Innhenting av data

Etterspørselsprognostisering kan overordnet deles inn i to kategorier basert på datatilgjengelighet og -omfang (Bø, 2000; Garg, 2013; Hyndman og Athanasopoulos, 2014; Boylan og Syntetos, 2008):

1. Kvalitativ prediksjon 2. Kvantitativ prediksjon

Dersom data ikke eksisterer, eller hvis dataene som finnes ikke er relevante for prognostiseringen, nyttes kvalitativ prognostisering. Dette involverer metoder for prediksjon basert på kvalifiserte vurderinger og erfaring, uten bruk av kvantifiserbare historiske data. Der data eksisterer brukes hovedsakelig kvantitativ prognostisering. Denne metoden forutsetter imidlertid oppfyllelse av to viktige kriterier: at tallfestet informasjon om fortiden er tilgjengelig i nødvendig omfang; og at det er rimelig å anta at enkelte aspekter ved historiske mønstre vil være representative også for fremtiden (Hyndman og Athanasopoulos, 2014). Kvantitativ prognostisering baserer seg tungt på matematiske beregninger. Forskning viser imidlertid at de mest optimale løsningene baserer seg på en kombinasjon av statistiske data og konvensjonell dataprosessering (der data foreligger), og kunnskap/erfaring, i form av den akkumulerte ekspertisen til personellet som samler data (kvalifiserte kvalitative vurderinger relatert til etterspørsel) (Hyndman og Athanasopoulos, 2014; Kennedy et al., 2002). De fleste kvantitative metoder er enten pålitelighetsbasert (Arts, 2013), eller tar utgangspunkt i kausale data eller tidsseriedata, eventuelt en kombinasjon av sistnevnte (Arts, 2013; Boylan og Syntetos, 2008; Hyndman og Athanasopoulos, 2014).

Pålitelighetsbasert prognostisering

Vedlikeholdsfrekvens er avgjørende i fastsettelse av krav til logistikkstøtte, og utledet fra dette: behovet for reservedeler. Vedlikeholdsfrekvensen, og spesielt frekvensen på korrektivt vedlikehold, avhenger av systemets/delens pålitelighet. Pålitelighetsbasert prognostisering⁴⁰ fokuserer på nettopp påliteligheten til variablene (delene) det skal prognostiseres for, i den hensikt å utlede behovet for en gitt periode basert på ulike

40 Pålitelighetsbasert prognostisering: Reliability based forecasting

pålitelighetsparametere. De viktigste er henholdsvis feilrate; λ, gjennomsnittlig tid mellom feil; MTBF, og gjennomsnittlig tid til feil oppstår; MTTF (Blanchard, 2015).

Feilraten er den raten feil oppstår med over et visst tidsintervall, og uttrykkes som forholdet mellom antall feil og total operasjonstid (Blanchard, 2015). Ved bestemmelse av den generelle feilraten, spesielt ved estimering av frekvensen av korrektivt vedlikehold, er det nødvendig å adressere alle systemfeil. Feilraten må omfatte alle faktorer som kan forårsake svikt og derigjennom systemutilgjengelighet på et tidspunkt der tilfredsstillende systemoperativitet og -funksjonalitet er påkrevet (Blanchard, 2015).

Gjennomsnittlig tid mellom feil; MTBF, og gjennomsnittlig tid til feil; MTTF er pålitelighetsfaktorer som brukes for å uttrykke gjennomsnittlig tid mellom feil/til første feil for henholdsvis reparerbare komponenter/systemer og ikke-reparerbare deler. Disse har imidlertid ingen nytteverdi uten en klar definisjon av hva som er å regne som en feil. I følge Torell og Avelar (2004) kan det argumenteres for følgende to definisjoner av feil:

1. Når et system eller delsystem ikke lenger kan utføre sin tiltenkte funksjon.

2. Når en del ikke lenger kan utføre sin tiltenkte funksjon, men systemet/delsystemet fortsatt fungerer i henhold til fastsatte krav.

Selv om ovenstående pålitelighetsparameterne kan synes å uttrykke det forventede antallet operasjonstimer før et system eller en del feiler; den forventede levetiden, bør det imidlertid ikke konstateres noen direkte korrelasjon mellom levetiden, og henholdsvis feilrate og MTBF/MTTF for systemet/delen (Torell og Avelar, 2004). Dette fordi ulike verdier for respektive pålitelighetsfaktor sterkt avhenger av hvordan de er beregnet, og hvilket datagrunnlag beregningene er basert på. Det er mange variabler som kan påvirke systemers/delers levetid, og som derigjennom potensielt vil begrense den praktiske bruken av pålitelighetsfaktorer som måleparametere. Som allerede nevnt er definisjonen av feil en av dem. En annen er tid. Som for alle statistiske beregninger gjelder det også for λ, MTBF og MTTF at nøyaktigheten i beregningene avhenger av mengden data lagt til grunn for beregningene. Ofte beregnes pålitelighetsfaktorene med utgangspunkt i tester og simuleringer utført på et utvalg av systemer/deler over en begrenset tidsperiode, sammenlignet med den faktiske levetiden. Dette fordi det ofte vil ta for lang tid å vente til hele utvalget feiler før beregningene/prognoser gjennomføres, selv om dette ville gitt langt mer presise utfall. Denne måten å gjennomføre beregninger på resulterer ofte i langt høyere

verdier for pålitelighetsparameterne enn det som faktisk vil være tilfellet, og åpner således for feilaktige forventninger om systemers/delers levetid. Skulle det imidlertid være mulig å vente ut hele utvalget før beregningene ble gjort ville uansett den teknologiske utviklingen i mellomtiden ofte ha gjort verdiene utdaterte og irrelevante (Torell og Avelar, 2004).

En annen ”vanlig” feil er at MTBF og MTTF ofte nyttes istedenfor feilrate, da uttrykt ved henholdsvis MTBF (eller) MTTF = 1/ 𝜆, ettersom tid mellom feil gir mer mening fra et operativt perspektiv og således er lettere å forholde seg til enn en feilrate per tidsenhet (Torell og Avelar, 2004; Blanchard, 2015). Dette er imidlertid en gyldig konvertering kun hvis feilraten kan forutsettes konstant, som er tilfellet ved en eksponentiell distribusjon for et system i operasjonsfasen (Blanchard, 2015). Eksponentielle distribusjoner, og dermed konstant feilrate, er ofte, om enn diskutabelt, forutsatt for komplekse systemer innenfor eksempelvis forsvar og luftfart, selv om systemenes individuelle deler kan operere i henhold til andre typer feilfordelinger respektivt (Drenick, 1960). På grunn av avgrensningen mot operasjonsfasen vil en ekstrapolering av MTBF/MTTF basert på konstant feilrate i den hensikt å gi estimert servicelevetid for systemer/deler bli feil. Fordi feilraten for systemer/deler ofte er langt høyere både i innkjørings- og sluttfasen av levetiden enn i operasjonsfasen vil en MTBF basert kun på konstant feilrate potensielt være langt høyere enn det som faktisk er tilfellet for hele livssyklusen sett under ett (Torell og Avelar, 2004).

På grunn av alle variabler som innvirker på et systems/komponents pålitelighet og de åpenbare begrensningene som kan relateres til det ovenstående, forutsetter presise estimater og prognoser basert på pålitelighetsparametere et ofte svært omfattende sett med data basert på historikk, produsentspesifikasjoner og/eller tester og simuleringer. I tillegg kreves kompetanse på og forståelse for de forhold som innvirker på pålitelighet; både for å kunne legge til grunn relevante forutsetninger i beregningene av pålitelighet, og for å tolke utfallet av beregningene i den praktiske applikasjonen av dem. Pålitelighetsfaktorene vil derfor i mange tilfeller være vanskelige parametere å bruke i praksis ved beregninger knyttet til korrektivt vedlikehold og reservedelsbehov.

Kausale metoder

Kausale metoder forutsetter at variablene det predikeres kan forklares av øvrige variabler, og baserer (etterspørsels)prognosene på dette. Kausale modeller kan være nyttige fordi de inkorporerer informasjon om andre relaterte variabler, heller enn kun isolerte historiske

verdier for variablene som skal predikeres (Hyndman og Athanasopoulos, 2014). I dette ligger at man i tillegg til data knyttet til hva vil kunne få verdifull informasjon om hvorfor.

Dette muliggjør en rekke nyttige analyser i prognosesammenheng. Kausale modeller kan også være hensiktsmessige i systemers/delers initielle operasjonsfase, ettersom mangel på en adekvat etterspørselshistorikk utelukker bruk av ekstrapolative metoder basert på nettopp historiske data (Boylan og Syntetos, 2008; Mikalsen, 2015). Det foreligger imidlertid en rekke grunner til at kausale metoder velges bort til fordel for andre metoder.

For det første kan det være vanskelig å forstå variabelen som skal predikeres; og dersom man gjør det kan det være ekstremt vanskelig å måle de interrelaterte forholdene som antas å bestemme variabelens karakteristikker. For det andre kan det være ekstremt vanskelig å predikere fremtidige verdier for respektive årsaksvariabler i den hensikt å kunne prognostisere for den ønskede variabelen. For det tredje kan det være at hensikten kun er å predikere nettopp hva som vil skje og ikke hvorfor det skjer. Disse forholdene vil i mange tilfeller gi mer upresise prognoser enn ved bruk av andre modeller (Hyndman og Athanasopoulos, 2014).

Tidsseriemetoder

Tidsseriemetodikken er en vanlig tilnærming til prognostisering. Tidsserier er alle verdier knyttet til respektive variabler som er observert sekvensielt over tid (Hyndman og Athanasopoulos, 2014). I følge Duncan, Gorr og Szczypula er tidsserieprognostisering den best dokumenterte og mest anvendelige av alle tilnærminger til prognostisering (gjengitt i Armstrong, 2002). Tidsseriemodellene er nyttige ved prediksjon av noe som endrer seg over tid, og er spesielt anvendbare i systemers normale operasjonsfase, når systemene og delene de består av er ”innkjørt” (forbi introduksjonsfasen) og det foreligger data om dem.

Modellene legger til grunn historiske data (for reservedeler; etterspørselshistorikk), og søker å forutse fremtiden basert på underliggende mønstre og karakteristikker i disse (Boylan og Syntetos, 2008; Garg, 2013; Kostenko og Hyndman, 2006).

Enkle tidsseriemodeller tar kun utgangspunkt i data relatert til variabelen som skal predikeres, og omfatter ikke faktorer som kan forklare variablenes oppførsel. De vil riktignok ekstrapolere trender og sesongvariasjoner, men ignorerer all annen forklarende informasjon. Forklarende variabler er imidlertid ofte nyttige i tidsserieprognostisering, og kausale og tidsseriedata kan derfor kombineres i såkalte forklarende modeller⁴¹ (Hyndman

41 Forklarende modeller: Mixed/explanatory models

og Athanasopoulos, 2014). En relevant parameter i relasjon til tidsserieprognostisering er gjennomsnittlig tid mellom utskiftning (for ikke-reparerbare deler) eller gjennomsnittlig tid mellom reparasjon (for reparerbare komponenter): MTBR⁴². Dette er en parameter som i praksis kan estimeres på bakgrunn av nettopp etterspørsel etter reservedeler målt over tid (tidsseriedata). Selv om MTBR kan brukes i relasjon til både korrektivt og preventivt vedlikehold er det ikke alle vedlikeholdsaktiviteter som innebærer utskiftning av deler.

MTBR vil således alene ikke gi tilstrekkelig presise estimater for generell vedlikeholdsfrekvens. MTBR er imidlertid en svært relevant parameter i forbindelse med etterspørselsprognostisering, fordi den kan si noe om både typer reservedeler som etterspørres og utskiftningsfrekvens (Blanchard, 2015).