Introducción
Actualmente,
en el sector industrial existe la necesidad de ser cada día má=
;s competitivos,
lo que obliga a las organizaciones a analizar sus procesos para obtener may=
or
eficiencia en las líneas de producción sin que esto signifique
disminuir la calidad de los productos permitiendo de esta manera cumplir con
las necesidades y expectativas de los clientes. La competitividad empresari=
al,
en el contexto de la globalización, exige a las organizaciones para =
ser
sostenibles en mercados nacionales e internacionales tener una
administración de los procesos productivos más eficiente y ef=
icaz
de sus recursos financieros, humanos, tecnológicos, entre otros.
(Labarca-Zulia et al., 2007).
Disminuir
tiempos muertos a través de la detección temprana de fallos b=
ajo
normativas de modos de falla se puede llevar a efecto mediante la
aplicación de modelos matemáticos cuantitativos, que como lo
establece Gaither &
Frazier los modelos que evalúan la canti=
dad
son pronósticos basados en modelos matemáticos cuya
fundamentación son los datos históricos. Cabe destacar que los
datos históricos desarrollados en el tiempo suelen ser importantes p=
ara
el pronóstico del futuro de la producción. Todos los modelos
cuantitativos con base en históricos pueden ser utilizados con serie=
s de
tiempo o más conocidos como series temporales, que básicament=
e es
un cúmulo de valores observados y determinados mediante la
medición real en periodos de tiempo establecidos y progresivos en
cualquier contexto operacional a nivel industrial. (Gaither & Frazier, 20=
00)
La
implementación de una nueva técnica o sistema es un proceso q=
ue
puede generar diferentes impactos en las líneas de producción=
. Estas
implementaciones se las puede realizar basándose en parámetros
reales de producción, por lo que la mayoría de industrias
utilizan técnicas de implementación basadas en la experiencia=
de
los actores de los procesos o con experiencias exitosas en otras empresas, =
pero
sin la posibilidad de validar la eficiencia de las decisiones (De Toni-Meneghetti et al., 2000). La estandarización d=
e las
averías partiendo de los modos de falla nos permite crear una base de
datos que distingue entre fallos funcionales y fallos técnicos
indispensables para evaluar de forma real cualquier proceso productivo, y c=
omo
lo señala García se define como fallo funcional al tipo de fa=
llo
que impide o interrumpe al equipo, máquina o al sistema evaluado y a=
nalizado
cumplir la función requerida del activo físico. A la vez el f=
allo
técnico se determina como aquel que no impidiendo al sistema, equipo=
o
máquina que cumpla la función requerida, además supone=
que
el funcionamiento será anormal por lo tanto tendremos problemas que
pueden ir desde la falta de calidad en los productos desarrollados o en los
servicios brindados hasta paros en los procesos productivos a nivel industr=
ial.
(García Garrido, 20=
03)
La
explotación de datos se lo realiza&=
nbsp;
a través de la técnica denominada minería de da=
tos,
los objetivos centrales de la minería de datos pueden resumirse en d=
os
grandes grupos: Describir y Predecir, lo cual podría asemejarse a
procesos de estadística descriptiva e inferencial, pero debido a que=
la
información para la toma de decisiones que proveen los algoritmos de
descripción y predicción de la minería de datos, poseen
una característica de hipótesis, a saber, con respecto al n&u=
acute;mero
de grupos o clúster que se desean, a la variable endógena por=
la
cual se opta o al número máximo de nodos esperado; dichos
algoritmos van más allá de la estadística descriptiva
clásica y proponen ciertas restricciones en los resultados entregado=
s.
(Han-Pei, et al., 2012).
Existen
distinta investigaciones que relacionan la aparición de tiempos muer=
tos
en función de modos de falla, esto se debe a que el sistema dise&nti=
lde;ado
busca un estudio de forma integral de la líneas de producción,
partiendo del principio que según Niebel & Freivalds e=
n el
que el gerente de control de la producción es el que tiene como
principal función el establecimiento y mantenimiento de programas ma=
estros
de producción teniendo en cuenta las necesidades y exigencias del
cliente y por supuestos del cambiante mercado que para un adecuado
análisis se realiza mediante una programación cuidadosa, mien=
tras
que el gerente de mantenimiento debe realizar los máximos esfuerzos =
para
minimizar los tiempos muertos que aparecen de los modos de fallas y sobre t=
odo
de las reparaciones no programadas que provocan paros imprevistos en la
producción. (Niebel & Freivalds, 2=
009)
Al
realizar el análisis bibliográfico de los distintos modelos
creados para detectar y dismi=
nuir
tiempos muertos en líneas de producción, podemos determinar y
expresar que existen metodologías que tratan de resolver este proble=
ma,
no obstante esto no implica que una metodología no pueda seguir sien=
do
mejorada, o que sea el punto de partida para otra metodología o sist=
ema como
las herramientas WEKA y el árbol de decisiones J48, que son utilizad=
as
en distintas aplicaciones y estudios no pierde vigencia ya que contribuye a
mejorar y eliminar los tiempos muertos, puesto que se puede establecer los
fallos en un árbol de decisión para detallar y sintetizar los
datos informativos, con la finalidad de generar un sistema integrado que sin
importar la línea de producción se pueda desarrollar un plan
maestro de producción, que como manifiesta Chapman se trata de un
proceso que tiene como fundamento el inicio en el pronóstico bastante
detallado de cada uno de los productos o servicios, posteriormente se
desarrolla un conjunto específico de “reglas”, cuya proy=
ección
es generar pedidos reales de los clientes “consuman” dicho
pronóstico, asegurando de esta manera índices de productivida=
d en
función de los requerimientos del mercado. (Chapman, 2006).
Se
describe además de forma detallada las etapas para una adecuada
implementación de un sistema integrado que mejora de forma sustancia=
l la
eficiencia y eficacia de cualquier línea de producción, puesto
que es un sistema versátil y que da resultados porque analiza las fallas de los activos
físicos de cualquier línea de producción, utilizando
técnicas inteligentes como la minería de datos con la finalid=
ad
de establecer un modelo matemático apropiado, que como establece P&e=
acute;rez
una vez establecido y configurado dicho modelo matemático se llega a=
predecir
y a determinar el valor cuantitativo de las variables dependientes que perm=
ite
establecer el perfil de las demás variables. Cabe recalcar que si la
variable dependiente es cualitativa dicotómica (1 y 0 ; sí y =
no) puede
ser empleada como clasificadora, ya que se estudia y establece la
relación con las demás de variables que son clasificadas y
establecidas a través del modelo de regresión logística
aplicable a sistemas productivos. CITATION MarcadorDePosición2 \l 3082 (Pérez Marqués , 2014)
A
través de la herramienta de minería de datos con la
aplicación WEKA se pudo relacionar los diferentes modos de fallas y
determinar cuáles fueron los más comunes con el objetivo de
plantear soluciones que posteriormente fueron evaluadas para establecer su
verdadero impacto, finalmente se estableció los índices de
productividad que permitieron medir de forma cuantitativa la eficiencia de =
la
implementación del sistema integrado desarrollado en la línea=
de
producción intervenida, que como señala Mora los sistemas integrados son aquellos que p=
ermite
determinarlos en un sistema o enfoque de ingeniería de procesos, que=
son
mantenedores o mantenimiento, los producción y los activos
físicos; es así que se puede establecer varias reglas y leyes de mantenimie=
nto
industrial, en las cuales con la ayuda del sistema kantiano podemos determi=
nar
la relación que existe=
entre
el departamento de producción y las máquinas, que se conviert=
en
en el efecto integrador de la denominas ingeniería de fábrica=
s o
plantas industriales. (Mora
Gutiérrez, 2009)
Con
fundamentos en la información normada referente a modos de falla que
podemos encontrar en cualquier sistema productivo y que están estrec=
hamente
ligadas a la información real de la planta de producción o de
servicios se propone e implementa un modelo integral de siete etapas
progresivas que busca ser estándar industrial adecuado en funci&oacu=
te;n
de los distintos sistemas de producción, siendo el sistema aplicable=
sin
importar el tipo de fallas encontrados en el sistema productivo, pues estos
rubros entran en los denominados costos de calidad, que como lo explica Ren=
der
las fallas internas son costos provocados al producir o elaborar partes,
productos o servicios defectuosos antes de que los mismos sean entregados a=
los
clientes, entre ellos tenemos trabajo repetido, desperdicio de materia prim=
a, y
los tiempos muertos en producción. (Render & Heizer, 2014=
) La presente investigación
diseña e implementa una metodología capaz de determinar de fo=
rma
real las causas principales y los eventos que provocan la aparición =
de
tiempos muertos en líneas de producción industrial con la
finalidad de encontrar soluciones reales y establecer resultados basados en=
la
información en planta mediante la construcción de un modelo
matemático que desarrolla planes de acción efectivos y tomas =
de
decisión elocuentes, que como lo indica Hamdy la construcción=
adecuada
de un modelo matemático implica de forma tácita un i=
ntento
de establecer y transformar la definición teórica de cualquier
problema en distintas relaciones matemáticas. Se debe tomar en cuenta
que el modelo matemático resultante parte de distintos modelos matem=
áticos
estandarizados, tales como la denominada programación lineal, que su=
ele
determinar de manera confiable una solución utilizando los algoritmo=
s aplicables
disponibles a líneas de producción.
Cabe
establecer que una simulación matemática puede establecer y c=
ombinar
varios modelos matemáticos heurísticos que son empleados para
resolver distintos problema en la toma adecuada de decisión a nivel
industrial. (Hamdy, 2012).
Metodología
La
metodología de implementación propuesta se describe varias
etapas, basadas en la minería de datos, por lo que se convierte en u=
na
metodología inteligente y aplicable a cualquier línea de
producción pues para del análisis de modos de falla que se da=
n en
los distintos active que integran dicha línea, lo que garantiza un
impacto real al término de la implementación, ello se puede
evidenciar en la última etapa en donde la metodología realiza
comparaciones cuantitativas de la eficiencia y eficacia de la línea =
de
producción antes y después de la aplicación propuesta y
desarrollada en siete etapas:
·
En la primera se
establece el objetivo de la investigación.
·
En la segunda etapa se
recolecta y filtra la información del proceso industrial en una base=
de
datos.
·
La tercera etapa gene=
ra
índices de estandarización en función de los modos de
falla.
·
La cuarta etapa se
desarrolla la exploración de datos informativos obtenidos en la
recolección y filtración.
·
En la quinta etapa se
establece el modelo matemático adecuado.
·
La sexta etapa establ=
ece
el procedimiento para el cálculo de los índices de la Efectiv=
idad
Global de Equipos.
·
Finalmente la
séptima etapa analiza cuantitativamente los resultados de la
implementación del sistema integrado.
Las
siete etapas del sistema integrado son progresivas, de fácil
entendimiento y aplicación, y en conjunto buscan ser las soluciones
eficiente y eficaz para disminuir tiempos muertos en líneas de
producción mediante evaluaciones cuantitativas.
Establecer
el objetivo de la integración.
En
esta primera etapa el establecimiento del objetivo de la integración
consiste en definir el alcance del sistema integrado y elaborar un plan de
producción que incluya un cronograma de actividades con fechas de ve=
ncimiento.
Esto permite cumplir un cronograma que evite una implementación
inadecuada, además que se convierte en el punto de partida para real=
izar
cambios que permitan aumentar índices de producción sin que
impliquen generar mayores gastos.
Figura 1. Cronograma de actividades.
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image025.gif")
Fuente: Los
Autores 2020.
Recolectar y filtrar la informaci&oacu=
te;n.
En la segunda etapa se recolecta y fil=
tra
la información del proceso industrial en una base de datos
En esta etapa se recolecta in situ la
información de las distintas novedades desarrolladas en los activos
físicos que integran la línea de producción
intervenida, esta
información es integrada a un referente de datos que involucran vari=
as
causas con sus modos de falla respectivos de las líneas de
producción intervenidas, que son generados desde dos fuentes directa=
s,
la primera fuente técnica de las distintas bitácoras de
mantenimiento y la segunda los registros de intervenciones realizadas a los
activos físicos de la línea de producción evaluada.
Figura
2. Recolecci&oa=
cute;n
de información.
![3D"recolección](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image026.gif")
Fuente:
https://normasapa.net/tecnicas-recoleccion-datos/
La segunda fuente son los datos
recolectados a través de un seguimiento realizado durante el primer
trimestre del año en la
línea de producción a través la aplicació=
;n
de formatos estándar propios de mantenimiento y producción.
Estandarizar el proceso en funci&oacut=
e;n
de los modos de falla.
La tercera etapa genera índices=
de
estandarización en función de los modos de falla preestableci=
dos
dentro del sistema productivo. Se estandariza los modos de falla empleando =
la
Norma UNE-EN 13306 para con ello realizar un primer filtrado de los datos q=
ue
nos serán útiles dentro del programa de mantenimiento, con el
objetivo de relacionar, registrar y clasificar la información en
función de las variables otorgados por la línea de
producción, que básicamente establecen los orígenes de=
las
causas que provocan tiempos muertos en las líneas de producció=
;n
intervenidas. Una vez desarrollada la estandarización de los modos de
falla, se los debe clasificar técnicamente empleando el Diagrama de
Pareto, que básicamente establece que el 80% de los fallos encontrados en la
línea de producción intervenida son fundamentalmente
provocados por el 20% de las =
causas
principales, de esta manera podemos establecer el deterioro y el desgaste de
una línea de producción que genera tiempos muertos y problemas de producción.<=
span
style=3D'mso-spacerun:yes'>
Figura 1.
Diagrama de Ishikawa.
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image027.gif")
Fuente: Los
Autores 2020
Figura 4. Aplicación del Diagrama de Pareto
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image028.gif")
Fuente: Los
Autores 2020.
Explorar los datos del proceso product=
ivo.
La cuarta etapa se desarrolla la
exploración de datos informativos obtenidos en la recolección=
y
filtración. La cuarta etapa emplea el programa WEKA para establecer =
de
forma implícita las verdaderas fuentes que provocan y generan los
denominados tiempos muertos, pues analiza las distintas variables de la
línea de producción, empezando por realizar un diagrama de fl=
ujo
acorde con la línea de producción intervenida, estableciendo =
la
descripción integral del proceso y los tiempos adecuados y
predeterminados en función de estándares de ejecución.=
Figura 5. Diagrama de proceso.
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image029.gif")
Fuente: Los
Autores 2020.
Para terminar la exploración de=
los
datos del proceso se debe estandarizar los datos que se obtuvieron en la
intervención , esto con la finalidad que en caso de que esta informa=
ción
sea subida a una plataforma digital no existan inconvenientes, pues se
encontrará información filtrada y clasificada en niveles que
permitan establecer distintos atributos referentes a la línea de
producción.
Aplicar un modelo matemático
apropiado.
En la quinta etapa se establece el mod=
elo
matemático adecuado. Para establecer el modelo matemático
apropiado se buscó la adaptación ideal entre un modelo que
permita una evaluación integral del sistema y un algoritmo que entre=
gue
resultados fiables, es así que se emplea el algoritmo J48, pues es un
clasificador basado en los árboles de decisión.
Al ser un árbol de decisiones
permite una coyuntura ideal entre el análisis matemático y la
evaluación cuantitativa del sistema de producción, el
gráfico tipo árbol de nuestro estudio se estipula a continuac=
ión,
lo que permite establecer la metodología apropiada para evaluar los
distintos componentes de la líneas de producción y generar una
solución apropiada, hay que tener en cuenta que estas alternativas
encontradas faciliten generar programas de mantenimiento adecuados que sean=
útiles
para desarrollar planes maestros de producción. En la figura siguien=
te
se establece los distintos si=
stemas
y se puede identificar de forma fácil que los atributitos enmarcados=
en
el área mecánica son
los que generan más tiempos muertos en la línea de
producción, partiendo de este análisis jerárquicamente
hablando los atributos en función de las condiciones superan a los
atributos generados en la parte eléctrica.
Figura
6. Árbol=
de
problemas.![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image030.gif")
Fuente:
Los Autores 2020.
El árbol presentado anteriormen=
te
se basa en el establecimiento del grupo de fallas detectado en el sistema de
producción, por otro parte se debe recalcar que los activos se
encuentran en funcionamiento y aunque trabajan en falla no han pasado a
avería, por lo que los tiempos muertos han sido detectados de manera
más pronto.
Calcular de la Efectividad Global de
Equipos.
La sexta etapa establece el procedimie=
nto
para el cálculo de los índices de la Efectividad Global de
Equipos.
OEE es básicamente una té=
;cnica
que mide de forma integral cualquier línea de producción, y s=
e ha
convertido en una herramienta importante para evaluar la implementaci&oacut=
e;n
de distintas técnica, modelos y sistemas de nivel industrial. Al hablar de
distintos procesos podemos establecer una compactación de indicadore=
s de
gestión a nivel industrial como la disponibilidad de activos, eficie=
ncia
de los procesos y control de la calidad de los productos elaborados, el
cálculo de este indicador global permite de forma efectiva y eficien=
te
detectar fallos ocultos que pueden generar paros imprevistos, además=
de
ello permite también evaluar procesos deficientes en la
elaboración de productos o en la oferta de servicios. Hay que recalc=
ar
que el éxito en la ejecución y el cálculo de este
importante indicador depende del nivel de compromisos de los actores
involucrados en el sistema de producción, y este compromiso
generará soluciones efectivas que permutan tomas de decisiones
elocuentes y tangibles en el tiempo. =
Se debe recordar también que la
Efectividad Global de Equipos es la herramienta de nos ayuda a establecer
cuando contratar más personal, cuando comprar nuevos equipos o
máquinas, así también cuando adquirir materiales y
repuestos, en función de una planificación, es decir es
recomendable el cálculo de esta efectividad de forma anual y evaluar=
el
sistema de la misma forma, así convirtiéndose una herramienta=
de
calidad con al que se puede certificar en ISO 9001 cualquier sistema de
producción.
La Efectividad Global de Equipos es una
herramienta de calidad que combina múltiples aspectos de
producción y de mantenimiento, además de establecer puntos de
referencia para proporcionar viable información sobre el proceso int=
ervenido,
se la denomina herramienta integral de evaluación comparativa pues s=
irve
para determinar los diferentes subcomponentes de una línea de
producción empleando indicadores de calidad y mantenimiento, se util=
iza
para medir las mejoras propuestas de forma real en función de la aplicación de distint=
as
técnicas como las 5S, Kaizen, Seis Sigma=
y
T.P.M.
La OEE es empleada para medir y evalua=
r la
eficiencia de cualquier proceso o línea de producción, pues se
basa en tres indicadores fundamentales de gestión como disponibilida=
d, el
rendimiento y calidad del producto, al punto de ejecutar un modelo calculado
para estandarizar el proceso, buscando las causas de los tiempos muertos y
establecer los distintos problemas en busca de las mejores soluciones
aplicables, al ser una evolución cuantitativa podemos resumir la for=
ma
de su cálculo como lo indica la figura de abajo: <=
/p>
=
&nb=
sp; =
<=
/span>
Figura
7. Cálcu=
lo
de la Efectividad Global de Equipos.
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image031.gif")
Fuente:
https://www.oeecaricam.com/oee
Analizar cuantitativamente los resulta=
dos.
Finalmente la séptima etapa ana=
liza
cuantitativamente los resultados de la implementación del sistema
integrado, con esta evaluación cuantitativa realizamos la respectiva
comparación con los parámetros mostrados en la figura de abaj=
o,
con ello podemos describir de manera estandarizada la línea de
producción intervenida.
Tabla 1. Evaluación de la Efectividad Global de
Equipos.
|
OEE
|
CALIFICACIÓN
|
CARACTERÍSTICAS
|
|
<
65%
|
Inaceptable
|
Provoca
varias pérdidas económicas.
La
competitividad es muy baja.=
|
|
≥65% <75%
|
Regular
|
Sistema
considerable Aceptable sólo si se implementa un proceso de mejora.=
Existen
pérdidas económicas.
|
|
≥75% <85%
|
Aceptable
|
Existen
pocas pérdidas de sentido económico.
Competitividad
de la línea de producción&=
nbsp;
poco baja.
|
|
≥85% <95%
|
Buena
|
Se
estipula que el sistema tiene Valores World Class.
Existe
buena competitividad en el sistema.
|
|
≥95%
|
Excelencia
|
Valores
máximo de World C=
lass
del sistema.
Alta
competitividad del sistema de producción.
|
Fuente: Autores
2020.
OEE INICIAL
<=
/o:p>
Para evaluar=
la
OEE inicial se tomaron las siguientes condiciones iniciales antes de
implementar el modelo integral:
<=
/o:p>
Tabla 2. Condiciones Iniciales de la línea de
producción.
|
&=
Igrave;TEM
|
V=
ALOR
|
|
Capacidad
de producción
|
2000 unidades/hora.=
|
|
Periodo
de evaluación=
|
8760 horas.
|
|
TTR
|
225 horas
|
|
Tiempo total de paros no programados
|
115 horas
|
|
Unidades producidas
|
14162440
unidades
|
|
Unidades defectuosas
|
13592 unidades fueron defectu=
osas
|
|
Unidades no conformes de manera irreversible <=
o:p>
|
6243 unidades
|
|
Unidades reprocesadas
|
6243 unidades
|
Fuente: Autores
2020.
Metodología:<=
/p>
·
Tiempo
Total de Producción (TPO)
TPO =3D TTE - TTP
TPO =3D Tiempo Total de Evaluaci&oacut=
e;n -
Tiempo Total de Paradas Progr=
amadas
TPO =3D 8760 horas - 225 horas
TPO =3D 8535 horas. =
·
Tiempo
de Operación (TO)
TO =3D TPO – TTPN
TO =3D Tiempo Total de Producción – T=
iempo
Total de horas por paros no programados
TO =3D 8535 horas – 115 horas
TO=3D 8420 horas.
·
Disponibilidad
Disponibilidad =3D TO/TPO <=
/span>
Disponibilidad =3D 8420 horas / 8535 h=
oras
Disponibilidad =3D 0,98
·
Tiempo
de Ciclo Ideal
Tiempo de Ciclo Ideal =3D 1/(Capacidad
Nominal)
Tiempo de Ciclo Ideal =3D 1/(2000 unid=
ades/hora)
Tiempo de Ciclo Ideal =3D 0,0005 horas=
/unidades
·
Rendimiento
Rendimiento =3D Tiempo de Ciclo Ideal =
/ (TO
/ Total de Unidades Producidas)
Rendimiento =3D 0,0005 horas/unidades =
/ (8420
horas / 14162440 unidades)
Rendimiento =3D 0,841
·
Calidad
Calidad =3D Unidades Conformes / Total=
de
Unidades Producidas
Calidad =3D (14162440 unidades - 19835 unidades) / 14162440 un=
idades
Calidad =3D 0,998
Con los tres parámetros
fundamentales podemos ya calcular la OEE:
·
Efectividad Global de
Equipos.
OEE =3D Disponibilidad × Rendimi=
ento
× Calidad
OEE =3D 0,98 × 0,841 × 0,9=
98 =3D
0,8225
OEE porcentual (%) =3D 82,25%
Se puede clasificar al sistema como ACEPTABLE.
OEE FINAL
<=
/o:p>
La segunda
evaluación de la OEE inicial se realizó después de
implementar el modelo integral:
Tabla 3. Condiciones Finales de la línea de
producción.
|
&=
Igrave;TEM
|
V=
ALOR
|
|
Capacidad
de producción
|
2000 unidades/hora.=
|
|
Periodo
de evaluación=
|
8760 horas.
|
|
TTR
|
172 horas
|
|
Tiempo total de paros no programados
|
76 horas
|
|
Unidades producidas
|
14894790
unidades
|
|
Unidades defectuosas
|
14410 unidades
fueron defectuosas
|
|
Unidades no conformes de manera irreversible <=
o:p>
|
9447 unidades
|
|
Unidades reprocesadas
|
4963 unidades
|
Fuente: Autores
2020.
Metodología:<=
/p>
·
Tiempo
Total de Producción (TPO)
TPO =3D TTE - TTP
TPO =3D Tiempo Total de Evaluaci&oacut=
e;n -
Tiempo Total de Paradas Progr=
amadas
TPO =3D
8760 horas - 172 horas
TPO =3D 8588 horas. =
·
Tiempo
de Operación (TO)
TO =3D TPO – TTPN
TO =3D Tiempo Total de Producción – T=
iempo
Total de horas por paros no programados
TO =3D 8588 horas – 76 horas
TO=3D 8512 horas.
·
Disponibilidad
Disponibilidad =3D TO/TPO <=
/span>
Disponibilidad =3D 8512 horas / 8588 h=
oras
Disponibilidad =3D 0,99
·
Tiempo
de Ciclo Ideal
Tiempo de Ciclo Ideal =3D 1/(Capacidad
Nominal)
Tiempo de Ciclo Ideal =3D 1/(2000 unid=
ades/hora)
Tiempo de Ciclo Ideal =3D 0,0005 horas=
/unidades
·
Rendimiento
Rendimiento =3D Tiempo de Ciclo Ideal =
/ (TO
/ Total de Unidades Producidas)
Rendimiento =3D 0,0005 horas/unidades =
/ (8512
horas / 14894790 unidades)
Rendimiento =3D 0,874
·
Calidad
Calidad =3D Unidades Conformes / Total=
de
Unidades Producidas
Calidad =3D (14894790 unidades - 14410=
unidades)
/ 14894790 unidades
Calidad =3D 0,999
Con los tres parámetros fundame=
ntales
podemos ya calcular la OEE:
·
Efectividad Global de
Equipos.
OEE =3D Disponibilidad × Rendimi=
ento
× Calidad
OEE =3D 0,99 × 0,874 × 0,9=
99 =3D
0,8643
OEE porcentual (%) =3D 86,43%
Se puede clasificar al sistema como BUENO.
Discusión=
Se puede comparar cuantitativamente el sistema de
producción intervenido, antes y después de aplicar el modelo
diseñado, obteniendo resultados significativos, que son traducido a una ganancia porcentual de la
Efectividad Global de Equipos, consiguiendo de esta manera ser efectivos y
eficaces, sin que esto signifique una mayor inversión, obteniendo
resultados alentadores en al ámbito de la producción, como se
muestra a continuación:
OEE INICIAL DEL PROCESO (%) =3D 82,25%=
Se puede clasificar el OEE inicial del
proceso como ACEPTABLE.
OEE FINAL DEL PROCESO (%) =3D 86,43%
Se puede clasificar el OEE inicial del
proceso como BUENO.
El aumento porcentual que se pudo
conseguir en la línea de producción es de 4,18 %, pasando nuestro proceso intervenido de Ace=
ptable
a un estado de Bueno, consiguiendo así un incremento visible en la
productividad.
Conclusiones
·
Según los
resultados arrojados en la pr=
esente
investigación se concluye que al aplicar el sistema integrador se lo=
gra
aumentar la Efectividad Globa=
l de Equipos
que integran el proceso productivo haciéndolo más eficiente en
función de los modos de falla analizados en un periodo de tiempo
determinado.
·
Se establece que para=
una
aplicación adecuada de algoritmos en la explotación de datos =
el programa
WEKA brinda las condiciones adecuadas y permite identificar de manera
fácil los modos de falla que pasan hacer averías, las mismas =
que
causan tiempos muertos en la línea de producción intervenida.=
·
Para establecer el mo=
delo
matemático apropiado se diseña la adaptación ideal ent=
re
un modelo que permita una evaluación integral del sistema y un algor=
itmo
que entregue resultados fiables, es así que se emplea el algoritmo J=
48,
pues es un clasificador basado en los árboles de decisión,
permitiendo una evaluación real del sistema de producción.
·
Se determina que un
sistema integrado evaluado mediante la identificación de las causas =
de los
modos de falla, a su detección temprana y a su pronta resoluci&oacut=
e;n,
permitió establecer un aumento porcentual en la línea de
producción de 4,18 %,
pasando nuestro proceso inter=
venido
de Aceptable a un estado de Bueno, de esta manera podemos aseverar que el
sistema integrado dio los resultados esperados haciendo más rentable=
el
proceso.
Referencias Bibliográficas=
Labarca,
N. and Zulia, U. (2007.) “Consideraciones teóricas de la
competitividad empresarial”, Omnia, Vol. 13, No. 2, pp. 158-184.=
De Toni, A. and Meneghetti,
A. (2000). “The production planning process for a network of rms in t=
he
textile apparel industry,” Int. J. Prod, Vol. 65, 2.
HAN,
J. y KAMBER, M. 2012. Data
Mining, Concepts and Techniques. Morgan Kaufmann Publishers.
Chapman, S. N. (2006). Planificac=
ión
y control de la producción. Naucalpan de Juárez, Edo. de
México: Pearson Educación.
Gaither, N., & Frazier, G. (2000=
). Administración
de la producción y operaciones. México D.F.: International
Thomson.
García Garrido, S. (2003). Organización
y gestión integral de mantenimiento. Madrid: Ediciones Dí=
az
de Santos, S. A.
Hamdy, T. (2012). Investigaci&oac=
ute;n
de operaciones. Naucalpan de Juárez, Estado de México:
PEARSON EDUCACIÓN.
Mora Gutiérrez, L. A. (2009).=
Mantenimiento.
Planeación, ejecución y control. México D.F.:
Alfaomega Grupo Editor, S.A.
Niebel, B. W., & Freivalds, A.
(2009). Ingeniería industrial: Métodos, estándaresy
diseño del trabajo. México, D. F.: McGRAW-HILL/Interameri=
cana
Editores, S.A.
Pérez Marqués , M. (20=
14).
Minería de Datos a través de ejemplos. Madrid: RC Libr=
os.
Render, B., & Heizer, J. (2014).=
Principios
de administración de operaciones. Naucalpan de Juárez, Es=
tado
de México: Pearson Educación.
![3Deditorial1.png](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image032.jpg")
=
=
=
=
PARA CITAR EL
ARTÍCULO INDEXADO.
López
Telenchana, L. S., & Pérez Rojas, J.=
L.
(2020). Diseño e implementación de un sistema integrado para
disminuir tiempos muertos en líneas de producción industrial.=
ConcienciaDigital, 3(3.1), 126-141. https://doi.org/10.33262/concienciadigital.v3i3.1.1372
&nb=
sp;
El
artículo que se publica es de exclusiva responsabilidad de los autor=
es y
no necesariamente reflejan el pensamiento de la Revista Conciencia Digital.
El artículo queda en propi=
edad
de la revista y, por tanto, su publicación parcial y/o total en otro
medio tiene que ser autorizado por el director de la Revista Conciencia Digital.
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image035.jpg")
![](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image024.gif")
![3Deditorial1.png](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image033.jpg")
![3D"logo_catalogo3b.jpg"](3D"10_sistemaintegradotiemposmuertos_LuisLopez_archivos/image034.jpg")