La simulación Monte Carlo es una técnica de modelado que ejecuta un modelo de proceso miles de veces, extrayendo valores aleatorios para las entradas inciertas en cada ejecución, de modo que en lugar de una única respuesta promedio obtienes todo el rango de resultados y la probabilidad de cada uno.
En manufactura, donde el tiempo de inactividad, los tiempos de ciclo y los cambios de formato varían de un día a otro, convierte preguntas como "¿puede esta línea entregar 3.500 unidades a la semana?" de una suposición en una probabilidad.
Planificar con promedios asume que la planta se comporta como su media. No es así. Las fallas se agrupan, las reparaciones se alargan y una sola semana mala puede hundir una promesa de entrega incluso cuando el promedio mensual parece saludable. Las matemáticas deterministas responden "¿qué pasa en la semana promedio?". Monte Carlo responde la pregunta que realmente importan a los responsables de operaciones: "¿con qué frecuencia fallaremos?".
Esta es la misma razón por la que la teoría de colas importa: la variabilidad, no solo la utilización, impulsa las esperas y la pérdida de producción. La fórmula de Kingman muestra ese efecto analíticamente para una estación de trabajo. Monte Carlo extiende la idea a sistemas enteros que son demasiado desordenados para una fórmula cerrada.
Una línea de envasado funciona 40 horas a la semana a 100 unidades por hora, por lo que el techo teórico es de 4.000 unidades. El historial de mantenimiento indica que las paradas no planificadas llegan unas 1,8 veces por semana en promedio, y cada reparación dura entre 1 y 3 horas, siendo 2 horas lo típico.
El plan basado en el promedio dice: el tiempo de inactividad esperado es 1,8 paradas por 2 horas, es decir 3,6 horas, por lo que la producción esperada es 36,4 horas por 100, o alrededor de 3.640 unidades. Un cliente necesita 3.500 a la semana, así que el promedio dice que sí con margen.
Una ejecución Monte Carlo de 10.000 semanas simuladas, muestreando por separado el número de paradas y la duración de cada reparación, devuelve en cambio una distribución: la semana mediana cae cerca de 3.660 unidades
pero aproximadamente una semana de cada tres se queda por debajo del compromiso de 3.500, y alrededor de una semana de cada diez termina por debajo de 3.280. El promedio no estaba equivocado, simplemente no era la respuesta a la pregunta de entrega.
Con esa visibilidad, el equipo puede cotizar 3.300 con confianza, añadir un turno de reserva o atacar la propia tasa de fallos.
La calidad de una simulación se decide antes del primer ensayo, por las distribuciones que le alimentes. El tiempo entre fallos y las duraciones de reparación deben venir de tus propios registros de mantenimiento, resumidos mediante métricas como MTBF y MTTR .
Para comportamientos del tiempo hasta la falla que cambian con la edad del equipo, un análisis Weibull te indica si las fallas son aleatorias o por desgaste, lo que cambia la forma de la distribución que deberías muestrear.
Adivinar estas entradas, o copiar valores de libro de texto, produce tonterías con apariencia de confianza.
Monte Carlo es una técnica, no una categoría de producto. Puede vivir en una hoja de cálculo, un script en Python o dentro de paquetes de simulación de eventos discretos.
También es más estrecha que un gemelo digital: un gemelo mantiene una copia virtual continuamente sincronizada de un activo, mientras que un estudio Monte Carlo es un experimento repetido que ejecutas cuando necesitas tomar una decisión. La comparación de gemelos digitales frente a simulación aborda esa distinción en profundidad.
Fabrico no es una herramienta de simulación y no ejecuta modelos Monte Carlo. Lo que proporciona es la parte de la que depende toda simulación: datos de entrada fiables.
El seguimiento de producción en tiempo real registra las frecuencias reales de paradas, las duraciones y las pérdidas de velocidad tal como ocurren, incluso en máquinas antiguas sin acceso PLC, y el historial de órdenes de trabajo del CMMS captura los tiempos reales de reparación.
Porque las pérdidas de OEE se registran automáticamente en lugar de estimarse al final del turno, las distribuciones que extraes reflejan la planta que realmente operas. Fabrico está desarrollado en la UE con residencia de datos en la UE, de modo que ese historial operativo permanece bajo gobernanza europea.
Suficientes para que los percentiles que te importan dejen de moverse. Para la mayoría de las preguntas de fábrica, de 5.000 a 10.000 corridas es suficiente y se ejecuta en segundos. Las preguntas sobre eventos raros, como una combinación de fallos que esperas una vez al año, necesitan más corridas porque la cola se muestrea raramente.
No exactamente. Monte Carlo se refiere a la técnica de muestreo aleatorio en sí. La simulación de eventos discretos modela un sistema como una secuencia de eventos a lo largo del tiempo y suele usar el muestreo Monte Carlo en su interior. Un modelo simple de riesgo de rendimiento necesita solo el muestreo; un rediseño completo de línea generalmente merece un modelo de eventos discretos.
Como mínimo: registros de frecuencia de paradas, duración de reparaciones y tiempos de ciclo que sean lo bastante completos como para ajustar distribuciones. Si las paradas se registran manualmente y falta la mitad, arregla primero la recogida de datos. La simulación no puede ser mejor que el historial del que toma muestra.
¿Quiere entradas de simulación que su equipo pueda defender? Reserve una demo de Fabrico para ver cómo el seguimiento automático del OEE y del tiempo de inactividad construye el historial de fiabilidad del que se alimentan sus modelos.
Iniciar sesión
Blog
