De toepassing van prognoses helpt de netwerkvoorraad, logistieke kosten en reparatiekosten te verminderen

Binnen het TKI Dinalog project MATLOG  is een technisch paper ontwikkeld over de toepassing van prognoses. Dit helpt de netwerkvoorraad, logistieke kosten en reparatiekosten te verminderen. Bekijk en download het paper hieronder.

Luchtvaartbedrijven gebruiken prognoses voor logistiek en onderhoud, maar datafusie tussen deze domeinen is zeldzaam. Supply chains hebben een korte planningshorizon en leveranciers slaan extra reserveonderdelen op strategische locaties op voor de beveiliging van levering. Deze aanpak resulteert echter in extra kosten en grote logistieke voetafdrukken. Nauwkeurig en tijdig voorspellingen van storingen maken just-in-time levering van reserveonderdelen en efficiënte reparatie van onderdelen mogelijk.

Componentgeschiedenissen, vluchtgegevens en onderhoudsrecords worden gecombineerd om gegevens te verrijken. Twee regels vervangbaar componenten worden geselecteerd voor case studies. Storingen worden voorspeld door middel van binaire classificatie. onder toezicht en niet-gesuperviseerde leerbenaderingen worden geëvalueerd om diagnostische modellen te verkrijgen. Er worden multi-echelonmodellen ontwikkeld voor optimalisatie van de netwerkvoorraad. Alle modellen worden gebruikt als plug-ins voor een logistiek managementsysteem. Het falen van een door de winkel vervangbaar onderdeel in een hoofdlandingsgestel en een klep wordt voorspeld. Gemiddelde nauwkeurigheid en terugroepactie voor de eerste is 75%, terwijl de laatste 60% scoort.

Beschikbare gegevens genereren geen betrouwbare diagnostische modellen. Multi-echelon-modellen berekenen aanzienlijk verminderde netwerkvoorraad en reparatiedoorlooptijd met een waarschuwingstijd van 3 dagen, met behoud van een geaggregeerd serviceniveau van 95% en rekening houdend met maximaal 10% valse negatieven.

De conclusies zijn dat:
1) gegevens over de materiële toestand nodig zijn voor nauwkeurige diagnostiek en prognose;
2) nauwkeurigheid en tijdigheid van voorspellingen van storingen zijn de belangrijkste drijfveren voor de netwerkvoorraad; en
3) datagestuurde storingsdiagnose, gecombineerd met multi-echelonmodellen en een logistiek managementsysteem, verkorten doorlooptijden en reparatiekosten.

Bekijk en download het paper hier.