og policy for planlegging. Et samarbeid med industrielle virksomheter vil være til fordel ved videre forsking og utvikling. Et slikt samarbeid vil forbedre utviklingen ved å inkludere faktorer som påvirker deres problemer, og bidra til å sørge for nytteverdien av et slikt verktøy og modelleringsrammeverk for industrien. | |
| dc.description.abstract | This project aims to study how modeling and simulation can help to understand industrial maintenance problems better. The purpose is to help managers understand their problems better, the root cause, and potential solutions. Despite substantial development of maintenance managing models and optimization tools, there is a frequently emphasized gap between theory and practice. To address this, we developed a proof-of-concept modeling and simulation tool using a combined framework of discrete event simulation (DES) and system dynamics (SD). Further on, we performed five different experiments to study features of the maintenance process.
The first experiment serves as a base case for the following experiments. The experiment simulates the accumulation of preventive maintenance (PM) backlog due to an imbalance between the capacity to carry out maintenance and the PM programs. In experiments two and three, we study two different ways of reducing the backlog. First, we increase the PM interval, and secondly, increase the capacity to perform maintenance. Both approaches reduced the PM backlog. The latter, however, also reduces the actual PM interval, which increases the number of PM activities performed.
Further on, in experiment four, we study how the system responds to an unexpected event. The results show that a highly optimized maintenance process might be extremely fragile to unexpected events and delays. Lastly, in experiment five, we investigate how inaccurate prioritization of PM activities affect the maintenance process. The experimental results show that inaccurate prioritization might lead to substantial risk exposure. The experiment also shows how the PM backlog appears to be in equilibrium and indicates a well-functioning PM program without any PM activities performed. In combination with the data management policy, the corrective reality leads to rescheduling of PM activities until the item's failure.
Future research should continue the development of a multi-perspective modeling framework and methodology to understand industrial problems better. For the continued development of a modeling framework, we recommend exploring the combination of DES and SD. The methodology should emphasize the creation of metaphor models and exploration of the dynamics of variables. We envision models created with such a modeling framework to serve as both a learning laboratory and as a communication tool among stakeholders.
Furthermore, for addressing the challenges of managing maintenance, we recommend future research to expand the system boundary, including, for instance, production, spare part policy, item criticality, and soft variables such as competence and pressure. Moreover, study the dynamics of variables considered static in this preliminary—for instance, PM prioritizing accuracy along with the PM backlog, data quality, and scheduling policy. Additionally, further development and research would benefit from collaboration with industrial companies. A collaboration would improve the development to include the factors affecting their specific problems and to ensure the usefulness of such modeling framework and tools to the industry. | |
