Tháng Một 18

Định lượng ảnh hưởng của Logistics đến Hiệu suất Hệ thống

Supply Chain Management

0  comments

Đây là bài thứ ba trong loạt bài về hoạt động và hỗ trợ cho các hệ thống phức tạp (hoặc hệ thống của hệ thống), chẳng hạn như lưới điện, đường xe lửa hoặc dây chuyền lắp ráp. Các hệ thống như vậy gần như phổ biến trong kinh doanh ngày nay, nhưng chúng tôi hiếm khi xem xét các yêu cầu chuỗi cung ứng của chúng cho đến khi có vấn đề.

Quản lý hiệu quả các hoạt động và chi phí hỗ trợ (O&S) của hệ thống đồng thời đạt được và duy trì mục tiêu hiệu suất hoạt động mong muốn đòi hỏi sự cân bằng cẩn thận giữa đầu vào và đầu ra. Điều này được thực hiện tốt nhất khi các nhà quản lý sử dụng quan điểm cấp hệ thống.

Như chúng ta đã học trong bài trước, các kỹ thuật tối ưu hóa phân tích, như mô hình tiết kiệm dựa trên mức độ sẵn sàng (RBS), có thể giúp định lượng mức độ đóng góp tương đối của từng nguồn lực hậu cần đối với năng lực và hiệu suất tổng thể. Thật không may, các công cụ tối ưu hóa như vậy có một cái nhìn rất cấu trúc về hoạt động và hiệu suất của hệ thống. Do đó, các nhà quản lý cần một cách tiếp cận toàn diện hơn để hiểu được hoạt động và hiệu suất của các hệ thống phức tạp với nhiều hệ thống con có liên quan với nhau. Các công cụ mô phỏng hiện đại có thể đáp ứng yêu cầu đó và đánh giá sự đóng góp và mức độ mạnh mẽ của nhiều khả năng hậu cần — bao gồm hệ thống kiểm kê, bảo trì và phân phối — trong một ngữ cảnh hệ thống.

Để hướng dẫn các hệ thống phức tạp đạt được hiệu suất cấp hệ thống mong muốn, người quản lý phải có khả năng cấp quyền cho các đầu vào tài nguyên của họ. Việc xác định bản quyền bao gồm nhiều thứ hơn là xác định năng lực của các yếu tố hậu cần chính. Để xác định quyền đầy đủ các đầu vào O&S, các nhà quản lý phải xem xét cách áp dụng tốt nhất các nguồn lực để giải quyết một nhiệm vụ cụ thể. Họ cũng phải xem xét các mức độ không chắc chắn khác nhau khi quyết định nơi triển khai các nguồn lực.

Mô hình giúp chúng ta đối mặt với sự không chắc chắn trong quá trình ra quyết định. Chúng cung cấp những hiểu biết hữu ích về hành vi có khả năng xảy ra của hệ thống trong một loạt các điều kiện bằng cách cho phép chúng tôi xem xét các đặc điểm vốn có của hệ thống và hiểu xu hướng của hệ thống để phản ứng với bất kỳ số lượng nhiễu bên ngoài nào.

Ví dụ, giả sử một hành động bảo dưỡng máy bay cụ thể cần 10 phần. Nếu chín trong số những bộ phận đó được phát hành từ nguồn cung cấp với tỷ lệ lấp đầy 90%, thì điều đó khá tốt, phải không? Thật không may, nếu bộ phận thứ 10 bị thiếu là rất quan trọng để hoàn thành sửa chữa, nhưng nó đang được đặt hàng trước, thì vấn đề cung cấp có thể khiến máy bay ngừng hoạt động và có thể gây nguy hiểm cho hoạt động theo lịch trình của hãng hàng không. Với các mô hình, chúng ta có thể đưa ra kịch bản này và đánh giá ảnh hưởng của nó đối với toàn bộ hệ thống.

Biết phương pháp của bạn

Hãy xem xét hai khía cạnh cụ thể của mô hình hậu cần: mô phỏng Monte Carlo và lưới Stochastic Petri (SPN). Mô phỏng Monte Carlo là một kỹ thuật mô hình hóa để định lượng cách một hệ thống có khả năng hoạt động trong điều kiện không chắc chắn. Loại mô phỏng này dựa trên nhiều bản sao của các hoạt động và thời lượng quá trình được tạo ra theo xác suất để đạt được mức độ tin cậy thống kê về kết quả hoạt động được dự đoán.

Một ví dụ có thể là mô hình hóa thời gian một đội xe bắn tuyết để dọn sạch đường phố của thành phố sau khi tuyết rơi. Lượng tuyết và băng (một biến số xác suất) ảnh hưởng đến tốc độ mỗi bãi cỏ có thể dọn dẹp tuyến đường đã chỉ định của nó (một biến số xác suất khác). Ngược lại, tổng số giờ hoạt động của đội xe dọn tuyết có thể ảnh hưởng đến các hỏng hóc của phương tiện có thể xảy ra (cũng có thể xảy ra) và các nhu cầu phát sinh đối với các hoạt động cung cấp và bảo dưỡng. Thực hiện kịch bản này nhiều lần, sử dụng các luồng số ngẫu nhiên khác nhau để can thiệp vào các tác động của sự thay đổi, cho phép chúng tôi cuối cùng phát triển một ước tính thống kê chắc chắn về từng kết quả xác suất có thể xảy ra.

SPN là một loại mô hình mô phỏng theo định hướng mạng, có khả năng Monte Carlo. Trong một SPN, có ba thành phần chính:

  • Thực thể (hoặc các đối tượng) thực hiện các hoạt động.
  • Nơi đại diện cho trạng thái vật lý của một thực thể.
  • Kết nối là những con đường chuyển tiếp mà các thực thể tuân theo khi trạng thái vật chất của chúng thay đổi theo thời gian.

Lưới Petri cho phép rõ ràng các đặc điểm của thực thể thay đổi theo thời gian, chẳng hạn như các thành phần lão hóa và sự suy giảm hiệu suất liên quan của chúng. Lưới Petri cũng cung cấp một cách để trực quan hóa khả năng của hệ thống và hệ thống con để người quản lý có thể thấy nơi nào xảy ra tắc nghẽn hoặc nơi nào tồn tại năng lực kém.

Hình 1 là mô phỏng SPN của nhiệm vụ máy bay không người lái (UAV). Máy bay được lựa chọn từ một hồ bơi có sẵn và được giám sát thông qua kiểm tra trước khi bay và cất cánh. Sau khi chuyển đến khu vực quỹ đạo, nhiệm vụ giám sát bắt đầu. Có thời điểm, UAV phải gọi máy bay cứu trợ để tiếp tục giám sát. Sau khi máy bay ban đầu rời khỏi khu vực nhiệm vụ, nó sẽ quay trở lại căn cứ để kiểm tra sau chuyến bay và thực hiện mọi hoạt động bảo dưỡng sửa chữa cần thiết. Hỗ trợ nhiệm vụ này là các hệ thống con trên mặt đất theo đường ngắm (LOS), hệ thống này phải hoạt động đầy đủ để các UAV cất và hạ cánh. Trong hoạt ảnh của mô phỏng, màu sắc được sử dụng để phản ánh tình trạng của một thực thể: Các vật phẩm màu xanh lam có sẵn, các vật phẩm màu xanh lá cây đang thực hiện nhiệm vụ và các vật phẩm màu đỏ không thể sử dụng được.

Định lượng ảnh hưởng của Logistics đến Hiệu suất Hệ thống

Hình 1: Một mạng mô phỏng mẫu cho một sứ mệnh UAV sử dụng lưới Stochastic Petri

Trong mô phỏng này, số liệu thống kê về phần trăm thời gian một UAV trên quỹ đạo được thu thập. Bởi vì quá trình chuyển đổi SPN kết hợp các thuộc tính xác suất, một mô phỏng SPN được thực hiện qua nhiều lần lặp lại có thể mô tả thống kê hiệu suất có khả năng xảy ra của các quyết định hậu cần khi hệ thống hoạt động trong các điều kiện không chắc chắn, chẳng hạn như trong quá trình gián đoạn chuỗi cung ứng hoặc tăng cường độ hoạt động.

Mặc dù ví dụ trong Hình 1 được đơn giản hóa, nhưng nó vẫn giữ được mức độ chi tiết phù hợp cho việc ra quyết định. Và đó là vẻ đẹp của mạng Petri: sự miêu tả linh hoạt, nhưng minh bạch của nó về bất kỳ số lượng thực thể, địa điểm và kết nối hệ thống con nào.

Các mô phỏng như vậy cho phép các nhà quản lý của các hệ thống phức tạp đánh giá các quyết định O&S tối ưu về mặt phân tích bằng cách triển khai chúng trong môi trường ảo, kiểm tra căng thẳng các quyết định và sau đó định lượng thống kê khả năng phục hồi của hệ thống tổng thể đối với sự không chắc chắn.

Các mô phỏng như vậy cũng cho phép người quản lý hệ thống cô lập một nguồn tài nguyên hậu cần cụ thể để kiểm tra sự đóng góp tương đối của nó vào hiệu suất chung của hệ thống. Sau đó, các nhà quản lý có thể tinh chỉnh các quyết định và triển khai hậu cần được đề xuất bằng phân tích và sắp xếp lại các nguồn lực một cách nhanh chóng và thích hợp để đối phó với một sự kiện không lường trước được.

Nguồn: ascm.org

Rate this post

Chủ đề liên quan:

Hệ điều hành dành cho IoT tương lai

Hệ điều hành dành cho IoT tương lai

Trí tuệ nhân tạo AI

Trí tuệ nhân tạo AI

Tìm hiểu lịch sử hình thành và phát triển của API

Tìm hiểu lịch sử hình thành và phát triển của API
{"email":"Email address invalid","url":"Website address invalid","required":"Required field missing"}
>