Як порівняти коефіцієнти використання?

У мене є коефіцієнт використання декількох машин для кожного тижня протягом року. Вони розрізняються за тиждень через виникнення відмов машин і зміни замовлень. Це означає, що один тиждень машина може бути вузьким місцем, а інший тиждень - не. Я хочу класифікувати ці машини на основі використання та визначити їхню критичність. Однак, якщо я розрахую середнє використання, інформація втрачається. Те ж саме, коли я підраховую події, використання яких перевищує поріг. Наприклад;

• машина А має використання 50% і 14 тижнів використання & gt; 90%
• машина B має використання 70% і 7 тижнів використання & gt; 90%
• машина C має використання 89% і 6 тижнів утилізації & gt; 90%

На мою думку машина А є більш критичною, ніж машина Б. Так що ранжування на основі порогового значення здається розумним. Однак, при порівнянні машин B і C це не так ясно. Хто-небудь знає статистичний / математичний метод, щоб отримати гарне порівняння?

Я не знаю жодних математичних або статистичних методів, які б допомогли вам проаналізувати дані про машину.

З додаткової інформації, наведеної в коментарях, я розумію, що ваша мета - це мінімізувати витрати на зберігання запасних частин для машин на основі використання машини.

Критичним фактором буде тривалість використання для кожної машини.

Використовуючи ваші приклади даних, ви правильно припускаєте, що машина А є найважливішою машиною, оскільки вона використовувалася протягом 14 тижнів року, тоді як інші дві машини використовувалися протягом 7 і 6 тижнів.

Я вважаю, що ваш рейтинг повинен базуватися на очікуваних періодах важкого використання, причому машини, що використовуються протягом тривалого періоду, є критичними, для яких зберігаються запасні частини. Загальне використання за рік не має значення для вашого дослідження.

Вимірювання використання самостійно маскує певну інформацію, яку ви намагаєтеся отримати від цього середовища.

З вашого опису існує принаймні три випадки, коли машина не може бути використана:

1. Машина зламана
2. Порядок зміни був розміщений, чекаючи на повторне оснащення або еквівалент
3. Немає роботи для машини

Окрім відстеження загального використання, я рекомендую відстежувати відключення на основі їх категорій. Недостатньо сказати: "Машина А мала коефіцієнт використання 50%", тому що ви не знаєте чому Машина сиділа без діла протягом половини часу.

Іншими словами, відстеження використання просто відстежує симптоми проблем у вашому загальному процесі. Відстеження відключень дозволить вам визначити, які проблеми насправді є, і вирішити їх. Наприклад, знаючи тарифи на відключення, ви можете побачити, що замовлення на зміну призводять до більшої втрати часу, ніж поломки машини. Або ви можете побачити, що машини дуже часто ламаються і впливають на загальну продуктивність.

Але ви не зможете почерпнути ці знання, поки не відстежуєте окремі причини вибуху.

Найпростішим способом вивчення машинного використання є діаграма тенденцій. Я використовував excel для створення трьох наборів даних, щоб приблизно збігатися з даними, визначеними питанням

• машина А має використання 50% і 14 тижнів використання & gt; 90%
• машина B має використання 70% і 7 тижнів утилізації & gt; 90%
• машина C має використання 89% і 6 тижнів утилізації & gt; 90%

Нижче наведено графік трендів для набору випадкових даних

Далі наведено статистичну інформацію для наведеного набору випадкових даних.

• Середні значення для випадкових наборів даних A, B і C становлять: 55,67 і 84
• Медіаною для набору даних випадкових A, B і C є: 60, 72 і 88
• Стандартне відхилення для випадкових наборів даних A, B і C: 28, 32, та 17

Погляд на трендовий апарат Зниження утилізації, про що свідчить коренева причина 1. Цей тип інформації може допомогти у проведенні розслідування. Приклад:

• Очевидне питання полягало б у проведенні профілактики близько 13-го тижня
• Чи була зміна оператора на 13 тижні на машині А
• Чи вимикає відключення електроенергії від машини

Крім стандартного відхилення, середніх значень і аналізу тенденцій, гістограми , контрольні діаграми і гістограма - це два інших простих, але потужних статистичних інструментів, які ви можете розглянути.

Проблема полягає у багатокритеріальному рішенні аналізу (MCDA), оскільки я хочу класифікувати машини на основі кількох (доступних) критеріїв. При цьому спочатку такі критерії: витрати простою і використання. Проте з використанням цієї проблеми виникла наступна проблема: якщо підраховані події перевищують поріг або використовується середня коефіцієнт використання, обидві ситуації призведуть до втрати інформації. Оскільки це MCDA, обидва критерії можуть бути додані, тому тепер критерії:

1. витрати простою на одиницю часу
2. середній коефіцієнт використання за проміжок часу
3. кількість подій, використання яких перевищує поріг (наприклад, 95%)

Оскільки ці фактори не є безпосередньо співмірними і відрізняються за важливістю, необхідний зважений метод. Для вибору відповідного методу застосовуються 7 керівних принципів (Guitouni і Martel, 1998);

• Настанова G1 : Визначте зацікавлених сторін процесу прийняття рішень. Якщо є багато осіб, які приймають рішення (судді), слід подумати про методи групового прийняття рішень або групові системи підтримки прийняття рішень (GDSS).
• Настанова G2 Розглянемо "пізнання", що приймає рішення (DM), при виборі конкретного режиму висвітлення переваг. Якщо йому зручніше попарне порівняння, то навіщо використовувати компроміси і навпаки?
• Принцип G3 : Визначте рішення проблеми, яке проводить ДМ. Якщо ДМ хоче отримати ранжування альтернатив, то метод ранжування є доцільним і так далі.
• Настанова G4 : Виберіть проблему аналізу множини критеріїв (MCAP), яка може правильно обробляти доступну вхідну інформацію і для якої DM може легко надати необхідну інформацію; якість та кількість інформації є основними факторами при виборі методу.
• Настанова G5 : Ступінь компенсації методу MCAP є важливим аспектом для розгляду та пояснення DM. Якщо він відмовляється від будь-якої компенсації, то багато MCAP не розглядатимуться.
• Настанова G6 : Фундаментальна гіпотеза методу повинна бути виконана (перевірена), інакше слід вибрати інший метод.
• Принцип G7 : Система підтримки прийняття рішень, що надходить з методом, є важливим аспектом, який необхідно враховувати, коли настає час вибору методу MCDA.

Виходячи з усіх керівних принципів, крім керівництва G6, це призводить до наступних відповідних методів: Процес аналітичної ієрархії (AHP) або Прометі II. Тим не менш, AHP має припущення, що внутрішні та зовнішні критерії є незалежними. Кореляційний тест показав, що існує значна кореляція між критеріями 2 і 3, тому критерії не є незалежними. Таким чином, Promethee II є відповідним методом для ранжування машин з урахуванням моєї ситуації.

Guitouni, A., Martel, J.-M., 1998. Орієнтовні рекомендації для вибору відповідного методу MCDA. Євро. J. Oper. Res. 109, 501–521.