Come l'AI ottimizza i livelli di stock dei ricambi per la manutenzione
Le scorte di ricambi per la manutenzione sono una delle categorie di magazzino più difficili da gestire. Le parti servono raramente e in modo imprevedibile. Le conseguenze di non avere una parte quando serve vanno dal minor disagio fino al fermo produttivo. Molte parti sono specifiche per particolari modelli di apparecchiature senza alternative. E il valore totale delle scorte di ricambi in un tipico impianto manifatturiero è considerevole, spesso milioni di euro.
L'approccio tradizionale alla gestione dei ricambi si basa pesantemente sul giudizio dei responsabili manutenzione e dei fornitori delle apparecchiature, integrato dai dati storici di consumo. L'AI fornisce un approccio più sistematico ed economicamente ottimizzato.
La decisione di stock
Per ciascun ricambio, la decisione di stock comporta la risposta a diverse domande. Qual è la probabilità che questa parte sia richiesta in un dato periodo? Se è richiesta e non è disponibile a magazzino, qual è il costo del fermo produttivo derivante in attesa della consegna? Quanto costa tenere questa parte in stock? Qual è il lead time del fornitore ed è disponibile la consegna d'emergenza?
Il livello di stock ottimale bilancia il costo atteso di una rottura di stock (costo del fermo moltiplicato per la probabilità di rottura) rispetto al costo di mantenimento delle scorte. Per i ricambi critici con elevato costo di fermo e lunghi lead time, si tiene più stock. Per i ricambi non critici con basso costo di fermo o pronta disponibilità di consegna d'emergenza, si tiene meno stock o non se ne tiene affatto.
Come l'AI calcola i livelli ottimali
L'ottimizzazione dei ricambi basata sull'AI utilizza i dati di previsione dei guasti del sistema di manutenzione predittiva per stimare la probabilità di domanda. Se l'AI prevede che un cuscinetto specifico abbia probabilità di guastarsi entro il trimestre, garantisce che un ricambio sia disponibile a magazzino. Se non è prevista alcuna avaria, lo stock di sicurezza per quel cuscinetto può essere ridotto.
L'AI considera anche l'effetto flotta. Se ha 50 pompe identiche con lo stesso cuscinetto, la probabilità che almeno un cuscinetto debba essere sostituito in un dato periodo è molto più alta che per una singola pompa. L'AI calcola la probabilità di domanda a livello di flotta e gestisce lo stock di conseguenza.
Lead time e rischio di approvvigionamento
Le parti con lead time lunghi o inaffidabili richiedono stock di sicurezza più elevati. L'AI monitora le performance di consegna effettive del fornitore e adegua lo stock di sicurezza quando i lead time cambiano. Se un fornitore che storicamente consegnava in due settimane improvvisamente impiega quattro settimane, l'AI aumenta il livello di stock per i ricambi di quel fornitore.
Per i ricambi in cui il produttore originale è la fonte unica, l'AI valuta il rischio di interruzione dell'approvvigionamento e può raccomandare di qualificare fonti alternative o di tenere unità aggiuntive a magazzino come assicurazione.
Gestione dell'obsolescenza
Man mano che le apparecchiature invecchiano e vengono eventualmente sostituite, i ricambi diventano obsoleti. L'AI traccia la base installata di apparecchiature e identifica i ricambi che si avvicinano all'obsolescenza. Per i ricambi le cui apparecchiature saranno sostituite entro pochi anni, l'AI riduce i livelli di stock per evitare scorte in eccesso al ritiro. Per i ricambi che vengono dismessi dal produttore, raccomanda un acquisto a copertura del ciclo di vita prima che le parti diventino indisponibili.
Per ulteriori informazioni sull'ottimizzazione della manutenzione basata sull'AI nel manifatturiero, visiti la pagina FirmAdapt dedicata all'analisi del manifatturiero.