Contenido elegido para ti
Contenido elegido para ti
Vista previa del material en texto
Abdollah Abdi, Sharareh Taghipour
Decisión de reparaciónreemplazo
Sostenibilidad ambiental
Palabras clave:
Departamento de Ingeniería Mecánica e Industrial, Universidad Ryerson, Toronto, ON M5B 2K3, Canadá
Emisiones de gases de efecto invernadero (GEI)
Mantenimiento
Redes bayesianas (BN)
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
La contribución de este artículo es doble. Primero, se desarrolla un modelo económico de reparación/reemplazo en dos fases:
(1) fase determinista, en la que se define la estructura matemática de los costos totales de reparación y reemplazo, y (2) fase
probabilística, que incorpora la incertidumbre de los parámetros de entrada, eventos de riesgo, calidad del mantenimiento preventivo
y perfección de la reparación. En segundo lugar, el modelo económico se extiende a un modelo combinado, en el que se consideran
las emisiones asociadas a las diferentes fases del ciclo de vida de los equipos. Se propone un mecanismo de inferencia para
predecir las emisiones de la fase de operación de equipos en uso en función de su comportamiento de falla. Se presenta un estudio
de caso de una trituradora de plástico para ilustrar la aplicación del enfoque propuesto.
Autor correspondiente.
La decisión de reparación/reemplazo de equipos es un aspecto importante de la gestión de activos, cuyo objetivo es encontrar el
mejor momento para retirar un sistema en uso considerando los costos de su ciclo de vida. Las técnicas de análisis del ciclo de vida
anteriores suponen que la distribución de fallos de los equipos y el tiempo de reparación permanecen inalterados durante la fase de
uso. En realidad, sin embargo, los parámetros reales que representan la confiabilidad y mantenibilidad del equipo podrían cambiar
por varios factores causales, incluida la calidad del mantenimiento preventivo y correctivo, que puede ajustarse dinámicamente
mediante la intervención de la gerencia. Otra dimensión del problema de reparación/reemplazo es el impacto ambiental de los
equipos, que es importante considerar debido a los esquemas de fijación de precios del carbono, así como a las preocupaciones
internacionales sobre el calentamiento global. No todos los aspectos de esta cuestión se han abordado en los modelos de decisión
de reemplazo publicados. Lo más importante es que rara vez se ha examinado la causalidad entre el comportamiento de falla de los
equipos y sus emisiones de gases de efecto invernadero (GEI).
Direcciones de correo electrónico: abdollah.abdi@ryerson.ca (A. Abdi), sharareh@ryerson.ca (S. Taghipour).
t
Informática e Ingeniería Industrial
https://doi.org/10.1016/j.cie.2019.07.021 Recibido
el 15 de enero de 2019; Recibido en forma revisada el 19 de junio de 2019; Aceptado el 8 de julio de 2019
Disponible en línea el 9 de julio de
2019 03608352/ © 2019 Elsevier Ltd. Todos los derechos reservados.
Gestión sostenible de activos: un modelo de decisión de reparaciónreemplazo que considera los impactos
ambientales, la calidad del mantenimiento y el riesgo
1. Introducción que aún no han sido modelados. Para tomar una decisión de R/R, necesitamos saber si
el mantenimiento preventivo o correctivo continuo realmente está marcando una diferencia
positiva y, por lo tanto, es mejor conservar al defensor. Un factor importante es la calidad
del mantenimiento preventivo (PM) y su impacto en la tasa de fallas y la salud del
defensor. En otras palabras, sigue siendo incierto si un programa de PM, con ciertos
costos, sería realmente eficaz para retrasar la degradación del equipo. Asimismo, la
perfección de las reparaciones puede informar la toma de decisiones de R/R. En teoría,
reparaciones mínimas restauran un equipo averiado a su estado anterior al fallo. Por otro
lado, las reparaciones perfectas lo recuperan como si fuera un sistema nuevo. Sin
embargo, en la práctica, el resultado real de estas reparaciones, excepto en algunos
casos especiales, puede no ser determinable con certeza y, por lo tanto, cada trabajo de
reparación podría considerarse como una reparación imperfecta con una efectividad
probable entre la mínima (peor de los casos). ) y reparaciones perfectas (en el mejor de
los casos). Aunque complejos, estos factores, es decir, la calidad y perfección del
mantenimiento preventivo y correctivo, rara vez han sido examinados en trabajos
anteriores. Se pueden desglosar en la calidad/perfección de actividades más pequeñas,
incluidas
página de inicio de la revista: www.elsevier.com/locate/caie
Listas de contenidos disponibles en ScienceDirect
La decisión de reparar o reemplazar un activo físico es un aspecto clave de la gestión
de activos. Implica muchos factores contradictorios, conflictivos e inciertos asociados con
el activo antiguo y el nuevo, conocidos como el defensor y el retador, respectivamente.
Se han introducido muchos modelos para la toma de decisiones sobre reparación/
reemplazo de activos (R/R).
Tradicionalmente, los modelos R/R se basan en conceptos de costeo del ciclo de vida
(LCC) (ISO, 2008). Se puede encontrar una discusión extensa sobre esta categoría de
modelos de base económica en Jardine y Tsang (2013) y Feldman y ValdezFlores (2009).
Recientemente, se han propuesto técnicas más avanzadas en este ámbito para tener en
cuenta las mejoras tecnológicas (Yatsenko y Hritonenko, 2017), la incertidumbre de la
demanda y los parámetros del mercado (Zheng y Chen, 2016), y las características de
fallo técnico de los activos (Merrick y Soyer, 2017). , el efecto de parámetros desconocidos
en la distribución del tiempo hasta el fallo (Fouladirad, Paroissin y Grall, 2018), etc.
A pesar de todos estos intentos, existen complejidades sobre este problema.
Computación e ingeniería industrial 136 (2019) 117–134
Machine Translated by Google
mailto:abdollah.abdi@ryerson.ca
mailto:sharareh@ryerson.ca
http://crossmark.crossref.org/dialog/?doi=10.1016/j.cie.2019.07.021&domain=pdf
https://doi.org/10.1016/j.cie.2019.07.021
https://www.elsevier.com/locate/caie
http://www.sciencedirect.com/science/journal/03608352
https://doi.org/10.1016/j.cie.2019.07.021
t
norte'
do
a
OWC/S fuera de garantía coste/ahorro
producción
se tienen en cuenta en el coste del ciclo de vida del equipo. Un probabilístico
COLUMNA
costo de reemplazo del equipo
Costo de las emisiones del transporte.
Por otro lado, para controlar el creciente y preocupante
SST salud y seguridad en el trabajo multas y sanciones
tiempo hasta el fallo después de la reparación
Duración total del desmantelamiento de TDD
f (e) Distribución de probabilidad N de las emisiones de O&M de un nuevo
período de garantía
IPQ
El objetivo de este artículo es doble. En primer lugar, pretendemos formular un
costos totales de reparación
costo de inventario
duración total de la selección
formación TRN
diseñar un sistema de gestión de activos sostenible para aumentar sus beneficios económicos y
mitigar sus impactos ambientales. Sin embargo, el
son los dos programas más conocidos que se establecen para luchar
PIM
Número esperado de incidentes durante la vidaindustrial 136 (2019) 117–134
Fig. 9. Distribuciones de probabilidad de los costos totales combinados de reparación ( TRC ) y reemplazo ( TRC' ).
A. Abdi y S. Taghipour
Suponiendo que el propietario del equipo no paga el costo de las emisiones
asociadas con los procesos de fabricación, envío y desmantelamiento, el modelo se
ejecutó sin los costos relacionados. Este escenario, como se esperaba, conduciría a
una mayor ventaja en la decisión de reemplazo sobre la decisión de reparación ($88,583),
como se muestra en la Fig. 14.
Este artículo propone un modelo de decisión de reparación/reemplazo con
consideraciones tanto económicas como ambientales. Un modelo determinista
Además, el modelo propuesto es capaz de propagar información hacia atrás (del efecto
a la causa) para inferir variables deseadas con el fin de cumplir una condición o diagnosticar
la(s) causa(s) raíz de un desempeño favorable. Por ejemplo, la gerencia puede establecer un
objetivo sobre la confiabilidad del equipo (a través de la distribución del tiempo de falla o el
número de fallas), así como la mantenibilidad (a través de TRD y la duración de las tareas de
reparación) para encontrar el nivel requerido de calidad de MP, rendimiento de reparación.
fección, experiencia, etc. Asimismo, se pueden introducir en el modelo observaciones sobre
partidas de costes importantes, como TRC TRC' , durante los costes de garantía, etc., para
diagnosticar las causas más probables. De manera similar, se puede utilizar un límite
presupuestario para analizar el nivel requerido de desempeño en otras variables o la
probabilidad/impacto máximo de los riesgos para alcanzar ese límite.
,
Los algoritmos de inferencia aproximada, como el algoritmo de árbol de unión y el
algoritmo de discretización dinámica respectivamente, no se ven afectados por el número
de nodos. Sin embargo, el analista debe tener cuidado con la selección de la distribución
previa y la configuración de la red para crear el modelo más realista del problema.
6. Conclusión
Como resultado, las distribuciones de TRC y TRC muestran un rango de costos más
bajo (Fig. 13), y la ventaja aumentaría a C$76,589.
Esto transferirá estos riesgos importantes al área moderada, como se muestra en la Fig.
12b. Considerando los costos de implementación de las respuestas, se modificó como
nuevo escenario la probabilidad y el impacto de riesgos mayores.
Como puede verse en la Fig. 3, la red propuesta está construida por varios nodos
que representan diferentes variables y parámetros del modelo de decisión. Aunque el
tamaño de una red bayesiana aumenta la carga computacional de ejecutar el modelo,
no es una preocupación en términos de precisión. En otras palabras, la precisión de BN
es exacta y
Las cargas ambientales de los activos se modelan capturando las emisiones de GEI
(CO2, N2O y CH4) del ciclo de vida de los activos porque causan la categoría de impacto
más problemática hoy en día, es decir, el potencial de calentamiento global y el cambio
climático. Además, las misiones de GEI son las que emiten
se desarrolló por primera vez, teniendo en cuenta una amplia gama de variables efectivas
tanto en el lado de la reparación como del reemplazo. Luego, este modelo se trazó en
una estructura bayesiana probabilística (llamada modelo bayesiano R/R), que nos
permitió incorporar la incertidumbre de los parámetros de entrada y capturar factores
complejos que incluyen la calidad del mantenimiento preventivo, la perfección de la
reparación y la experiencia del personal, y la causalidad. entre ellos. Además,
combinamos el modelo con un proceso formal de gestión de riesgos, similar al propuesto
por ISO 31000, para mitigar aún más los costos del ciclo de vida. Se desarrolló un
modelo de inferencia separado para calcular la causalidad entre el comportamiento de
falla del equipo y las emisiones de GEI de su operación. El R/R bayesiano es capaz de
aprender los parámetros y el nivel real de variables complejas a la luz de nueva evidencia
y, por tanto, mejorar continuamente la precisión en la toma de decisiones.
Machine Translated by Google
Fig. 10. El efecto del escenario 1 sobre el tiempo de falla, la perfección de la reparación, la duración total de la reparación,
A. Abdi y S. Taghipour Computación e ingeniería industrial 136 (2019) 117–134
129
Machine Translated by Google
Fig. 12. Matriz de probabilidadimpacto antes (a) y después (b) de la implementación de las respuestas.
Fig. 11. Comparación de los costos totales de reparación y reemplazo en el escenario base y el escenario 1.
Por lo tanto, se deben incorporar más categorías de impacto (incluidos los impactos
sociales) en el modelo de decisión R/R para apoyar una gestión sostenible de activos.
Algunas de las otras categorías de impacto ambiental incluyen el potencial de
acidificación, el potencial de eutrofización, el potencial de agotamiento del ozono y el
potencial de creación de ozono fotoquímico. En términos de incorporar los impactos
ambientales de un activo físico, el método propuesto en el artículo es genérico y puede
aplicarse para calcular otras categorías de impacto. Una posibilidad de considerar una
combinación de ellos sería asignar una importancia o peso relativo a cada pilar de
sostenibilidad (económico, ambiental y social) y sus correspondientes categorías de
impacto, y calcular la carga general del ciclo de vida.
las organizaciones deberían pagar en un mercado de límites máximos y comercio o en
un sistema de impuestos al carbono. Las emisiones de GEI se convirtieron en un valor
monetario utilizando el precio esperado del carbono en el mercado de WCI. Sin
embargo, este valor monetario puede no reflejar el costo exacto del impacto ambiental
del equipo, desde el punto de vista del calentamiento global. Según los resultados de
nuestro estudio de caso, es poco probable que contabilizar las emisiones de GEI
utilizando su precio en un mercado de carbono como WCI pueda cambiar la decisión
de modo que pueda ayudar a mitigar las emisiones de carbono. Esto sería aún más
desalentador si excluimos los elementos de GEI por los cuales los propietarios de
activos aún no pagan en un mercado de carbono (por ejemplo, las emisiones derivadas
de la fabricación de nuevos equipos o de proyectos de desmantelamiento subcontratados).
130
Computación e ingeniería industrial 136 (2019) 117–134A. Abdi y S. Taghipour
Machine Translated by Google
Fig. 14. Distribuciones de probabilidad de los costos totales combinados de reparación ( TRC ) y reemplazo ( TRC' ) con solo emisiones de operación y mantenimiento.
Fig. 13. Distribuciones de TRC y TRC antes y después de responder a los riesgos de alto nivel.
A. Abdi y S. Taghipour
131
Computación e ingeniería industrial 136 (2019) 117–134
Machine Translated by Google
norte1
,
Pr(X|X=X)Pr(X, , , ,X )
norte norteyo 11
i
1,
=
A. Abdi y S. Taghipour
,
norte1
Computación e ingeniería industrial 136 (2019) 117–134132
1para que XX
Apéndice B. Una descripción general de las redes bayesianas
Este trabajo fue parcialmente apoyado por Fiix Software y Ontario.
comentarios de Marc Castle y Katie Allen.
mercado de carbono en vigor.
con padres YY El NPT de X se reduciría a la probabilidad previa Pr(X) , si no tiene padres. Aplicando la regla de la cadena, los BN son capaces de
norte.
nodos secundarios. A cada nodo se le asigna una tabla de probabilidad de nodo (NPT) para definir sus estados y probabilidades. El conjunto de nodos y flechas construyen un
(VIP) (Nº 26114). Los autores desean agradecer una inicial
que quema el equipo, la cantidad de combustible consumido con una unidad deseada, etc. y obtener la cantidad de emisiones de carbono de Alcance 2 asociadas con el
representa una causa para Di, como una experiencia compartida. Comenzando con una probabilidad previa de nuestra creencia sobre la experiencia, Pr(E), la probabilidad de reparación
deseo de ir más allá de la sostenibilidad económica.
2018; Uusitalo, 2007). Un modelo BN incluye varios nodos (que representan variables inciertas) y varias flechas (que muestran relaciones causales).
Emisiones de carbono de alcance 2 (en kg CO2eq) de los equipos, según su ubicación y la cantidad de electricidad, calor y vapor consumidos. en el segundo
X ) en una configuración compacta (Jensen, 1996):
En el contexto de la mantenibilidad, la regla de Bayes se puede explicar utilizando el modelo BN ingenuo representado en la figura B.1a. Las variables D1, D2…, Dn representan n
Los BN son poderosos sistemas de análisis de decisiones que se pueden aplicar a conjuntos de datos incompletos o de pequeña escala y son útiles para la incertidumbre explícita.
Apéndice A. La calculadora de GEI
(B.1)
Reconocimiento
describiendo la distribución conjunta Pr(X,
versión del modelo determinista de Fiix Software y constructivo
combustible consumido y kilometraje recorrido (en el caso de fuentes móviles). Luego, la herramienta calcularía las emisiones totales y sus costos relacionados, si hay una
Gráfico acíclico dirigido (DAG), que no debe tener una ruta X. Se asigna un NPT condicional como Pr(X|Y, Y) al nodo X.
módulo (Alcance 1), el usuario puede proporcionar información como el tipo de equipo (estacionario o móvil, de carretera o no de carretera, etc.), categoría/tipo de combustible
entre variables). Los nodos iniciales no tienen una flecha hacia adentro y se denominan nodos principales. Otros nodos con flechas dirigidas hacia ellos son
Bono de Innovación y Productividad de los Centros de Excelencia (OCE)
, n.
duraciones de las tareas de reparación (por ejemplo, notificación y diagnóstico, tiempo de reparación, tiempo de espera, alineación y calibración de reensamblaje y tiempo de prueba) y variable E
de activos para escenarios de reparación y reemplazo. Claramente, la lista de categorías de
impacto específicas depende de las obligaciones y
La Fig. A.1 muestra la interfaz de la Calculadora de GEI desarrollada por los autores. Tiene dos módulos principales. El módulo en la parte superior proporciona el total
modelado, aprendizaje estructural y de parámetros, integración de diversas fuentes de conocimiento y respuestas rápidas (Dinis, BarbosaPóvoa y Teixeira,
norte1
Figura A1. La calculadora de GEI (Fiix® es una marca registrada de Maintenance Assistant Inc., que apoyó esta parte del estudio).
incógnita
Machine Translated by Google
Referencias
Chang, CC, Sheu, SH, Chen, YL y Zhang, ZG (2011). Un óptimo multicriterio
Se han introducido varias herramientas de software para crear y ejecutar BN. Una lista extensa y una discusión de las herramientas informáticas BN se presentan en
Medios de ciencia y negocios de Springer.
monumentos. Wiley.
,
Este conocimiento revisado sobre la experiencia ahora se puede aplicar para pronosticar la duración de las tareas de reparación restantes, Dj, que no lo son. Esta BN simple se puede extender a la
de la Fig. B.1b, para hacer de la experiencia una causa común a otra, lo que significa evidencia sobre la reparación.
La duración de la actividad dependiendo del nivel de experiencia observado es Pr(D|E). Suponiendo que una tarea de reparación finaliza con una duración real Di, nuestra creencia sobre la probabilidad
real de experiencia, es decir Pr(E|Di), se puede calcular multiplicando la probabilidad previa de experiencia, Pr(E), por la probabilidad Pr (Di|E), y normalizando los resultados dividiéndolo por la constante
Pr(Di): Pr(E/D) =
Comparación de furgonetas de reparto diésel y eléctricas con batería para informar las estrategias de
reemplazo de flotas logísticas de la ciudad. Investigación sobre transporte Parte D: Transporte y medio ambiente.
PérezMiñana (2016). En este estudio, se emplea el software AgenaRisk (Agena, 2018) para construir los modelos BN diseñados.
Apéndice C. Material complementario
Arena, MV, Younossi, O., Galway, LA, Fox, B., Graser, JC, Sollinger, JM, ... Wong, C. (2006).
Certeza imposible: análisis de riesgos de costos para los sistemas de la Fuerza Aérea.
Corporación RAND , UG633.2.I6.
Aven, T. (2011). Sobre la nueva guía ISO sobre terminología de gestión de riesgos. Fiabilidad
Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. y Rubin, D. B. (2014).
.
AlSaleh, JA y Agarwal, SK (2007). Mezcla finita de distribuciones gamma: un conjugado previo.
Estadística computacional y análisis de datos, 51(9), 4369–4378.
completado aún: Pr(D/E) = efecto,
perfección de reparación (R). La conexión de dependencia entre R, E y D es Pr(R, E, D) Pr(E|R)Pr(E|D)Pr(E) = las duraciones influirán en la experiencia y
esto posteriormente influirá en la perfección de la reparación. En este ejemplo, como se analizó anteriormente, una observación sobre la duración de la reparación Di inferirá el nivel de experiencia que a
su vez actualiza la duración de las tareas restantes, Dj , así como el nivel de perfección de la reparación.
Pre)
Pr(E/D)Pr(D)
Feldman, RM y ValdezFlores, C. (2009). Probabilidad aplicada y procesos estocásticos.
Abdi, A. y Taghipour, S. (2018). Un modelo de optimización para la gestión de flotas con
Figura B1. Una red bayesiana ingenua para modelar correlacionó n duraciones de tareas de reparación ( Di) con la experiencia del factor impulsor compartido (E) (a), que influye en la perfección
de la reparación (R) (b).
Pr(D)
Pr(D/E)Pr(E)
133
Computación e ingeniería industrial 136 (2019) 117–134
Goodpasture, JC (2003). Métodos cuantitativos en la gestión de proyectos. Boca Ratón,
Dinis, D., BarbosaPóvoa, A., & Teixeira, Â. P. (2018). Valoración de datos en el mantenimiento de aeronaves.
Chapman, C. y Ward, S. (2003). Gestión de riesgos de proyectos: procesos, técnicas e in
estructura. Londres: Institución Británica de Normalización.
Los datos complementarios de este artículo se pueden encontrar en línea en https://doi.org/10.1016/j.cie.2019.07.021.
Agenda (2018). Software de simulación y redes bayesianas para análisis de riesgos y soporte de decisiones.Recuperado en línea de: http://www.agenarisk.com.
costeo (ISO 156865:2008). 1ª edición. Ginebra, Suiza: Organización Internacional de Normalización.
orientación hacia el transporte urbano sostenible de mercancías. Investigación sobre transporte Parte D:
Transporte y medio ambiente, 48, 357–368.
Bare, J., Young, D., Qam, S., Hopton, M. y Chief, SAB (2012). Herramienta para la Reducción y Evaluación de
Impactos Químicos y otros Impactos Ambientales (TRACI). Agencia de Protección Ambiental de EE.
UU. (EPA), ORD/NRMRL/ División de Tecnología Sostenible. TRACI, 2, 1–24.
Fouladirad, M., Paroissin, C. y Grall, A. (2018). Sensibilidad de las políticas de reemplazo óptimas a las estimaciones
de los parámetros de vida. Revista europea de investigación operativa, 266(3), 963–975.
consideraciones económicas y medioambientales, en el marco de un mercado de límites máximos y comercio.
Revista de Producción Más Limpia, 204, 130–143.
Panel Intergubernamental sobre Cambio Climático (2014). Cambio Climático 2014–Impactos, Adaptación y
Vulnerabilidad: Aspectos Regionales. Prensa de la Universidad de Cambridge.
Ingeniería y seguridad de sistemas, 96(7), 719–726.
A. Abdi y S. Taghipour
Florida: Publicación de J Ross.
Ansaripoor, AH, Oliveira, FS y Liret, A. (2014). Un sistema de gestión de riesgos para la reposición sostenible de flotas.
Revista europea de investigación operativa, 237(2), 701–712.
Chin, KS, Tang, DW, Yang, JB, Wang, Sh. Y. y Wang, H. (2009). Evaluación del riesgo del proyecto de desarrollo de
nuevos productos mediante red bayesiana Evaluación del riesgo del proyecto de desarrollo de nuevos
productos mediante red bayesiana. Sistemas expertos con aplicaciones, 36, 9879–9890.
Mantenimiento a través de análisis de big data: un enfoque probabilístico para la planificación de capacidad
utilizando redes bayesianas. Ingeniería Informática e Industrial..
Jardine, AK y Tsang, AH (2013). Mantenimiento, reposición y confiabilidad: teoría y
política de reemplazo para un sistema sujeto a shocks. Computadoras e Ingeniería Industrial, 61(4), 1035–1043.
Ahani, P., Arantes, A. y Melo, S. (2016). Un enfoque de cartera para una flota óptima re
AlbaRodríguez, MD, MartínezRocamora, A., GonzálezVallejo, P., FerreiraSánchez, A., & Marrero, M. (2017).
Rehabilitación de edificios versus demolición y nueva construcción : Evaluación económica y ambiental.
Revisión de la evaluación de impacto ambiental , 66, 115–126.
ISO (2006). 14040: Gestión ambiental – evaluación del ciclo de vida – principios y
Chang, CC, Sheu, SH y Chen, YL (2010). Número óptimo de reparaciones mínimas antes del reemplazo según una
política de límite de costo de reparación acumulativo. Computación e ingeniería industrial, 59 (4), 603–610.
Fabricación integrada por computadora, 18 (3), 215–221.
ISO (2008). Edificios y activos construidos Planificación de la vida útil Parte 5: Ciclo de vida
Afrinadi, F., Tasman, AM, Zhang, HC y Hasan, A. (2017). Minimizar los impactos económicos y ambientales mediante
un cronograma óptimo de reposición preventiva: Modelo y aplicación. Revista de Producción Más Limpia, 143,
882–893.
Hartman, JC y Ban, J. (2002). El problema de la sustitución en serieparalelo. Robótica y
Fenton, NE, Neil, M. y Caballero, JG (2007). Uso de nodos clasificados para modelar juicios cualitativos en redes
bayesianas. Transacciones IEEE sobre conocimiento e ingeniería de datos, 19(10), 1420–1432.
Análisis de datos bayesianos, vol. 2. Boca Ratón, FL: CRC Press.
Giordano, A., Fischbeck, P. y Matthews, HS (2017). Ambiental y económico
Machine Translated by Google
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0060
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0085
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0065
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0065
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0115
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0115
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0115
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0040
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0040
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0040
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0040
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0045
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0045
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0110
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0030
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0030
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0030
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0085
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0085
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0005
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0120
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0120
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0120
https://doi.org/10.1016/j.cie.2019.07.021
http://www.agenarisk.com
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0020
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0020
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0020
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0020
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0050
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0100
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0100
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0100
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0005
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0005
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0005
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0005
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0045
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0045
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0120
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0035
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0035
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0035
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0035
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0070
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0070
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0070
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0070
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0080
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0080
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0080
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0150
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0150
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0060
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0060
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0060
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0025
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0025
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0025
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0025
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0025
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0055
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0055
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0055
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0055
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0055
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0125http://refhub.elsevier.com/S0360-8352(19)30412-7/h0125
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0010
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0010
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0010
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0010
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0010
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0125
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0125
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0095
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0095
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0095
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0095
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0095
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0110
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0110
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0110
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0115
Xia, T., Xi, L., Pan, E. y Ni, J. (2017). Principales oportunistas orientados a la reconfiguración.
Xia, T., Xi, L., Pan, E., Fang, X. y Gebraeel, N. (2017). Oportunista orientado al arrendamiento
Xia, T., Dong, Y., Xiao, L., Du, S., Pan, E. y Xi, L. (2018). Avances recientes en pronósticos y gestión de la salud
para paradigmas de fabricación avanzada. Ingeniería de confiabilidad y seguridad de sistemas.
Yatsenko, Y. y Hritonenko, N. (2015). Algoritmos de reposición de activos bajo previsión tecnológica limitada.
Revista Internacional de Economía de la Producción, 160, 26–33.
A. Abdi y S. Taghipour
Komonen, K. (2002). Un modelo de costes de mantenimiento industrial para análisis de rentabilidad y
benchmarking. Revista Internacional de Economía de la Producción, 79(1), 15–31.
Zhang, YL (1994). Una política bivariada de reemplazo óptimo para un sistema reparable.
Stutzman, S., Weiland, B., Preckel, P. y Wetzstein, M. (2017). Políticas de reposición óptimas para un activo
rejuvenecido incierto. Revista Internacional de Economía de la Producción, 185, 21–33.
Jensen, FV (1996). Una introducción a las redes bayesianas, vol. 210, 1–178.
Wang, GJ y Zhang, YL (2013). Políticas óptimas de reparaciónreemplazo para un sistema con dos tipos de
fallas. Revista europea de investigación operativa, 226(3), 500–506.
Peralta, S., Sasmito, AP y Kumral, M. (2016). Efecto de la confiabilidad en el consumo de energía y las emisiones
de gases de efecto invernadero de la flota de transporte minero hacia una minería sustentable.
Revisión de herramientas de red bayesiana. Software y modelado ambiental, 85, 184–201.
tenencia. Transacciones IEEE sobre confiabilidad, 36 (5), 631–633.
Pascual, R., Meruane, V. y Rey, PA (2008). Sobre el efecto de los costos de inactividad y la restricción
presupuestaria en las políticas preventivas y de reposición. Ingeniería de confiabilidad y seguridad del
sistema, 93 (1), 144–151.
progreso. Transacciones IIE, 36(6), 497–508.
Convención Marco de las Naciones Unidas sobre el Cambio Climático. Informe de la Conferencia de las Partes
sobre su vigésimo primer período de sesiones, París, 30 de noviembre al 11 de diciembre de 2015.
modelado. Modelado ecológico, 203(3), 312–318.
Jayal, AD, Badurdeen, F., Dillon, OW, Jr y Jawahir, IS (2010). Fabricación sostenible: desafíos de modelado y
optimización a nivel de producto, proceso y sistema. Revista CIRP de ciencia y tecnología de fabricación,
2 (3), 144–152.
Nakagawa, T. y Yasui, K. (1987). Políticas óptimas para un sistema con mantenimiento imperfecto.
Nair, SK (1995). Modelado de decisiones estratégicas de inversión bajo cambios tecnológicos secuenciales.
Ciencias de la gestión, 41 (2), 282–297.
Política de mantenimiento de sistemas de fabricación reconfigurables. Ingeniería de confiabilidad y
seguridad del sistema, 166, 87–98.
Raiffa, H. (1974). Teoría de la decisión estadística aplicada.
mantenimiento de sistemas arrendados de unidades múltiples bajo el paradigma productoservicio. Revista
de ciencia e ingeniería de fabricación, 139(7), 071005.
Yatsenko, Y. y Hritonenko, N. (2017). Optimización de dos ciclos en modelos de reposición con mejora
tecnológica no exponencial. Revista IMA de Matemáticas de Gestión, 28 (3), 359–372.
Revista de probabilidad aplicada, 31 (4), 1123–1127.
Nakagawa, T. (1979). Políticas óptimas cuando el mantenimiento preventivo es imperfecto. IEEE
Maltzman, R. y Shirley, D. (2010). Gestión de proyectos verdes. Prensa CRC.
Kim, TH y Chae, CU (2016). Análisis de impacto ambiental de la acidificación y eutrofización por emisiones
procedentes de la producción de hormigón. Sostenibilidad (Suiza). https://doi.org/10.3390/su8060578.
Revista de Minería Sostenible, 15(3), 85–94.
Wang, S., Wan, L., Li, T., Luo, B. y Wang, C. (2018). Explorar el efecto del mecanismo de límites máximos y
comercio en la planificación de la producción y la estrategia de reducción de emisiones de la empresa.
Revista de Producción Más Limpia, 172, 591–601.
Pham, H. y Wang, H. (1996). Mantenimiento imperfecto. Revista europea de investigación operativa, 94(3),
425–438.
Probabilidad, 20(2), 479–482.
PérezMiñana, E. (2016). Improving ecosystem services modelling: Insights from a
Reindorp, MJ y Fu, MC (2011). La renovación de capital como opción real. Revista europea de investigación
operativa, 214(1), 109–117.
FCCC/CP/2015/L.9/Rev.1.
Wang, B., Brême, S. y Moon, YB (2014). Modelado y simulación híbridos para complementar el Análisis del
Ciclo de Vida. Computación e ingeniería industrial, 69, 77–88.
Nguyen, KT, Yeung, T. y Castanier, B. (2017). Adquisición de información de nueva tecnología para
políticas de mantenimiento y reposición. Revista internacional de investigación de producción,
55(8), 2212–2231.
Uusitalo, L. (2007). Ventajas y desafíos de las redes bayesianas en medio ambiente.
Xia, T., Xi, L., Du, S., Xiao, L. y Pan, E. (2018). Toma de decisiones de mantenimiento orientadas a la energía
para la fabricación sostenible basada en la ventana de ahorro de energía. Revista de ciencia e ingeniería
de fabricación, 140(5), 051001.
Yang, TI (2011). Análisis estocástico de compensación tiempocosto: un enfoque sin distribución centrado en
la correlación y el dominio estocástico. Automatización en la Construcción, 20(7), 916–926.
Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC) (2009). Manual de
referencia del Protocolo de Kioto sobre contabilidad de emisiones y cantidad atribuida. eCiencias
Sociales.
Regnier, E., Sharp, G. y Tovey, C. (2004). Reemplazo bajo tecnología en curso.
Sí, L. (1988). Una nota sobre el problema de reemplazo óptimo. Avances en Aplicada
Zheng, S. y Chen, S. (2016). Decisiones de reemplazo de flotas bajo incertidumbres sobre la demanda y el
precio del combustible . Investigación sobre transporte Parte D: Transporte y medio ambiente.
aplicaciones. Prensa CRC.
Merrick, JR y Soyer, R. (2017). Políticas de reemplazo óptimas bayesianas semiparamétricas: aplicación a vías
férreas. Modelos estocásticos aplicados en los negocios y la industria. 33(5), 445–460.
Transacciones sobre confiabilidad, 28 (4), 331–332.
Computación e ingeniería industrial 136 (2019) 117–134
134
Machine Translatedby Google
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0315
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0305
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0305
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0305
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0305
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0330
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0330
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0330
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0330
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0175
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0175
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0175
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0175
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0345
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0265
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0265
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0265
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0265
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0265
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0265
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0160
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0160
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0160
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0290
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0290
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0290
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0290
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0225
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0225
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0235
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0235
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0235
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0210
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0210
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0210
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0230
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0230
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0230
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0230
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0230
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0250
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0250
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0250
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0280
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0280
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0280
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0155
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0155
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0155
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0155
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0200
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0200
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0200
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0320
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0320
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0320
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0320
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0315
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0315
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0315
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0315
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0335
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0335
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0335
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0335
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0335
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0345
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0345
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0205
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0205
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0180
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0180
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0180
https://doi.org/10.3390/su8060578
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0225
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0225
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0295
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0295
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0295
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0295
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0295
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0240
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0240
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0240
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0240
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0340
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0340
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0235
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0255
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0255
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0255
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0255
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0285
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0285
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0285
http://refhub.elsevier.com/S0360-8352(19)30412-7/h9000
http://refhub.elsevier.com/S0360-8352(19)30412-7/h9000
http://refhub.elsevier.com/S0360-8352(19)30412-7/h9000
http://refhub.elsevier.com/S0360-8352(19)30412-7/h9000
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0280
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0310
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0310
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0310
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0310
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0325
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0325
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0325
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0325
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0250
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0340
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0340
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0350
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0350
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0350
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0350
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0150
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0150
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0190
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0190
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0190
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0190
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0205
http://refhub.elsevier.com/S0360-8352(19)30412-7/h0205útil restante.
LPC perdió costos de producción durante el período de reemplazo
Costo CRU de investigar la unidad de reemplazo
equipo
emisiones de gases de efecto invernadero (GEI), se está abordando una dimensión medioambiental
CP
ganancia o pérdida de capacidad de producción (si es negativa) después
modelo para la decisión de reparaciónreemplazo de equipos con beneficios tanto económicos como
costos totales de reemplazo
LACA
TSD
Reuniones de seguridad por SMS
costo de mantenimiento del capitalCCC
Impacto del COI en la calidad del producto y la capacidad de producción
Modelos de reemplazo combinados (con efectos tanto económicos como ambientales).
Tarifa de mano de obra estándar para trabajos de reparación, instalación y
puesta en servicio por hora.
costo de piezas y suministros
(y/o cualquier otra fuerza impulsora) sobre la salud del equipo, e inferir la
TRD duración total de la reparación
LLC costos varios de responsabilidad legal
Costo de reparación COR
DSC
Costo de la producción perdida durante este tiempo de entrega.
mejorar la eficiencia energética y, por tanto, la cantidad de energía directa e indirecta.
Costo de producción perdida por día.
Costos de cancelación no monetaria de WOC
mercado, donde el precio del carbono lo decide el mercado (Wang,
Tablas de probabilidad de nodos NPT
precio
la mayoría de las provincias canadienses y de los Estados Unidos, que están en
norte"
r'
Inspección y certificaciones de seguridad del SIC
tampoco ser exacto.
Costo CAR de repuestos rotativos adicionales para compensar la pérdida
costo de producción perdida
costo de eliminación y rescate
Costo humano de las emisiones de la fase de fabricación.
CSB coste de chatarra por avería
vida útil restante
número de repuestos
Wan, Li, Luo y Wang, 2018). Por lo tanto, las organizaciones afectadas deben
costo anual del dinero
ERC
Costos colaterales de COC por incidente
costo de instalación de equipo de reemplazo
emisiones.
lugar o previsto su ejecución. 'Impuesto al carbono' y 'límites y comercio'
tasa de mano de obra estándar para el trabajo operativo por hora
CVR
tasa de mano de obra cargada)
Costo de financiamiento mensual de MFC
salud sobre la cantidad de emisiones de GEI liberadas. Según Peralta,
costo de desechar el componente
garantía
impactos
CPS
La reducción de emisiones es incierta. Por el contrario, el sistema de límites máximos y comercio proporciona una
Liret, 2014). El cambio climático y su efecto más problemático, global
La República de China redujo los costos operativos (energía, servicios públicos, servicios, etc.)
Redes bayesianas de Edec BN
número esperado de incidentes con equipos nuevos fuera de
Costo DQO del desmantelamiento
en la calidad del material también faltan en la literatura sobre reemplazo de activos.
precio del carbono
El mecanismo de razonamiento está diseñado para formular el efecto de la calidad del PM.
costo de repuestos y suministros
impacto diverso en la mejora de la calidad (devoluciones, reelaboraciones, etc.)
Costos totales de reemplazo con impactos tanto económicos como ambientales.
duración total de la instalación
Sasmito y Kumral (2016), la confiabilidad del equipo puede mejorar significativamente
CLT
Nomenclatura
Gráficos acíclicos dirigidos por DAG
mercado de comercio de emisiones con un límite de emisiones predefinido para el conjunto
garantía
calentamiento global, se atribuyen en gran medida a los GEI liberados por las actividades humanas
(IPCC, 2014), como la operación de activos. Tras el acuerdo de París (CMNUCC, 2015), muchas
naciones y territorios han diseñado una serie de programas regulatorios de emisiones de carbono,
incluidos
RSV
r
Costo del inventario de repuestos como % de la compra de equipos.
Si no se modela la incertidumbre de dichos factores, los resultados del LCC pueden
CIR
FTE
número esperado de incidentes con equipos nuevos durante
DWC/S durante la garantía costo/ahorro
Costo directo de DCN de nuevos equipos
Distribución de probabilidad de las emisiones de O&M de un jubilado.
cambio climático. El primero pone precio a las emisiones de carbono, mientras que el
avería y reparación
mejora de la confiabilidad del equipo (como indicador de MTTF)
agregado a las decisiones de reemplazo de activos (por ejemplo, Afrinaldi, Tasman, Zhang y
Costos totales de reparación con efectos tanto económicos como ambientales.
TIEMPO
lubricación, almacenamiento, limpieza, selección e instalación de piezas, etc.
impacto mensual en la productividad
MTTF significa tiempo hasta el fracaso
Consideraciones ambientales, para que la calidad del PM y la perfección de la reparación
Tiempo medio de MTTF hasta el fallo durante la garantía
Centros para el Control y la Prevención de Enfermedades
Costo de EO&M de las emisiones provenientes de operación y mantenimiento
Costos de envío entrante de ISC
objetivos) no logran modelar el impacto del mantenimiento y el equipo.
equipo
costos laborales
CVR'
porcentaje indirecto del costo laboral (gastos generales para valor rescatado realizado del equipo retirado
objetivo de reducir las emisiones. En este enfoque, el resultado de
Hasán, 2017; Ahani, Arantes y Melo, 2016; Ansaripoor, Oliveira y
mejora de la capacidad de producción de nuevos equipos durante
MTBF tiempo medio entre fallas
Otros factores causales complejos, como factores organizativos (p. ej., experiencia del personal
de reparación), riesgo de cargas imprevistas y variaciones.
Aumento equivalente a tiempo completo (reducción si es negativo)
Costo de las emisiones de la fase de desmantelamiento.
garantía
PCR
s
yo
norte
Computación e ingeniería industrial 136 (2019) 117–134
118
A. Abdi y S. Taghipour
j
i
nave
CVR'
f(e) R
CVR
Machine Translated by Google
119
Computación e ingeniería industrial 136 (2019) 117–134A. Abdi y S. Taghipour
mejora tecnológica del nuevo sistema en el problema R/R (por ejemplo,
Nguyen, Yeung y Castanier (2017) diseñaron un sistema de apoyo a las decisiones
con un mecanismo inteligente y explicativo que no sólo toma decisiones R/R más precisas,
sino que también captura incertidumbres más efectivas y
consiste en O&M, averías, elementos de reemplazo y la emisión
Los vehículos eléctricos reducirían significativamente las emisiones de carbono (en
costos de mantenimiento (O&M). Yeh (1988) utilizó una técnica de proceso geométrico que
analizó el comportamiento de deterioro de un sistema reparable,
En este apartado se explican diferentes aspectos del modelo propuesto. La figura 1 ilustra
gráficamente el proceso de modelado. comienza
la principal contribución científica de este artículo, una versión probabilística de
sistema a lo largo de su ciclo de vida”. Una evaluación del ACV estándar puede
También han diseñado un panel a nivel de sistema, llamado ahorro de energía.
describe la metodología de esta investigación. Los resultados de un plástico.
decisión para equipos con dos tipos de fallas: falla reparable y
Impactos ambientales del escenario de rehabilitación de un edificio versus su
Los modelos existentes enla literatura hacen supuestos simplificados.
Zhang (1994) utilizando una política de reemplazo bivariada con ambos tiempos de
tanto con un perfil económico único como con un perfil económicoambiental combinado. Para
importar la cantidad exacta de emisiones de GEI, es necesario
enfoques en tres categorías. Primero están las técnicas basadas en la física.
eventos de riesgo. También proponemos un modelo para capturar la relación causal.
impactos ambientales de los activos físicos en un enfoque integrado. Para
estudio para comparar los impactos ambientales, sociales y económicos de
2. Revisión de estudios previos
falla o falla irreparable (si ocurre primero). Recientemente, se han desarrollado metodologías
de mantenimiento y modelos de decisión especializados.
modelar la relación causal entre mantenimiento, confiabilidad del equipo y emisiones de GEI
del equipo. Para lograr los objetivos anteriores, un
Para afrontar el desafío de la sostenibilidad en la gestión de activos, los investigadores
están incorporando los impactos ambientales de los activos físicos en modelos de reemplazo
económico. La mera evaluación ambiental de los activos físicos se ha realizado tradicionalmente
mediante el uso de vida.
nivelar, modernizar y reparar es una opción más efectiva. Ahani et al. (2016)
que se modifica continuamente a través de la calidad del mantenimiento en específicos
modelo determinista para la decisión de reparaciónreemplazo de equipos (R/R)
Evaluación del ciclo (LCA), que está definida por la norma internacional
optimizó la combinación de vehículos eléctricos (EV) e internos
y desempeño de la gestión de activos en general.
Hartman y Ban, 2002; Nair, 1995; Regnier, Sharp y Tovey, 2004;
modelo para el reemplazo óptimo y el momento de la adopción de un
factores causales, pero también identifica riesgos y puntos de mejora que
El objetivo cubre los GEI relacionados con la fase de operación y la acción de reemplazo.
AlbaRodríguez, MartínezRocamora, GonzálezVallejo,
93–98%). Sin embargo, en las regiones donde se genera electricidad a partir de carbón,
donde consideró políticas de reemplazo separadas basadas en la operación
con un modelo determinista de reparaciónreposición, con consideraciones económicas.
Luego, este modelo se amplía para incorporar las cargas ambientales de cada escenario de
decisión, específicamente las emisiones de GEI.
Luego, el modelo anterior se desarrolla utilizando redes bayesianas (BN), para
que aplican modelos matemáticos para analizar la degradación de activos y la propagación
de daños. El segundo grupo son los enfoques basados en datos, que incluyen técnicas de
aprendizaje automático como las redes neuronales artificiales.
efectividad del mantenimiento. ¿Qué tan perfecto o imperfecto es el trabajo de reparación?
utilizar datos de monitoreo de condición para derivar el mecanismo de daño y
Demolición y sustitución total por obra nueva. Ellos usaron
sobre el comportamiento de degradación y falla de los equipos. Por ejemplo,
operación y el número de fallas, cualquiera de las cuales fue suficiente para
La calculadora de GEI está diseñada para respaldar esta parte de la investigación. El próximo
entre la confiabilidad del equipo y sus emisiones de GEI durante la fase de operación. El
modelo bayesiano R/R nos permite tener en cuenta la
Por ejemplo, Afrinadi et al. (2017) propusieron un modelo de optimización para
Furgonetas eléctricas de batería versus furgonetas diésel. El resultado de este estudio demuestra la
El problema clásico de R/R se refiere a la decisión de reemplazar o no
desarrollado para paradigmas de fabricación avanzados como la fabricación de productos
servicios (Xia, Xi, Pan, Fang y Gebraeel, 2017), la fabricación reconfigurable (Xia, Xi, Pan y
Ni, 2017) y la sostenibilidad.
aún no está disponible en el mercado. Xia, Dong y col. (2018) han recientemente
o mantener un activo operativo. Tradicionalmente, la motivación detrás
manufactura (Jayal, Badurdeen, Dillon y Jawahir, 2010).
Se formula un plan que tenga en cuenta consideraciones tanto económicas como medioambientales. En
ISO 14040 (ISO, 2006) de la organización como “la compilación y evaluación
vehículos con motor de combustión (ICEV), teniendo en cuenta la incertidumbre de los costos
de energía y los costos de compra de vehículos eléctricos.
El resto del artículo está estructurado de la siguiente manera: una revisión de
Yatsenko y Hritonenko, 2015, 2017). Reindorp y Fu (2011) y
nueva tecnología para un sistema reparable, considerando la información
centrarse en reducir aún más las cargas económicas y medioambientales del ciclo de
vida.
FerreiraSánchez y Marrero (2017) compararon el impacto económico y
la mitigación es sólo del 12% al 13%.
tiempo o el número de fallas. Estos modelos fueron posteriormente generalizados por
se puede encontrar en Wang, Brême y Moon (2014). Hay investigaciones en curso
ventana (ESW), para reducir el consumo de energía de una línea de fabricación.
El estudio de caso de la trituradora se analiza en la Sección 4, y las conclusiones y
fallo irreparable. La limitación de la disponibilidad y los costos a largo plazo fueron los
En esta etapa se desarrolla una Calculadora R/R automática que sea funcional
es decir, también se modela para predecir con mayor precisión la tasa de falla del
presupuesto del proyecto y huella ecológica como criterios económicos y ambientales,
respectivamente. Usando un caso de edificio multifamiliar
Utilizan distribuciones probabilísticas de falla estáticas , que permanecen sin cambios hasta
el final de la vida útil del equipo. Esto es diametralmente
degradación. El tercer grupo son los enfoques híbridos mediante los cuales se emplea la
ventaja de los métodos basados en la física y en los datos para
decidir por el reemplazo del sistema. A partir de entonces, se tomaron más factores.
El primer paso es mapear el modelo en una red bayesiana, lo que permite modelar la
incertidumbre de los parámetros de entrada, la calidad de PM y el grado de
revisó varios enfoques de pronóstico en el campo del pronóstico y
incertidumbre de los parámetros del modelo. Equipado con conocimiento experto y
cronograma de reemplazo preventivo de un solo sistema, que considere
importancia de las emisiones indirectas de GEI. Demostraron que en ciudades con
inferencia basada en datos, el modelo propuesto proporciona a los administradores de activos
objetivos tanto de minimización de costes como de emisiones. El objetivo de costes
Un mix limpio de generación eléctrica, sustituyendo furgonetas diésel por baterías
reemplazar un sistema antiguo es su deterioro y el aumento de funcionamiento y
3. Metodología
opción de adquisición sobre la rentabilidad de la nueva tecnología, que es
En esta etapa, el modelo se convierte en una calculadora R/R automática. Como
de los insumos, productos y posibles impactos ambientales de un producto
Xia, Xi, Du, Xiao y Pan (2018) propusieron un enfoque de mantenimiento sostenible
basado enla salud de los activos y sus atributos energéticos.
Los estudios sobre modelos de decisión R/R se presentan en la Sección 2. Sección 3
Stutzman, Weiland, Preckel y Wetzstein (2017) consideraron la aplicación de opciones reales
en el rejuvenecimiento de activos en lugar de una reposición completa. Wang y Zhang (2013)
analizaron el reemplazo óptimo
(ANN), máquina de vectores de soporte y métodos bayesianos. Estos métodos
factor en la calidad del mantenimiento preventivo, la perfección de la reparación y
combinar técnicas LCC y LCA para evaluar tanto los aspectos económicos como los
Giordano, Fischbeck y Matthews (2017) llevaron a cabo un estudio exhaustivo
Las investigaciones futuras se presentan en la Sección 5.
objetivos para encontrar la decisión óptima, que es la enésima solución reparable
gestión de la salud (MSP). Tienen pronósticos de salud clasificados
equipos existentes durante su vida útil restante. En segundo lugar, haremos
lograr un mejor pronóstico.
estudio en España, concluyeron que independientemente del daño al edificio
opuesto a la distribución dinámica de fallas prevista de nuestro artículo,
en cuenta además de los costos de operación y mantenimiento. Muchos estudios incorporaron la
cual la reparación es perfecta, eventos de riesgo y otros factores causales que
Machine Translated by Google
×+× ×100 (8,31 × + 1 0,00036 28 0,00007 265) 833,863 kg COeq
=CO eq AD EF
= 2
2
Recopilamos una base de datos completa de FE de CO2, CH4 y N2O.
1
120
Computación e ingeniería industrial 136 (2019) 117–134
Los datos de actividad son la importancia de una actividad humana que resulta en emisiones.
Fig. 1. Diferentes aspectos de la metodología propuesta.
siones durante un intervalo de tiempo (Houghton et al., 1997).
ecosistema con minerales y nutrientes. Ocurre cuando la fertilización excesiva conduce a
un mayor crecimiento de la biomasa. La acidificación y la eutrofización son las principales
causas de la contaminación del aire, la destrucción de los bosques y el rojo.
actividad, con PCA iguales a 1, 28 y 265, respectivamente.
sigue:
Costo de reparación única, pérdida de producción, costos colaterales, inventario.
Incluya el tiempo de entrega (LT) para que el nuevo activo sea entregado al sitio de
operación. Si la decisión, basada en la comparación realizada entre
Chief, 2012) como Potencial de acidificación, Potencial de eutrofización,
Los datos de actividad relacionados1 (DA) se multiplican por un factor de emisión relevante.
Los GEI establecidos en el Protocolo de Kioto (CMNUCC, 2009) son dióxido de carbono
equivalente de CO2 total de las diferentes etapas del ciclo de vida del defensor y el retador (el
(1)
El problema de la toma de decisiones, cuentas del costo total de reposición ( CVR' ).
tiempo de falla del equipo y emisiones de GEI.
un factor de potencial de calentamiento global (GWP), se pueden traducir en un
construir la dimensión ambiental del modelo. Acidificación
Como ejemplo, tomemos la actividad de consumir 100 galones de gasolina de
aviación. Los factores de emisión de CO2, CH4 y N2O de estos combustibles son
Costo del ciclo de vida del equipo, basado en estructuras de desglose de costos de
actividad, equipos relacionados, combustibles, ubicación y cantidad de consumo
Ampliamos el modelo determinista R/R a un modelo combinado
Es la versión probabilística de este modelo junto con sus mecanismos de inferencia la que
nos gustaría presentar como el punto focal de nuestra investigación. Sin embargo,
intentamos proporcionar a los lectores la mayor cantidad de información posible para
replicar la metodología, sin perder
2012).
con consideraciones tanto medioambientales como económicas. Para el en
En este estudio, utilizamos las emisiones de GEI como indicador de Global
(Chang, Sheu y Chen, 2010; Chang, Sheu, Chen y Zhang, 2011;
la concentración en la idea principal.
Pascual et al., 2008). Cada uno de los elementos de costo anteriores se descompone y
Fenómenos de mareas y deterioro de estructuras de hormigón armado.
costos e impacto en la calidad del producto y la capacidad de producción.
costos totales de reparación y costos totales de reemplazo, es reemplazar el (fallido)
Potencial de calentamiento global, potencial de agotamiento de la capa de ozono, fotoquímico
capa (expresada en valor ODPeq). Potencial de creación de ozono fotoquímico (también
conocido como smog de verano y expresado en kg Ethen: C2H4
Duración total de la reparación (TRD). Si es así, podría resultar económico seguir utilizando el
para los costos de eliminación y salvamento (Stutzman et al., 2017), equipo
Aunque incorpora una lista más completa de costos y
medida de carbono equivalente (CO2eq) (Se presenta una muestra actualizada de GWP
El potencial (medido en kg SO2eq) es el resultado de la liberación de ácidos a
Escenarios de reparación y sustitución. Las estructuras de desglose de costos y
8,31, 0,00036 y 0,00007 kg de CO2 por galón, respectivamente.
Además de los escenarios de reparación y reemplazo, hemos formulado
una decisión combinada de reparación y reemplazo que podría ser el mejor escenario
Teniendo en cuenta los PCG correspondientes para CO2, CH4 y N2O (es decir, 1, 28,
Categoría de potencial de calentamiento para tener en cuenta los impactos ambientales
dimensión ambiental del modelo de decisión, incorporamos el impacto de diferentes etapas
del ciclo de vida tanto del defensor como del retador, donde
formulado.
3.1. Modelo económico determinista R/R
para diversos tipos de combustibles y energías, equipos y ubicaciones. Usando
afectan dos o más parámetros, y la relación casual entre
(Kim y Chae, 2016). El potencial de agotamiento del ozono se calcula a partir de la
(Komonen, 2002; Pascual, Meruane y Rey, 2008). Al otro lado de
equipo viejo con uno nuevo, LT podría ser mucho más largo que el
(EF), después de convertir en CO2eq:
(CO2), metano (CH4), óxido nitroso (N2O), hidrofluorocarbonos
La interfaz gráfica de la calculadora se muestra en el Apéndice A). El
eq) se refiere a la creación de Ozono en la troposfera resultante
equipo viejo, después de su reparación, y reemplácelo una vez que llegue e instale el
nuevo equipo. Hemos llamado a esta situación “reparación y reemplazo”.
elementos de emisión ha llevado a una formulación R/R determinista distintiva,
Costos de reemplazo, costos de producción perdida durante el período de reemplazo.
la atmósfera y se deposita gradualmente en las aguas superficiales y en los suelos.
El cálculo de los costos de reparación y reemplazo se proporciona en el
presentado en Materiales complementarios). CO2, CH4 y N2O son los
El potencial de eutrofización (kg NO3eq) es el sobreenriquecimiento de un
Material complementario. En resumen, el Costo Total de Reparación (CRT) considera la
principales GEI en la evaluación del calentamiento global y la huella de carbono de un
y 265), la huella de carbono total de esta actividad se calcula como
inmediatamente después de que el equipo falle.El propósito de este escenario es
de un equipo, cuando se trata de tomar una decisión R/R. el mayor
aplicable. Las etapas son: fabricación; envío, operación y mantenimiento; y
desmantelamiento. Una categoría de impacto (Bare, Young, Qam, Hopton y
Para calcular la huella de carbono asociada a una actividad, la
esta base de datos, construimos una calculadora de GEI para calcular automáticamente
Cantidad de degradación que un compuesto químico puede causar al ozono.
(HFC), perfluorocarbonos (PFC) y hexafluoruro de azufre (SF6). Usando
El potencial de creación de ozono y el uso de energía primaria se pueden utilizar para
El modelo de decisión R/R determinista primario calcula el total
La calculadora extrae los FE de CO2, CH4 y N2O según el tipo de
3.2. modelo combinado
No consideramos que ésta sea la principal contribución de este artículo. De hecho,
de la reacción entre la luz solar y los óxidos de nitrógeno (Bare et al.,
(LPC), durante costos/ahorros de garantía y costos/ahorros fuera de garantía
A. Abdi y S. Taghipour
Machine Translated by Google
,
Pr(Calidad PM|f )
F=
, ,,( )
(f |Calidad PM)∙Pr(Calidad PM)
(f |PMQuality)∙Pr(PM Quality)F
yo
f(y), 0 y 1
del que ahora se han aprendido sus parámetros
al nodo Perfección de reparación. Se pueden estimar la calidad de PM y f(y)
de la unidad inspeccionada; mantenimiento tardío; y fallas invisibles y
), y por lo tanto una con
convirtió el modelo anterior en una reparación/reemplazo automático (R/R)
de uno nuevo.
La Fig. 2 también muestra el resultado de aplicar el modelo determinista a un
a
El esquema del R/R bayesiano económico se presenta en la Fig. 3.
característica del modelo, que se detallará más adelante en este artículo.
yo 0,
,
Sería mantener al defensor.ya sea a partir de un juicio de expertos o condicionándolos a criterios técnicos.
averías que no se notan durante el mantenimiento (Nakagawa &
Junto con PM Quality, la prioridad en el nivel de perfección de reparación
Calculadora. La interfaz de esta herramienta se muestra en la Fig. 2. La Calculadora R/R
está conectada con una Calculadora de GEI (ver Apéndice A) que fue
3.3.1. Modelo bayesiano R/R
los tiempos observados de las fallas anteriores ( f función de
densidad fechada se intensificará o disminuirá, dependiendo de
energía/combustible seleccionado por el usuario, y calcula las emisiones totales de
carbono después de realizar las conversiones y sumas requeridas.
Se crea un nodo en el modelo BN para la función de densidad del iésimo
En consecuencia, el número esperado de fallas durante la vida útil
Aplicando la propagación hacia atrás y el efecto para causar inferencia, el
al nodo p ,
Nakagawa (1979) para tratar el mantenimiento imperfecto. El Bernoulli
En esta sección, mapeamos el modelo determinista R/R en un modelo completamente
utilizando pautas estándar y folletos de equipos. En este estudio nosotros
Perfección de reparación y calidad de PM, así como la línea base actualizada
El tiempo de falla será reformado. Esta reforma también es aconsejada por el
Costo mensual de emisiones de las actividades de O&M asociadas con el antiguo y
La calidad, por ejemplo, se actualiza utilizando la siguiente regla de Bayes:
La perfección se modela utilizando una variable de Bernoulli con dos estados: "Sí"Un enfoque realista sería modelar cómo la calidad del MP y la perfección de la reparación
también pueden extender o acortar la vida útil del equipo. Similar a
La técnica de redes bayesianas se proporciona en el Apéndice B.
parte; dañar las partes adyacentes; determinar incorrectamente la condición
minimizando al mismo tiempo los costos del ciclo de vida. Tenemos
descomponer. Si “Perfección de reparación'' = Sí y “Calidad de PM'' = Regular,
actualmente en vigor en todo el mundo. Por lo tanto, la herramienta R/R es capaz de
Contabilizar el coste de emisiones correspondiente a cada decisión
de experto. Sin embargo, cuando se dispone de datos históricos, es más fiable
(2)
5 puntos
equipos nuevos, respectivamente. El coeficiente l es el resto útil.
la decisión
,función de densidad, fi
y “No”, tal que Pr(Sí) = p , y Pr(No) = q , donde q . Este
En el modelo económico, la vida restante se multiplica por las emisiones de O&M.
En consecuencia, la próxima vez que se produzca una falla, el número de fallas durante
donde fluirá el valor medio
En este escenario, los costos totales de reparación y reemplazo del equipo se revisan
de la siguiente manera:
entonces ff lo que significa que el equipo tendrá el comportamiento de falla
calcular los costos de emisiones y sumarlos a las partidas de costos económicos.
Likert
tiempos de falla reales (ocurrieron i1 veces), a través del aprendizaje de parámetros
El enfoque consiste en ajustar una distribución a los datos. Otros parámetros han sido
O y MCVR' CVR EE + + dic
'
hombre
a a
1 i
1 2
a
aAutomóvil club británico
2
= f yo
Y'E + l + barco=
i
=
2
1 f k
a
k
i
= 1
Machine Translated by Google
Fig. 3. Modelo económico bayesiano R/R.
Fig. 2. La Calculadora R/R.
Su método proporciona a los expertos un mecanismo de comparación por pares (similar al
proceso de jerarquía analítica, AHP) para producir probabilidades consistentes para los
estados de un nodo clasificado.
Como se muestra en el gráfico de la Fig. 6, se crea un nodo para otros elementos de
tiempo y costo del modelo determinista, por ejemplo, duración total de selección (TSD),
duración total de instalación (TID), valor de rescate realizado (RSV), costos de envío
entrantes. (ISC), etc. La distribución de estas variables se puede generar a partir de datos
históricos, si se dispone de datos de casos similares. Si tenemos datos históricos
insuficientes o nulos, la distribución de probabilidad puede obtenerse a partir del juicio de
expertos, pero subjetivo. A diferencia de los métodos estadísticos tradicionales que se
basan en el tipo de distribución, los BN son agnósticos al respecto y a la forma en que se
distribuye un NPT.
probabilidades previas de tales variables cualitativas. En este estudio aplicamos la técnica
propuesta por Chin, Tang, Yang, Wang y Wang (2009).
y así sucesivamente. Estas causas comunes también podrían afectar la mantenibilidad del
equipo y la duración total de la reparación (TRD), como se explicó anteriormente en la
sección de descripción general de BN. De manera similar a la calidad de PM, se asigna una
variable clasificada a estas causas. Existen varios métodos que se pueden utilizar para estimar
122
Computación e ingeniería industrial 136 (2019) 117–134A. Abdi y S. Taghipour
Machine Translated by Google
es +
s
E + barco
{ } Poison( )
,
i
COMER
COMER
i
0i i
Medida de GEI emitidos. Será más entrenado después ( yo
el equipo antes de su ( 1 ) i
Impactos económicos y ambientales totales combinados del defensor.
Distribución de Weibull con los parámetros de escala y forma y γ,
En la teoría de probabilidad bayesiana, para modelar el número
donde CP es el precio de las emisiones de carbono en un mercado de carbono. Como
se ilustra en la Fig. 5, la distribución de costos de otros elementos de emisión en cada
riesgos que, si ocurrieran, podrían aumentar algunas de las cantidades en
3.3.2. Emisiones
o registros históricos tanto del tiempo de falla como de la energía consumida, como
Las probabilidades se estimaron como se presenta en las Tablas 2 a 6. La Tabla 2
proporciona información sobre constantes y probabilidades de los nodos sin
Los nodos secundarios se formulan de acuerdo con los cálculos del modelo determinista.
entrevistas con expertos relevantes para una o más cantidades.
la probabilidad previa de este nodo y el impacto estimado serán
distribución que también está en la familia del prior (Raiffa, 1974). El conjugado previo
reduce la actualización bayesiana a modificar los parámetros de la distribución anterior
(conocidos como hiperparámetros) en lugar de calcular integrales. Por lo tanto, reduce
significativamente el tedio de la
El fallo se calcula de la siguiente manera:
Equipo antiguo ( EO y M) y reemplazándolo con equipo nuevo.
información sobre los valores mínimo, máximo y más probable. El
En esta sección, utilizamos un estudio de caso de una trituradora de plástico para demostrar
y EET es un umbral de aumento de emisiones desconocido. Es decir, un
conjugar prior para ellos y por lo tanto sus priores deben especificarse
Número de repuestos por avería. Teniendo en cuenta los fracasos anteriores
posiblemente se transmitirán a niveles inferiores y el coste total
también durante la fase de uso del equipo actual. Denotemos la distribución de
probabilidad de las emisiones de O&M de equipos nuevos como
( TRC ) y el retador ( TRC' ).
distribución, ya que capta situaciones asimétricas.Es más, es
obsolescencia y, en consecuencia, un menor valor rescatado realizado (RSV) de
entre la distribución de fallas del equipo y sus emisiones de O&M. Como
Si solo hay un número observado
simple y restringido dentro de límites específicos (Arena et al., 2006;
la distribución a priori, la a priori se llama conjugada; por ejemplo, para
Si la distribución posterior es del mismo tipo de
de repuesto, la parte posterior pasa a tener una distribución binomial negativa
Como se ilustra en la Fig. 8, se define una escala de impacto (IS) sobre las emisiones para el
,
El escenario se integrará en el impacto económico para simular el
escenarios tanto de reparación como de reemplazo. Por ejemplo, el ritmo rápido en
. La elección del prior triangular es relevante cuando
de eventos en un intervalo generalmente la distribución previa conjugada para
.
Similar a los elementos de costo y tiempo del modelo R/R, un triángulo
(2) Análisis de riesgos: la probabilidad de ocurrencia y el impacto de cada uno.
padre. Se supone que las funciones de densidad de probabilidad siguen una
Suponiendo que el número de repuestos por avería es independiente y tiene una
tasa constante conocida, se utiliza una distribución de Poisson con
4. Estudio de caso y resultados analíticos
MTTF más corto contribuye a un mayor consumo de energía y GEI.
la aplicación y las características analíticas del modelo propuesto. El
es la forma
definido. En análisis de riesgo cuantitativo, Triangular, Normal, Lognormal,
). Basado en el supuesto de un resultado positivo
Los valores mínimo y máximo evitan valores extremos no deseados.
el equipo. Para incorporar dichos riesgos al modelo R/R, proponemos utilizar un análisis
de riesgos cualitativo con los siguientes pasos:
f (e) N y el de un equipo retirado (que haya llegado al final deindependientemente. Aunque se les pueden asignar antecedentes vagos, podemos
como pruebas independientes (Fig. 4), las observaciones sobre el número de repuestos
asociado con la decisión óptima se reducirá aún más. A
2011; Chapman & Ward, 2003), las escalas presentadas en la Tabla 1
(6)
probabilidad binomial la beta anterior genera una beta posterior. en otros
Buenos pastos, 2003). Un procedimiento formal para extraer los parámetros.
último fi previsto de la siguiente manera:
(Gelman et al., 2014), denominada distribución GammaPoisson.
Se estimará el riesgo identificado. Siguiendo la misma estructura en
El defensor es la trituradora de plástico Noma 44 XLR y el retador es Noma.
Los expertos tienen poca o ninguna idea sobre la distribución, pero pueden proporcionar
Se utiliza el parámetro de Poisson (AlSaleh & Agarwal, 2007). este previo
La distribución se ajusta al costo de las emisiones asociadas con el mantenimiento del
emisión si es inferior a un rango normal [EET, ) . El parámetro EET
utilizado para revisar el TNP de la cantidad afectada.
Proceso de inferencia bayesiano.
Se supone que el propósito de las distribuciones de probabilidad derivadas para las
cantidades del modelo es capturar las propiedades inherentes de las cantidades.
(1) Identificación de riesgos: los riesgos relevantes se pueden identificar a través de
su vida útil) se denotará como f (e) R . El costo de las emisiones asociado con
Basado en una muestra de i 1 observaciones del número de repuestos,
Uniforme y Beta son distribuciones comunes para manejar la incertidumbre.
parámetro, es un parámetro de escala inversa y f( ) es el parámetro Gamma.
correlación entre la confiabilidad del equipo y la cantidad de consumo
dónde
utilizarse para realizar este paso.
partes resultan en i 1 distribuciones de Poisson independientes:
(5)
La matriz de probabilidadimpacto se puede utilizar para clasificar los riesgos en
Alimente el modelo con antecedentes que contengan información adicional de expertos.
Asignamos priores triangulares para la forma y escala inversa,
muchas prácticas y estándares de gestión de riesgos (PMI, 2013; Aven,
niveles clasificados e identificar los riesgos más altos que necesitan una respuesta.
donde sus parámetros los deciden expertos: Triangular(a, bc) ;
Amoladora XJ57. La información sobre los parámetros del modelo y previos.
En palabras, con esta elección de prior, actualizarlo a posterior produce un
de esta distribución se presenta en Materiales complementarios. El TNP de
conectado a la cantidad relacionada. La probabilidad estimada actúa como
( EE+
Puede modelarse previamente con un experto y entrenarse mediante experimentos.
incertidumbre. Por lo tanto, estas distribuciones no tienen en cuenta los eventos
la distribución es Gamma con hiperparámetros desconocidos y:
sesiones de lluvia de ideas, registros históricos o realización de sesiones especiales.
el parámetro se asigna al nodo “s”, correspondiente al
Ahora se debe asignar una distribución de probabilidad previa a los hiperparámetros
y . Porque y son desconocidos, no hay unión.
(4) Mitigación de riesgos: independientemente de la decisión óptima (reparación o
reemplazo), las respuestas a los riesgos más altos se diseñarán de manera que
.
(3) Conexión de riesgo: se creará un nodo para cada riesgo y será
de elementos de costo/tiempo (Yang, 2011). En esta investigación utilizamos Triangular.
donde X representa los posibles valores de la función de densidad de fallas
la distribución posterior de la tasa de repuestos por falla es:
Densidad a distribuir.
El cambio tecnológico es un evento incierto que conduce a resultados inesperados.
energía (Peralta et al., 2016), pretendemos encontrar la relación causal
1) fracasos
0 >Gama( , ); f( ) = ,
RO y M
= = =
pr(es
)Pr(XEET) f(X)dxNormalpr(es
Escalando) Pr(X EET) y Taghipour (2018). La WCI incluye un grupo de estados americanos y provincias
canadienses para abordar el cambio climático a través del comercio de emisiones en
América del Norte. California, Quebec, Columbia Británica, Ontario y Manitoba están
colaborando para limitar y comercializar sus emisiones a través de programas armonizados.
Por el momento, las jurisdicciones participantes activas en el mercado son California y
Quebec.
Este resultado muestra que el valor más probable de los costos de reemplazo es C$89,264
y el de los costos de reparación es C$163,230. Por lo tanto, es menos costoso retirar el
equipo antiguo. Sin embargo, la distribución de la decisión de reparación indica una mayor
certeza en los costos de reparación, con una desviación estándar de C$53637, que en los
costos de reposición con una desviación estándar de C$82549. La probabilidad de que
los costos de reemplazo sean menores que los costos de reparación es del 78,97%
( Pr(TRC TRC) 0,7422 ), lo que demuestra nuestra confianza en esta decisión. La ventaja
más probable de reemplazar el equipo sobre mantenerlo sería C$72,144.
(anterior) a 20.994 meses (posterior). Así, la distribución del número de fallos durante la
vida útil restante del equipo se ha sesgado hacia la derecha, aumentando el valor medio
de la distribución de 3,91 a 4,13. Este resultado proporciona un análisis de pronóstico
sobre el estado del equipo. Calcula las probabilidades posteriores del tiempo de falla del
equipo basándose en el conocimiento previo sobre las causalidades existentes y nuevas
observaciones sobre el tiempo de falla. Además del cambio en la tendencia central de la
distribución, la varianza de la nueva distribución se ha reducido en un 22%.
respectivamente. La vida útil de una trituradora de plástico se estima en 120 meses. El
equipo antiguo tiene 41 meses de operación y hasta el momento se han presentado dos
averías, con tiempos de falla de 22 y 14 meses, respectivamente. El número de piezas de
repuesto asociadas con las fallas fue 2 y 3. La causa común "Experiencia" afecta tanto a
la perfección de la reparación como a la duración total de la reparación que consta de las
tareas de reparación: tiempo de diagnóstico, tiempo de reparación, tiempo de alineación
y calibración de reensamblaje (RAC), y tiempo de prueba. Este factor de experiencia se
refiere a la experiencia del personal de reparación. La probabilidad previa de perfección
de la reparación ( f(y) ) y la distribución de las tareas de reparación anteriores
condicionadas a esta causa común se presentan en la Tabla 3. Hemos asumido que la
calidad de PM no está influenciada por la experiencia en este estudio de caso. Esto se
debe a que las actividades de mantenimiento preventivo dependen menos de la mano
de obra que las acciones de mantenimiento correctivo. De hecho, se espera que la calidad
del mantenimiento preventivo se vea influenciada por la madurez de los sistemas de
mantenimiento y gestión de activos (parte de la cual se refleja en la implementación y el
uso eficaz de un software CMMS) más que por la experiencia del personal de reparación.
Sin embargo, además de la experiencia, otros factores causales, como la calidad de los
repuestos y los instrumentos, podrían afectar la perfección de la reparación. Por lo tanto,
un modelo más realista podría requerir la inclusión de varios factores causales. En aras
de la simplicidad en este artículo, hemos considerado sólo un factor causal que afecta la
duración de las actividades de reparación, así como la perfección de la reparación.
Asignamos un Normal (10, 5) antes del Umbral de aumento de emisiones (EET) y lo
entrenamos utilizando 55 registros de tiempo entre fallas observadas en equipos similares
y costos de emisión promedio mensuales correspondientes a estos tiempos de falla. El
umbral entrenado se muestra en la Fig. 8. Según los registros, el EET posterior se
desplaza hacia los tiempos de falla más altos, con un valor medio de 14,23 meses.
También tiene una desviación estándar significativamente menor (1,11 meses), lo que
representa una certeza mayor que el anterior inicial (con una desviación estándar de 5
meses). La cantidad prevista de emisiones de operación y mantenimiento también se
actualiza, lo que revela que se espera que se liberen mayores emisiones durante la vida
útil restante del equipo antiguo. Según el EET anterior, la probabilidad de que f3 estuviera
aumentando era aproximadamente del 12% y la probabilidad estimada
El NPT de la próxima distribución de fallas ( f3) condicionado al nivel de calidad de
PM y al estado de perfección de reparación se proporciona en la Tabla 4, en la que ' y '
son los últimos parámetros actualizados del tiempo de falla de Weibull. Habiendo
construido y ejecutado el modelo económico BN utilizando los parámetros y probabilidades
estimados, la Fig. 9 ilustra parte de la red, que incluye la distribución del nodo f3 y sus
nodos padre e hijo. Como se indicó, los parámetros PM Quality, Repair Perfection y
Weibull se han actualizado en función de los tiempos de falla observados. Se puede ver
en las probabilidades posteriores que, si bien la Perfección de la reparación posterior ha
aumentado ligeramente, la Calidad de PM se ha inclinado hacia Muy pobre, lo que revela
la causa raíz del corto tiempo entre fallas. En consecuencia, se ha revisado la distribución
del próximo fallo ( f3) , mostrando una disminución en el MTTF de 22,453 meses.
Ocasional, puede ocurrir o no
Probable, más probable que ocurra
Rara vez, es probable que ocurra
Impacto
Improbable, no se espera que ocurra
Probabilidad
A. Abdi y S. Taghipour
Frecuente, se espera que ocurra
0,10 Muy bajo Impacto insignificante 0,30 Bajo 40% de
impacto
' =5000, 5611) C$
r'
TDD
Triangular (96, 200, 334) C$
Triangular (184, 200, 228) C$Centros para el Control y la Prevención de Enfermedades
5,75%
36 meses 2%
por mes 1,5% por
mes C$80/hora C$15/
hora 2 días
−150C$
FTE
Weibull( , ), Triangular(19.14, 24, 29.63), Triangular(1, 2, 5)
Calidad PM
Triangular (79,5, 84, 91,2) horas
SMS
84 meses
SST
CSB
ISC
LT
−0,5
Piosson( ), Gamma( , ), Trian(0,2, 0,5, 0,8), iniciar sesión
desde
f0
10
Machine Translated by Google
dar
edec
nave
f (e)
SUST. f (e) R
126
Computación e ingeniería industrial 136 (2019) 117–134
Uniforme(0,4, 0,7)
Uniforme(0,2, 0,5)
Uniforme(0,6, 0,9)
Tabla 6
Costos de emisiones de cada fase del ciclo de vida en función del precio del carbono en el WCINPT del nodo f3 condicionado al nivel de Calidad PM y Perfección de Reparación.
Perfección previa de la reparación y duración de las actividades de reparación condicionadas al nivel de experiencia.
mercado.
Tabla 4
Tabla 3
Riesgos identificados, elementos afectados relacionados, probabilidad de ocurrencia e impactos.
Tabla 5
• Planes de seguro para los nuevos
IDENTIFICACIÓN
Riesgos de identificación
Falta de conocimiento sobre cómo reparar.
TRD
Prueba
(11,3, 16, 24,8) C$
0.8* Weibull( ', ')
personal
1
Alto
DCN
durante el periodo de reparación
2
(2, 3, 4,1)
(1,3, 2, 3,5)
(0,1, 0,5, 1,2)
Normal (1800, 300) kg CO2eq
1.2* Weibull( ', ')
40%
equipo
34,28%
f(y)
No
Diagnóstico
Muy pobre
el nuevo equipo, debido a diferencias
Elemento(s) afectado(s)
Riesgos
20,79%
(2,0, 3, 4,4)
(1,2, 2, 3,5)
(0,6, 1, 1,4)
4
Cambio tecnológico más rápido y obsolescencia de los equipos antiguos
Bajo
ness
Incidencias de seguridad durante el parto
2
(0,2, 0,5, 1,3)
Calidad PM
20% (COR)
−40%
• Sesiones de formación antes del proceso.
(13.1, 15, 17.6)
(12.4, 14, 16.5)
(10.7.1, 13, 15.7)
18,44 C$/tonelada
1.4* Weibull( ', ')
3 Falta de repuestos
Arreglar
Incidentes de seguridad durante el proceso de entrega y localización de nuevos equipos y proceso de desmantelamiento
Pobre
Respuesta(s) planificada(s)
A. Abdi y S. Taghipour
(1.1, 1.5, 2.7)
CP
Excelente
y proceso de localización de nuevos equipos
y proceso de desmantelamiento
(27,9, 32, 41,5) C$
0.9* Weibull( ', ')
TRD
87,12%
comenzar
40% (TRD)
Perfección de reparación
4 Falta de conocimiento sobre cómo reparar el nuevo equipo, debido a diferencias
• Convenios de consultoría con la
Justo
de equipos viejos
Bien
RAC
1035$
0,8* f0
0,9* f0
1,0* f0
1,2* f0
1,4* f0
de equipos viejos
COR (como componente en OWC/S),
(0,4, 1, 1,6)
10%
• Sesiones de formación para la reparación.
Medio
Normal (800, 100) kg CO2eq
1.0* Weibull( ', ')
proveedor para obtener asesoramiento antes y
RSV
Experiencia
Sí
67,33%
Impacto de probabilidad
Se calculan los escenarios, como se muestra en la Fig. 9. Los costos totales promedio
tendencia.
costos totales de reparación y reemplazo a C$180,910 y C$101,640, respectivamente.
tecnologías de carbono” (como molinos de viento, baterías de vehículos eléctricos,
Utilizamos la matriz de probabilidadImpacto (PI) para clasificar los riesgos en
Confiabilidad del equipo y su mantenibilidad a través de una causa común.
Además de la aplicación comparativa primaria, el modelo propuesto
• La calidad del PM es mala y
Habiendo integrado las partidas de costes de emisiones en el presupuesto económico
Desmantelamiento del equipo antiguo. De hecho, la extracción y el procesamiento
aceptación), y
análisis de qué pasaría si. Tomemos, por ejemplo, el siguiente escenario. Escenario 1:
que la ventaja en el modelo económico. Esto no es sorprendente porque hemos tenido en
cuenta las huellas de carbono de la fabricación.
19,45 meses y la duración total de la reparación (TRD) aumenta a casi 31 h
Las emisiones pueden llegar hasta unos 2400 kg de CO2eq. Para calcular el costo de O
• diseñar respuestas al riesgo para los principales riesgos en la clasificación (una respuesta al riesgo es
5. Discusión
tiene características analíticas y explicativas, algunas de las cuales se exploran en
• El cambio tecnológico es indudable (Riesgo #1 = Verdadero), y el
duración de la reparación (TRD) y los costos totales de reparación y reemplazo
eleva esta probabilidad al 21%, lo que sugiere que las emisiones mensuales serán
la confianza en esta decisión ha aumentado sólo ligeramente (79,29%).
los costos del ciclo de vida. La práctica común en la gestión de riesgos es:
Los materiales utilizados para fabricar muchos de los llamados "bajos".
• reclasificar los riesgos para monitorear y controlar el nivel de riesgo general.
riesgos importantes, para los cuales es prioritaria una acción de respuesta. Supongamos que el
paneles solares y biocombustibles), liberan una cantidad significativa de carbono
La parte del análisis de riesgos del proyecto puede continuar para mitigar
asociados con los escenarios de reparación y reemplazo son C$165,210
&M ( EO & M), esta distribución se convirtió a una distribución monetaria utilizando el precio
del carbono.
nuevos equipos, su envío al sitio de operación, así como el de
impulsado por cuatro estrategias: evitación, mitigación, transferencia y
tres niveles; menor, moderado y mayor. Utilizando las probabilidades estimadas de ocurrencia
e impactos, se mapean los cuatro riesgos identificados.
eso afecta a ambos. Como se ilustra en la Fig. 11, este escenario aumentará la
El defensor ya no es valioso como lo era en la depreciación normal.
1010 kg CO2eq. Este resultado también indica que el equipo mensualmente
cambió. A partir del resultado del modelo, el tiempo medio hasta la falla disminuye a
Sin embargo, el valor medio de la ventaja correspondiente a esta decisión en el modelo
combinado es de 71.701 dólares canadienses, que es marginalmente inferior.
Modelo bayesiano, el costo total combinado de reparación y reemplazo
• clasificar los riesgos mediante análisis cualitativos,
Se planean tomar las siguientes acciones en respuesta a los principales riesgos:
de término medio. Así, el modelo ha capturado la dependencia entre el
esta sección. El tomador de decisiones puede ingresar nueva evidencia e información en
cualquier lugar de la red para realizar predicciones, compensaciones y
Higos. 10 y 11 muestran cómo el tiempo de falla, la perfección de la reparación, el total
Las emisiones mensuales se calcularon inicialmente en 921. El EET posterior
en la matriz PI de la Fig. 12a. Por lo tanto, los riesgos con ID 2 y 4 son
y 91.465 dólares canadienses. La mejor decisión sigue siendo reemplazar el equipo y
emisiones.
• El nivel de experiencia del personal de mantenimiento es bajo,
Machine Translated by Google
Fig. 8. Distribución posterior del umbral de aumento de emisiones y actualización del coste de emisiones de O&M.
Fig. 7. Distribuciones de probabilidad de los costos totales de reparación ( TRC ) y reemplazo ( TRC' ) en el modelo económico.
A. Abdi y S. Taghipour Computación e ingeniería industrial 136 (2019) 117–134
127
Machine Translated by Google
128
Computación e ingeniería