Tid00959 PDF

METODOLOGÍA PARA OPTIMIZAR ESTRATEGIAS DE MANTENIMIENTO EN
EL ÁREA DE MOLIENDA DE INCAUCA S.A.
JOHN JAIRO RAMÍREZ DOMÍNGUEZ
UNIVERSIDAD AUTÓNOMA DE OCCIDENTE

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
DEPARTAMENTO DE OPERACIONES Y SISTEMAS
CALI, COLOMBIA
2012
METODOLOGÍA PARA OPTIMIZAR ESTRATEGIAS DE MANTENIMIENTO EN
EL ÁREA DE MOLIENDA DE INCAUCA S.A.
JOHN JAIRO RAMÍREZ DOMÍNGUEZ
PROYECTO DE GRADO PARA OPTAR POR EL TITULO DE

INGENIERO INDUSTRIAL
DIRECTOR:
ING. JESÚS GABALAN COELLO, MSC
MAGÍSTER EN INGENIERÍA CON ÉNFASIS EN INGENIERÍA INDUSTRIAL
UNIVERSIDAD AUTÓNOMA DE OCCIDENTE

FACULTAD DE INGENIERÍA
PROGRAMA DE INGENIERÍA INDUSTRIAL
DEPARTAMENTO DE OPERACIONES Y SISTEMAS
CALI, COLOMBIA
2012
Nota de aceptación:
Aprobado por el comité de grado
en cumplimiento con los requisitos
exigidos por la Universidad
Autónoma de Occidente para optar
el título de ingeniero industrial.
ALVARO ARARA_______________
JURADO
MARITZA CORREA_____________
JURADO
Santiago de Cali, 31 de Julio de 2012
3
AGRADECIMIENTOS
En primera instancia agradezco a Dios por darme la oportunidad de culminar mis

estudios en forma positiva.
Agradezco a mis tías y mi hermano por su apoyo, formación y comprensión, para

desarrollar mi proceso académico, siempre fueron mi apoyo incondicional en todo
momento durante toda la carrera.
Agradezco a mi novia quien fue un pilar fuerte para los momentos difíciles y me ha
acompañado pacientemente dándome todo su apoyo.
Agradezco a mi jefe el Ingeniero Milton Sánchez quien siempre me apoyó, para

adquirir la experiencia necesaria que me permitiera desarrollar este aplicativo.
Agradezco al Dr. Jesús Hernando Lugo, siendo la persona que confió en mí en

todo momento apostando todas sus cartas que sirvieron como base para
desarrollar el inicio de mi proceso profesional.
Agradezco a la Dra. Marcela Castro aportando académicamente en el desarrollo

del proyecto de grado.
Agradezco a la familia Sánchez y Acosta, por su apoyo incondicional en todo

momento.
Por último a mi Director de Tesis Ingeniero Jesús Gabalan Coello quien me brindo
todo su apoyo incondicional para el efectivo cumplimiento de los compromisos con
la investigación establecidos al desarrollar este proyecto.
4
CONTENIDO
pág.
RESUMEN 18
INTRODUCCIÓN 19
1. PLANTEAMIENTO DEL PROBLEMA 20
1.1 ANTECEDENTES 20
1.2 ENUNCIADO 23
2. OBJETIVOS 26
2.1 GENERAL 26
2.2 ESPECÍFICOS 26
3. JUSTIFICACIÓN 27
4. MARCO TEÓRICO 29
5. METODOLOGÍA 42
5.1 MODELO PROBABILÍSTICO DE LAS LLEGADAS DE LAS ÓRDENES DE

TRABAJO A LA LÍNEA DE ESPERA 43
5.2 NIVEL DE SERVICIO DE LAS CUADRILLAS DE MANTENIMIENTO 44
5.3 DESCRIPCIÓN DE UN MODELO INICIAL ASISTIDO POR TEORÍA DE

LÍNEAS DE ESPERA 44
5
5.4 INCIDENCIA DE LA OPORTUNIDAD DE MANTENIMIENTO EN LA TASA
DE SERVICIO 45
5.5 MODELO INTEGRADO A TRAVÉS DE HERRAMIENTA

COMPUTACIONAL Y DESARROLLO DE LA HERRAMIENTA 46
6. ESTADO ACTUAL: ESTRUCTURACIÓN DEL MANTENIMIENTO 47
6.1 ESPECIFICACIÓN DE LAS ÓRDENES DE TRABAJO PREVENTIVAS

PROGRAMADAS (OTPP) 47
6.2 ESPECIFICACIÓN ÓRDENES DE TRABAJO PREVENTIVAS

EXTRAORDINARIAS (OTPE) 59
6.3 ESPECIFICACIÓN ÓRDENES DE TRABAJO CORRECTIVAS (OTC) 62
7. ESTADO ACTUAL: ANÁLISIS DE LAS LLEGADAS DE LAS ÓRDENES

DE MANTENIMIENTO 64
8. ESTADO ACTUAL: ANÁLISIS DE LOS TIEMPOS DE SERVICIO DE LAS

ÓRDENES 82
9. DESARROLLO DE HERRAMIENTA COMPUTACIONAL ASISTIDO POR

LÍNEAS DE ESPERA 92
10. ANÁLISIS DE LA INCIDENCIA DE LA OPORTUNIDAD DE

MANTENIMIENTO EN EL SERVICIO 111
11. PLANIFICACIÓN DE MANTENIMIENTO PARA EL ÁREA DE MOLIENDA

DE INCAUCA S.A. 121
11.1 PROCESO DE PLANEACIÓN E INGRESO DE DATOS 121
11.2 RESULTADOS FINALES 131
11.3 MANUAL DE USUARIO 132
6
11.3.1 Configuración de base de datos y políticas. 133
11.3.2 Planeación del mantenimiento. 140
11.3.3 Resultados. 151
11.3.4 Informes. 153
12. RECOMENDACIONES 158
13. CONCLUSIONES 160
BIBLIOGRAFÍA 163
ANEXOS 169
7
LISTA DE FIGURAS
pág.
Figura 1. Árbol de problemas, daños en los equipos de molienda

INCAUCA S.A. 24
Figura 2 Extracción de jugo de caña, área de molienda 29
Figura 3. Módulos de SAP 30
Figura 4. Estrategias de Mantenimiento INCAUCA S.A. 48
Figura 5. Simulación de estrategias de mantenimiento INCAUCA S.A. 49
Figura 6. Proceso de planeación de mantenimiento 50
Figura 7. Configuración y funcionamiento de una Hoja de Ruta 51
Figura 8. Ejemplo de hoja de ruta, cambio de Molino 52
Figura 9. Plan de mantenimiento, datos principales 53
Figura 10. Programación del Plan de Mantenimiento 54
Figura 11. Pantalla de programación de planes de mantenimiento 55
Figura 12. Calendario de programación de planes de mantenimiento. 56
Figura 13. Orden de mantenimiento preventiva OTPP 57
Figura 14. Ciclo de una orden de mantenimiento programada 58
Figura 15. Cantidad de planes de mantenimiento activos. 59
Figura 16. Orden de mantenimiento preventiva extraordinaria OTPE 60
Figura 17. Fechas de una orden preventiva extraordinaria. 61
8
Figura 18. Fechas de orden de mantenimiento correctiva OTC. 62
Figura 19. Orden de mantenimiento correctiva OTC. 63
Figura 20. Campos de órdenes de mantenimiento 64
Figura 21. Diagrama de frecuencias de llegadas de órdenes cada dos

semanas OTC 67

semanas OTPE 68

semanas OTPP 69

semanas TOTAL 70
Figura 25. Diagrama general de tiempos de una orden de mantenimiento. 83
Figura 26. Formato de reporte de mantenimiento en SAP-PM 84
Figura 27. Formato tipo impresión de orden de mantenimiento

INCAUCA S.A. 84
Figura 28. Histórico de notificación de la orden de mantenimiento. 86
Figura 29. Figura pantalla inicial, pool de trabajo del aplicativo. 94
Figura 30. Comparativo del nivel de servicio. 108
Figura 31. Comparativo de costos de personal de mantenimiento. 109
Figura 32. Costo hora hombre de mantenimiento 109
Figura 33. % histórico de atraso. 110
Figura 34. Cantidad de órdenes en el sistema por tipo de orden 110
Figura 35. Calendario de molienda 111
9
Figura 36. Oportunidad de mantenimiento 112
Figura 37. Pronóstico de la cantidad de OTPE según los días de

mantenimiento 118
Figura 38. Residuales del pronóstico de la cantidad de OTPE según los

días de mantenimiento 118
Figura 39. Calendario de molienda propuesto para el año 2012 122
Figura 41. Comparativo nivel de servicio 131
Figura 42. Costo promedio de mano de obra histórico 131
Figura 43. Valor Hora hombre final 132
Figura 44. Pantalla principal aplicativo herramienta de planeación del

mantenimiento 133
Figura 45. Pantalla datos básicos 134
Figura 46. Pantalla clasificación de equipos 135
Figura 47. Pantalla cargue de órdenes sección datos 137
Figura 48. Pantalla cargue de ordenes sección formulas 137
Figura 49. Pantalla cargue notificación 139
Figura 50. Calendario de molienda propuesto para el año 2012 140
Figura 51. Pantalla de configuración de mantenimiento OTPP 141
Figura 52. Sección programación pantalla configuración OTPP 142
Figura 53. Listado de planes inactivos 143
Figura 54. Resultados simulación de programación de OTPP 143
Figura 55. Configuración de ordenes preventivas OTPE 144
10
Figura 56. Definición de política de mantenimiento OTPE 145
Figura 57. Diferencia entre órdenes propuestas y el histórico máximo 145
Figura 58. Resultado configuración OTPE 146
Figura 59. Calculo inicial teoría de colas OTC 146
Figura 59. Calculo de ordenes OTC en el sistema. 148
Figura 60. Resultado configuración OTC 148
Figura 62. Factor tiempo extra por periodo 151
Figura 63. Nivel de servicio, resultado final 152
Figura 64. Costo comparativo de la mano de obra 153
Figura 65. Comparativo total de costo y mano de obra propuesto por mes 153
Figura 66. Valor hora hombre propuesta por la aplicación por mes 154
Figura 67. Resultado teoría de colas 155
Figura 68. Histórico atrasos 156
Figura 69. Cantidad de órdenes por mes 157
11
LISTA DE CUADROS
pág.
Cuadro 1. Tabla de contingencia valores observados 39
Cuadro 2. Tabla de contingencia valores esperados 40
Cuadro 3. Resultados estadística descriptiva, análisis llegada del numero

de órdenes cada dos semanas. 66
Cuadro 4. Número de veces que se presenta cada cantidad de ordenes

OTC 67

OTPE 68

OTPP 69
Cuadro 7. Número de veces que se presenta cada cantidad de órdenes

TOTAL 70
Cuadro 8. Cantidad de órdenes que llegaron en cada periodo. 71
Cuadro 9. Días de molienda efectiva al año 75
Cuadro 10. Número de periodo para mantenimiento programado real por

año. 75
Cuadro 11. Frecuencia de llegada de OTC por periodo observada vs

esperada 77
Cuadro 12. Prueba de Bondad de Ajuste OTC 77
Cuadro 13. Prueba de Bondad de Ajuste OTPE 79
Cuadro 14. Prueba de Bondad de Ajuste OTPP 80
12
Cuadro 15. Resumen estadístico tiempos de servicios de las OTC 87
Cuadro 16. Categorías de clasificación de OTC 88
Cuadro 17. Relación de frecuencias de servicio observadas de OTC 88
Cuadro 18. Cálculo del tiempo medio de servicio de las OTC 89

Cuadro 19. Frecuencia esperada por categoría. 90
Cuadro 20. Calculo Chi-Cuadrado. 90
Cuadro 21. Resumen de medias y desviaciones estándar de tiempos de

servicio por categorías 91
Cuadro 22. Clasificación de periodos quincenales del año. 97
Cuadro 23. Determinación de la demora en la atención 97
Cuadro 24. Cálculo aleatorio de la frecuencia con probabilidad de atraso. 101
Cuadro 25. Días de molienda, calendario y mantenimiento 114
Cuadro 26.Cantidad de ordenes OTPE por periodo 114
Cuadro 27. Tabla de contingencias entre días de mantenimiento y

cantidad de OTPE 115
Cuadro 28. Tabla de contingencia frecuencia esperada entre días de

mantenimiento y cantidad de OTPE 115
Cuadro 29. Resultados parciales cálculo prueba bondad de ajuste para

independencia 116
Cuadro 30. Resultados de los cálculos de regresión lineal entre días de

mantenimiento (Variable independiente) y cantidad de OTPE (Variable
dependiente) 117
Cuadro 31. Resultados correlaciones no lineales entre días de

dependiente) 120
13
Cuadro 32. Política de mantenimiento preventivo extraordinario. 123
Cuadro 33. Resumen de frecuencias planes de mantenimiento preventivo.123
Cuadro 34. Calculo del atraso de las órdenes y la probabilidad de

atrasarse. 124
Cuadro 35. Resultados Simulación OTPP 125
Cuadro 36. Resultados simulación OTPE 125
Cuadro 37. Promedios históricos de llegada y tiempos de servicio OTC 126
Cuadro 38. Resultados cálculos ecuaciones M/G/1 127
Cuadro 39. Resultados simulación OTC 128
Cuadro 40. Cantidad de trabajadores por categoría. 128
Cuadro 41. Tabla de tiempos de trabajo por persona estándar en

promedio 129
Cuadro 42. Oferta inicial de horas disponible para mantenimiento 129
Cuadro 43. Factor de tiempo extra seleccionado. 130
Cuadro 44. Listado de categorías de equipos 135
Cuadro 45. Datos requeridos para ingresar al sistema por cada orden 136
Cuadro 46. Listado de campos para la notificación. 138
Cuadro 47. Cantidad de personas por cargo. 149
Cuadro 48. Cantidad de personas por categoría. 149
Cuadro 49. Tiempo disponible para mantenimiento por persona. 150
Cuadro 50. Efectividad por categoría. 150
14
GLOSARIO
ATRASO: es un indicador que define la razón entre el tiempo de demora de la

atención de la orden y su frecuencia de mantenimiento o tiempo de tolerancia
establecida por política, se mide en porcentaje y su efecto es positivo en la medida
que se acerque al cero, por otra parte este indicador es sensible a periodos cortos
o políticas de tolerancia al cierre con tiempos muy cortos.
BACKLOG: se interpreta como el tiempo suficiente requerido para terminar todas

las ordenes de mantenimiento pendientes con el personal actual adquirido.
CAPACIDAD DE MANTENIMIENTO: está relacionado con el personal técnico

para realizar los trabajos de mantenimiento, se mide en cantidad de personas las
cuales generan una disponibilidad de horas de trabajo al año.
CONFIABILIDAD: se relaciona de forma inversamente proporcional con la

cantidad de daños que tiene un equipo, estos pueden afectar la funcionalidad
parcial o total del equipo incluso parando la producción.
CRITICIDAD: es el estatus que se le da a un equipo para diferenciarlo de los

demás, teniendo mayor criticidad equipos de mayor importancia para la compañía
porque pueden parar el proceso, poner en riesgo la salud de los trabajadores o
dañar el medio ambiente.
DISPONIBILIDAD: se relaciona directamente con el tiempo que los equipos

estuvieron dispuestos para la operación, inclusive están disponibles estando en
buen estado así estén apagados.
EFECTIVIDAD ESPERADA: la efectividad en general se define como el modo en

que se cumplen los objetivos planteados, en el contexto de mantenimiento del
documento se interpreta como la forma en que los trabajadores cumplen el
objetivo de cada orden de trabajo superando todos los obstáculos técnicos o
administrativos que se presenten.
ESFUERZO: se entiende como la suma del tiempo total invertido por todos los
trabajadores que intervinieron en el desarrollo de una orden de trabajo.
15
FACTOR DE CUMPLIMIENTO: tiene alta relación con el porcentaje de atraso
entendiéndose como el tratamiento de una orden a tiempo antes de considerarse
atrasada, su relación se da en porcentaje, en la medida de que este porcentaje
sea alto, hará que los planes de mantenimiento se cumplan en la frecuencia
establecida.
GRUPO PLANIFICADOR: Agrupación de trabajadores a cargo de un ingeniero de

mantenimiento, dedicados a la solución de ordenes de mantenimiento de acuerdo
a su especialidad: eléctrica, electrónica, mecánica o lubricación.
MODELO GENERAL: el trabajo integra diferentes técnicas estadísticas para

realizar la propuesta de mantenimiento, utilizando teorías de colas, estadística
descriptiva y probabilística, dicha combinación conforma el modelo general
propuesto para el modelamiento de las estrategias de mantenimiento.
NOTIFICACIÓN: es el ingreso al sistema SAP-PM, de la información técnica y

logística de los acontecimientos ocurridos durante el desarrollo de la orden de
trabajo.
OPORTUNIDAD: son las horas o días que se destinan para realizar

mantenimiento con la planta fuera de operación, en los ingenios azucareros esta
oportunidad se presenta generalmente en forma de horas cada quince días y en
forma de días para los meses de abril, junio y diciembre, momentos donde se
hace paradas totales de más de cinco días.
PERIODO ESTÁNDAR: es la cantidad en días o semanas calendario que servirá

como referencia de análisis para agrupamiento de las órdenes de trabajo.
PLAN DE MANTENIMIENTO: es un objeto dentro del sistema SAP-PM que

relaciona los trabajos a realizar en un equipo con la frecuencia de mantenimiento
del mismo, determinando el momento de lanzamiento de una orden.
POLITICA DE MANTENIMIENTO: es el establecimiento de metas y objetivos

usando los indicadores que se consideren aplicables para la compañía, además
de la estrategia de mantenimiento basada en mantenimiento intensivo o
conservador, dependiendo de la apertura de presupuesto que aporte la gerencia.
16
PROBABILIDAD DE ATRASO: como el atraso es un indicador, los ingenieros
definen una meta en porcentaje en sus políticas, cualquier orden que supere este
porcentaje se considera como una orden atrasada, la relación entre la suma las
ordenes atrasadas y toda la población, define dicha probabilidad.
PROGRAMACIÓN VARIABLE: Una programación variable es tener la posibilidad

de modificar la programación de mantenimiento de acuerdo a la satisfacción de los
indicadores, de forma tal que se pueda identificar el efecto antes de tomar las
decisiones.
TIEMPO DEDICADO: tiempo que se invierte en la orden de trabajo desarrollando

procesos técnicos, logísticos y administrativos.
TIEMPO DE DEMORA: también conocido como tiempo de retraso, marca la

diferencia entre la fecha que debía atenderse la orden y la fecha actual, se mide
en semanas y su efecto es negativo en la medida que crece positivamente
alejándose del cero.
TIEMPO DE SERVICIO: es el tiempo que toma la atención de una orden de

trabajo desde el momento de su fecha de inicio programado hasta la fecha final de
cierre, incluyendo todos los tiempos dedicados.
TIEMPO DE TOLERANCIA: es el tiempo en el cual se espera que se cierre una

orden después del cumplimiento programado del trabajo, este tiempo se mide en
semanas y lo establece el ingeniero de mantenimiento, teniendo en cuenta que a
menor tiempo, mayor exigencia en el cierre de la orden.
17
RESUMEN
El trabajo que se presenta a continuación tiene la pretensión de desarrollar una

metodología para la gestión del mantenimiento en un ingenio azucarero, que
permita facilitar la toma de decisiones en la planeación de las tareas del área de
mantenimiento y a su vez correspondan al nivel de servicio que tienen las
cuadrillas de trabajo, para encontrar un equilibrio de tal manera que los atrasos en
las órdenes de mantenimiento se disminuyan.
En este desarrollo se utilizarán los datos históricos del departamento de

mantenimiento de INCAUCA S.A., en sus bases de datos como lo son: SAP PM y
SIGIND. A partir de esta información, se describe el sistema centrado en los
equipos de extracción de jugo de la caña ubicados en el área de molienda.
Como herramienta conceptual para abordar el problema se utilizará la teoría de

líneas de espera, herramienta desarrollada por Erlang (1909) y perteneciente al
campo de las matemáticas aplicadas (denominada en el contexto de la Ingeniería
Industrial Investigación de Operaciones). En este sentido, se intenta modelar
situaciones propias de la dinámica de un ingenio azucarero tales como: llegada de
las órdenes de mantenimiento, nivel de servicio, número de servidores y tiempo de
atención; utilizando para ello modelos probabilísticos que determinen el
comportamiento aleatorio de estas variables, dado que el evento de daños o
reparaciones no es de naturaleza determinística y por tanto las órdenes de
mantenimiento se encuentran influenciadas por políticas de los ingenieros
encargados del área de mantenimiento.
Dado lo anterior, estos elementos serán tratados con procedimientos estadísticos

que permitan modelar el sistema bajo estudio capturando los patrones y factores
endógenos del proceso.
Aquí se presenta una propuesta metodológica para diseñar estrategias de

mantenimiento que coadyuven a la optimización del mismo proceso, evidenciando
una vez más la necesidad de utilizar técnicas de modelación matemática como
soporte a la gestión organizacional.
Palabras Claves: teoría de líneas de espera, investigación operaciones,

estrategias, mantenimiento, SAP PM, Ingenio azucarero, molienda, probabilidad.
18
INTRODUCCIÓN
Los ingenios azucareros son una de las principales fuentes de ingresos de

Colombia y generan una cantidad importante de empleos directos e indirectos. En
el proceso productivo, el área de mayor impacto e importancia es la molienda. Es
aquí donde se realiza el proceso de extracción del jugo de la caña y en donde los
frecuentes daños en los equipos se ven afectados en gran medida por el
incremento en los atrasos en las órdenes de trabajo, formando los cuellos de
botella. Estas congestiones se deben presumiblemente a tres factores: frecuencias
inadecuadas para la programación de los mantenimientos preventivos, fuerza de
trabajo insuficiente y baja oportunidad de mantenimiento programado; entendiendo
esta última como la cantidad de días al año en el que se cumple el programa de
mantenimiento.
Este documento tiene como objetivo principal desarrollar una metodología para la
gestión del mantenimiento, para facilitar la toma de decisiones y generar
estrategias de mantenimiento adecuadas que correspondan al nivel de servicio
que tienen las cuadrillas de trabajo, mejorando el tiempo de atención en las
órdenes. A nivel procedimental, se diseñará una herramienta computacional cuya
pretensión es servir como insumo adecuado para la planeación de recursos que
impacte en la disminución de los daños.
La disminución en los atrasos del mantenimiento tendrá como consecuencia el

aseguramiento de una atención oportuna a los equipos, reduciendo así la
probabilidad de fallo. También trae consigo beneficios adicionales como: reducción
de costos, mejores índices de productividad y reducción de los tiempos perdidos.
Este proyecto se muestra como una solución alternativa, utilizando la investigación

de operaciones en el departamento de mantenimiento de un ingenio azucarero en
Colombia, empleando específicamente análisis estadísticos y teoría de líneas de
espera, como una aplicación en problemas de cuellos de botella en el área de
mantenimiento.
19
1. PLANTEAMIENTO DEL PROBLEMA
1.1 ANTECEDENTES
INCAUCA S.A. ha incursionado en la búsqueda de soluciones integrales teniendo

dentro de los objetivos, aumentar la disponibilidad de los equipos, disminuir el
tiempo perdido y aumentar la capacidad de mantenimiento1. Durante los últimos
años el ingenio ha realizado inversiones importantes en tecnología con el objetivo
de mejorar la productividad, reducir los costos y los tiempos perdidos, esta
reducción también se ve evidenciada en menores daños y menor mantenimiento
programado, lo que reduce el porcentaje de atrasos. Entre las inversiones más
importantes de los últimos cinco años se encuentra:
• 2008: Cambio de la noria de bagacillo por tamiz rotativo, con una inversión de
600 millones de pesos.
• 2009: Cambio de turbinas de vapor a motores eléctricos de 1700 HP para la

impulsión de los molinos, la inversión fue de 10.000 millones de pesos. En
este año también se realizó el cambio del sistema de acoples de los molinos,
pasando de rígidos a flexibles, con una inversión total de 400 millones de
pesos.
• 2010: la Empresa cambió las picadoras de caña, remplazándolas con una

desfibradora de 5300 HP de potencia, con una inversión cercana a los 15.000
millones de pesos2.
A nivel nacional otros ingenios han implementado diferentes estrategias para

mejorar la gestión del mantenimiento. De acuerdo con la información del informe
estadístico del Ingenio San Carlos S.A. 3, se logra observar que lograron subir el
tiempo de operación de la fábrica a 303 días, diez días más respecto al año
anterior. San Carlos es el ingenio que tiene mayor utilización del tiempo para
producción con un 81.05%, y el menor índice de tiempo perdido en la fábrica con
1
INCAUCA S.A. Caracterización del proceso. Definición de objetivos. Gerencia de fábrica. El
Ortigal, 2011.
2
INCAUCA S.A. Informe anual de proyectos. Proyectos instalados 2007 – 2011, Departamento de
Proyectos. El Ortigal, 2012.
3
INGENIO SAN CARLOS, Información Estadística, [en línea], 2002, [consultado el 15-12-2011],
disponible en www.ingeniosancarlos.com.co/estadosf2.php.
20
un 2.23%. Comparado con el año anterior el tiempo perdido en la fábrica ha
disminuido el 17.0%. Esto lo han logrado gracias al desarrollo de un programa de
distribución de la molienda que consiste en tener el mismo nivel de producción
más tiempo, de manera que se reduzca el esfuerzo de los equipos, dejando como
resultado menor cantidad de daños y una reducción de costos de mantenimiento
en comparación con el corte de año anterior, por lo tanto, la estrategia funcionó ya
que se logró la integración de las áreas de operación y mantenimiento en el
proceso del Ingenio San Carlos.
Por su parte el Ingenio Manuelita S.A. decidió contratar a una compañía experta
en mantenimiento a nivel mundial. Para tales efectos realizó una contratación con
Wood Group Colombia S.A.4, quien implementó un sistema de análisis de falla
para determinar las causas de los daños en el área de fábrica y de esta manera
buscar soluciones para mitigar el daño. Igualmente desarrolló un sistema de
mantenimiento predictivo, que ayuda a detectar de forma temprana los posibles
daños en los equipos.
A nivel mundial el Ingenio Azucarero Guabirá S.A. – Bolivia, incursionó en la

instalación de un difusor de caña en el año 2001, con la intención de cambiar la
metodología de molienda por medio de mazas y obtener todos los beneficios que
propone Fives Cail5, en las cuales propone que las paradas del difusor por averías
son 40% menos frecuentes que las de un molino convencional.
En contraposición los ingenios del Gobierno Federal de México administrados por

FEESA (Fondo de Empresas Expropiadas del Sector Azucarero), en el informe del
XV congreso internacional de contaduría, administración e informática6, realizaron
estudios de correlación de diferentes variables para identificar la pérdida de
productividad. Dentro de esas variables los tiempos perdidos jugaron un papel
importante, los cuales fueron mejorados reduciendo la rotación del personal de
planta, conservando así el conocimiento de los operadores y acortando la curva de
aprendizaje del nuevo personal. Los porcentajes de tiempo total perdido en fábrica
también han sufrido un descenso importante, en 1998 el porcentaje era de 24.69%
y para la cosecha 2004 el porcentaje baja al 19.73%.
4
WOOD GROUP COLOMBIA S.A., Nuestra Experiencia: Casos de Éxito, [en línea], 2006,
[consultado el 18/12/2011] disponible en http://www.woodgroup.com.co/
5
FIVES CAIL. Report of Canne Bagasse Diffuser Uses. [Online], 2006, [consultado 15/12/2011]
Available in: www.fivesgroup.com/.
6
XV CONGRESO INTERNACIONAL DE CONTADURÍA, ADMINISTRACIÓN E INFORMÁTICA. El
Estado y su Impacto en Competitividad en la Industria Azucarera. Monterrey: Instituto Tecnológico
y de Estudios Superiores de Monterrey, 2004.
21
En cambio en los ingenios azucareros australianos impulsaron el diseño y la
construcción, de sus equipos para la producción de azúcar. En el área de
molienda cuentan con molinos impulsados por motores eléctricos, los cuales
tienen seis mazas, dos más que los convencionales molinos de los ingenios
colombianos. Esta configuración de los molinos genera un menor esfuerzo y por
ende disminuye la posibilidad de daños, menor consumo de combustible, entre
otros beneficios que se ven evidenciados en el ISSCT Engineering Workshop
2008 Design, manufacturing and maintenance of sugar mill equipment7.
A nivel académico se han realizado estudios alrededor de la aplicación de las

líneas de espera en el mantenimiento, el autor Giuliano Antoniol (2004), en su
artículo Assessing Staffing Needs for a Software Maintenance Project through
Queuing Simulation, explica como la teoría de colas ayuda a la planeación y
control de proyectos de mantenimiento en el que requieren calcular la dotación de
personal que considere un servicio de mantenimiento óptimo distribuido en
diferentes procesos dentro de una compañía8. El modelo de líneas de espera
provee la cantidad de personal que se requiere para la realización de los trabajos,
teniendo en cuenta el nivel de servicio y la probabilidad de cumplir con la
estrategia de mantenimiento en el tiempo pactado. El autor recomienda integrar
estas estrategias junto con otras herramientas de gestión del mantenimiento con el
fin de priorizar actividades, evitar conflictos y evaluar la disponibilidad de los
recursos.
Para la resolución de problemas de cuellos de botella en el mantenimiento,

Giuliano Antoniol modela una línea de cola en el que considera las órdenes de
trabajo como la rata del tráfico de llegada, la cantidad de tiempo en que cada
orden se atiende como el tiempo de servicio, una capacidad de cola finita o infinita
y una disciplina o comportamiento de atención. Con estos datos se modela el
sistema de redes de colas, simulando diferentes escenarios que dan como
resultado diferentes estrategias para el control del mantenimiento, la planeación y
el manejo de los recursos.
Otros estudios respecto al tema del mantenimiento usando líneas de espera, es el

presentado por Vidyadhar, Subodha y Vijay, en el artículo Optimal Allocation of
Effort to Software Maintenance: A Queuing Theory Approach, donde usan la teoría
de colas y modelos computarizados para determinar los recursos óptimos de
7
ISSCT. Design, manufacturing and maintenance of sugar mill equipment. Engineering Workshop
Brazil: 2008.
8
ANTONIOL, Giuliano. Assessing staffing needs for a software maintenance project through
queuing simulation. IEEE Transaction on software engineering, VOL. 30, No.1, January 2004.
22
mantenimiento9. Los requerimientos de los usuarios interpretados como órdenes
de trabajo, son asumidos siguiendo una distribución de Poisson, además de una
distribución binomial para determinar la capacidad de duplicidad de las órdenes en
cola. En el artículo presentan una expresión exponencial para determinar el tiempo
que se requiere en resolver las órdenes de trabajo por cada servidor o cuadrilla,
además utilizan políticas de restricción del sistema a partir del backlog10. Después
de modelar el sistema con las ecuaciones de las líneas de espera, se determina el
recurso óptimo necesario para sostener un servicio que esté acorde con las
políticas de órdenes en espera permitidas o backlog adecuado, luego estos
modelos se evalúan teniendo en cuenta los costos de cada servidor o cuadrilla de
trabajo, cruzando los costos oportunidad que trae la espera del mantenimiento y
los de reparación por una atención tardía o falta de atención.
Se puede identificar como con el uso de diferentes estrategias disminuyen los

atrasos en las órdenes. Los ingenios han implementado proyectos que tienen que
ver con la actualización y automatización de la planta, el control del conocimiento
del personal, la implementación de software para análisis y mejoras en la
estrategia de producción. Es importante anotar que cada ingenio hizo uso del
recurso de mayor disponibilidad sin limitantes económicas. En otros estamentos
de la academia se han aplicado la teoría de colas para el desarrollo de estrategias
de mantenimiento, que son altamente eficientes para determinar el nivel de
servicio óptimo requerido por una compañía que tiene como meta reducir tiempos
perdidos, disminuir costos y aumentar la productividad.
1.2 ENUNCIADO
INCAUCA S.A., actualmente presenta altos tiempos perdidos en el área de

molienda, baja productividad y altos costos de mantenimiento. Realizando un
análisis se identifica una de las causas que principalmente afecta la problemática:
los daños en los equipos evidenciados principalmente por el incremento en los
atrasos de las órdenes de mantenimiento como se puede observar en la figura 1.
9
KULKARNI, V.G, KUMAR, Subodha, MOOKERJEE, Vijay S. Optimal allocation of effort to
software maintenance: a queuing theory approach, production and operations management, VOL.
18, No. 5, September–October 2009, Pag. 506-515. ISSN 1059-1478.
10
Backlog se interpreta como el tiempo suficiente requerido para terminar todas las ordenes de
mantenimiento pendientes con el personal actual adquirido. Confrontar en: ORREGO BARRERA,
Juan Carlos. Backlog: Acumulación de trabajo. [en línea]. 2008. [consultado el 10/01/2012].
Disponible en: http://www.mantonline.com
23
Los daños en los equipos ocurren presumiblemente por falta de atención por parte
de los responsables del mantenimiento. En el área se puede evidenciar dificultad
para atender las órdenes de trabajo obteniendo un porcentaje de atraso del 35%11,
este indicador se entiende como: la demora total en iniciar la atención de una
orden de trabajo comparándola con la frecuencia del mantenimiento predictivo, por
ejemplo, una orden de mantenimiento, cuya periodicidad es de cada 52 semanas,
en la que la cuadrilla de mantenimiento se ha demorado 16 semanas, el indicador
de atraso será de un 30%.
Figura 1. Árbol de problemas, daños en los equipos de molienda INCAUCA

S.A.12
Altos Costos de Altos Tiempos Perdidos

Baja Productividad
Mantenimiento por Mantenimiento
Frecuentes daños en los equipos de

molienda
Incremento en los % de atrasos en las ordenes

de mantenimiento
Frecuencias Baja Oportunidad de

Fuerza de Trabajo
inadecuadas de Mantenimiento
insuficiente
mantenimiento
Equipos Fallan
Intervenciones Incumplimiento en
antes de su fecha Altos tiempos de
innecesarias de
de mantenimiento atención la planeación de las
equipos en buen
paradas
estado
Frecuencias Distribución
asignadas sin No hay inadecuada del % de cumplimiento
estudios retroalimentación trabajo de la programación
de la parada
11
INCAUCA S.A. Informe Semanal de Órdenes de Mantenimiento. Indicador de Porcentaje (%) de
Atraso de las Órdenes de Mantenimiento, Diciembre 2011. El Ortigal, Enero 2012.
12
El árbol de problemas fue diseñado para explicar en tres etapas la problemática, así:
: El primer nivel muestra las consecuencias que se pueden evidenciar por tener el problema.
: El segundo nivel explica la problemática principal que pretende ser solucionada.
: El tercer nivel es el desarrollo causal, en esta sección se intenta explicar las situaciones que
conciben el incremento u ocurrencia de la problemática, sobre estas causas se trabajará a lo largo
del documento, planteando estrategias que mitiguen las causas.
24
El área de molienda presenta un número total de 250 órdenes pendientes al
término de cada semana13 las cuales son generadas principalmente por el
programa de mantenimiento preventivo. El número elevado de órdenes en el
sistema genera confusión, aumentando la posibilidad de que sean atendidas
primero las órdenes que no contribuyen a la disminución de los daños en el tiempo
y la calidad necesaria.
Los ingenieros y sus cuadrillas de mantenimiento hacen grandes esfuerzos en

realizar reparaciones extraordinarias usando horas hombre, materiales y contratos
de terceros. Aproximadamente el 30%14 de los recursos se destinan al
mantenimiento no planificado (sin contar los recursos que se gastan en correctivos
imputados en órdenes preventivas), tornándose insuficientes los recursos para
cubrir el mantenimiento preventivo propuesto, incrementando finalmente las
órdenes en espera de atención.
Anualmente se realiza una programación de molienda en la que se determina los

días de producción y de mantenimiento, con esta programación los ingenieros
planean las diferentes paradas de fábrica. Durante lo corrido del año este
calendario sufre modificaciones dificultando la planeación efectiva, sin embargo,
es posible utilizar una programación variable si se contara con herramientas de
ayuda para el análisis de la proyección del mantenimiento.
Estos indicios demuestran que existen diferentes factores que aumentan la cola de
órdenes en espera de atención, dificultando el cumplimiento del mantenimiento
preventivo, inevitablemente esta falta de atención aumenta la posibilidad de falla
de los equipos. Siendo posible que la cantidad de órdenes de trabajo provoca que
los atrasos se incrementen, por no tener la suficiente mano de obra para
atenderlas, o la planificación es exagerada.
Este proyecto tiene como fin encontrar un nivel de servicio adecuado mediante el
modelamiento asistido por la teoría de colas y estadística probabilística,
generando una herramienta que se utilice y retroalimente de manera constante,
facilitando la toma de decisiones.
13
INCAUCA S.A. Gestión del informe Semanal de Órdenes de Mantenimiento. Cantidad de
Ordenes, Diciembre 2011. El Ortigal, Enero 2012.
14
INCAUCA S.A. Informe de Costos de Mantenimiento Mensual. Indicador de Porcentaje (%) de
Planeación de los Recursos, Diciembre 2011. Enero 2012.
25
2. OBJETIVOS
2.1 GENERAL
Desarrollar una metodología para establecer estrategias de gestión de

mantenimiento a través del uso de herramientas de la investigación de
operaciones, de tal forma que facilite la toma de decisiones sobre el plan de
mantenimiento, en el área de molienda de INCAUCA S.A.
2.2 ESPECÍFICOS
• Obtener el modelo probabilístico de la llegada de las órdenes de trabajo a la

línea de espera, de tal forma que se establezca el patrón de llegada.
• Establecer en forma cuantitativa y probabilística, la forma en que las

cuadrillas de mantenimiento son capaces de procesar las órdenes de trabajo,
obteniendo el nivel y la tasa de servicio.
• Calcular el modelo de teoría de colas con los datos obtenidos, para llegar al
estado actual, que será el punto de referencia.
• Determinar cómo la oportunidad de mantenimiento aumenta la tasa de

servicio, para encontrar una restricción al modelo y complementar el sistema.
• Integrar el modelo de teoría de colas para generar la herramienta en

Microsoft Excel que permita balancear y establecer un nivel de servicio
adecuado.
26
3. JUSTIFICACIÓN
La realización de este proyecto tiene una incidencia directa sobre los diferentes
actores alrededor del área de molienda de INCAUCA S.A., proporcionando una
herramienta de investigación que se convertirá en un modelo práctico para realizar
los cálculos de las estrategias de mantenimiento aplicadas. Se pueden identificar
los siguientes beneficiarios:
• La Empresa: cuatro factores revelan que la empresa es el beneficiario más

importante:
o El ajuste de la capacidad de servicio a la necesidad de mantenimiento

permitirá garantizar el cumplimiento en el mantenimiento preventivo y una
oportuna respuesta a los daños en los equipos, aumentando así la
disponibilidad de los mismos y mejorando los índices de producción.
o La disminución en los daños tendrá un efecto directo en el tiempo perdido de

producción (424.09 horas perdidas por fábrica en el 201115), de tal forma que
no sea necesario detener el proceso productivo para realizar reparaciones en
equipos, aumentando la probabilidad de producir a mayor escala.
o La reducción de los daños en los equipos, tendrá una disminución directa en

los costos, teniendo en cuenta que hay la posibilidad de controlar los trabajos
extraordinarios que tienen unos costos cercanos a los USD$ 1.7 millones16 al
año, por lo tanto la baja en los costos es directamente proporcional con el
aumento de las utilidades de la compañía.
o Al establecer la capacidad de servicio adecuada, se ajustará el costo de la

mano de obra al mínimo necesario para garantizar la máxima operatividad de
los equipos.
15
INCAUCA S.A. Informe Mensual de Producción. Sección Fabrica, Indicador horas hábiles
perdidas por fábrica, Diciembre 2011. El Ortigal: Enero 2012.
16
INCAUCA S.A. Informe de costos de órdenes de mantenimiento acumulado 2011, El Ortigal:
Enero 2012.
27
• Los Ingenieros: tendrán una herramienta confiable que les ayude a tomar
decisiones sobre las estrategias de mantenimiento, ajustando con criterio
probabilístico su capacidad de mantenimiento a la realidad.
• Los Trabajadores del área: siendo tenidos en cuenta como pilar fundamental
para la gestión de mantenimiento, aportarán lo mejor de sí en el cumplimiento
de las metas.
28
4. MARCO TEÓRICO
Para el desarrollo de este proyecto se hace necesario conocer y manejar la

documentación respecto al proceso de molienda, además del sistema utilizado
para mantenimiento (SAP PM) y para la medición del tiempo perdido (SIGIND). De
otro lado también se requiere estudiar la teoría de colas, de forma tal que
relacione las llegadas de las órdenes, el tiempo de atención y el número de
servidores. El análisis de datos se fundamenta en base estadística descriptiva e
inferencial, estableciendo pruebas de hipótesis para demostrar el comportamiento
de las órdenes.
En el proceso de la molienda de INCAUCA S.A.17, la caña proveniente de los

patios de caña alimenta al molino a través de las mesas y los conductores:
transversal, auxiliar y principal. Los conductores auxiliar y principal poseen
niveladores que mantienen la cantidad de caña uniforme en el conductor hasta la
entrada del molino. La caña pasa por una desfibradora donde es impactada contra
un yunque quedando totalmente desfibrada.
Posteriormente la fibra pasa por cada uno de los molinos del tándem, en donde es
sometida a una fuerza de compresión entre las mazas superior y cañera en la
entrada, y superior bagacera en la salida. Debido a la fuerza aplicada
directamente sobre la maza superior por el sistema hidráulico, se extrae o exprime
el jugo de la caña como se observa en la Figura 2.
Figura 2 Extracción de jugo de caña, área de molienda
Fuente: CENICAÑA, Diagrama de obtención de azúcar, 2004
17
INCAUCA S.A. Sistemas de Gestión de Calidad: Molienda de Caña, R612003, El Ortigal: 2005.
29
INCAUCA S.A., cuenta con una plataforma de gestión empresarial denominada
SAP, sistema conocido bajo la clasificación E.R.P. de gestión empresarial que
cubre todas las necesidades de procesamiento de datos de una empresa,
corporación, fábrica u oficina pública o privada.
La representación clásica de este producto se muestra en la figura 3.El área roja

representa las aplicaciones financieras, el área verde las funciones logísticas, la
amarilla los recursos humanos, y el color azul representa el sistema básico y de
desarrollo.
Figura 3. Módulos de SAP
SD FI
MM
. CO
PP R/3 AM
.
Solución Integrada
QM
.
Cliente / Servidor PS
PM WF
HR IS
Fuente: SAP, Integración modular cliente servidor. 2012.
Según el manual de mantenimiento de INCAUCA S.A.18. PM (Planeación de

Mantenimiento) El Sistema PM soporta todo el departamento responsable de la
planificación, tratamiento y liquidación de medidas de trabajo. Todas las
estrategias a efectuar por el departamento pueden registrarse, planificarse,
controlarse y comunicarse. Así mismo, se incluyen tanto las acciones que no están
planificadas, o que se deben a averías, como las medidas de inspección y
mantenimiento habituales.
18
INCAUCA S.A. Sistemas de Gestión de Calidad: Manual de mantenimiento, P-940-001, El Ortigal:
2005.
30
Para el manejo de los tiempos perdidos, INCAUCA S.A., maneja un programa
llamado: SIGIND, Sistema de Información para la Gestión Industrial, que permite
la personalización para reflejar las características y necesidades de cada Ingenio,
al igual que el registro de los cambios del proceso a lo largo del tiempo. Es un
sistema corporativo que permite que varias empresas del mismo grupo sean
administradas en el mismo ambiente (desde que la empresa tenga esa tecnología
disponible).
La estrategia de mantenimiento implementada bajo estos programas de

administración y medición, utilizan políticas para determinar la forma, la cantidad,
la secuencia y el uso de los recursos, en este proyecto se estudiará la generación
de estrategias desde el punto de vista de la teoría de colas y la estadística.
La teoría de colas es una herramienta que ayuda a establecer el servicio

adecuado con el tiempo de respuesta oportuno, originada por Agner Kraup Erlang
en 1909 para analizar la congestión de tráfico telefónico con el objetivo de cumplir
la demanda incierta de servicios en el sistema telefónico de Copenhague. Sus
investigaciones acabaron en una nueva teoría denominada teoría de colas o de
líneas de espera, esta teoría es ahora una herramienta de valor en negocios,
debido a que un gran número de problemas pueden caracterizarse como
problemas de congestión llegada-salida.
Las órdenes de mantenimiento son un requerimiento en espera de ser atendidas,

por lo tanto el no cumplimiento de una o varias órdenes genera una línea de
espera, el tiempo en que son atendidas las órdenes y la cantidad de personal
disponible para atenderlas completa un sistema que contiene los siguientes
componentes:
• Rata de llegada: supone la cantidad de órdenes que llegan o son generadas,

sumadas a los listados en espera de ser atendidas; su comportamiento de
llegada puede tener un comportamiento específico el cual es necesario
identificar y probar con alta precisión.
• Tiempo de Servicio: tiempo necesario para la atención y procesamiento de

una orden de servicio, su comportamiento se puede modelar mediante una
distribución de probabilidad.
31
• Capacidad de la cola: finita o infinita, relacionando si la población de órdenes
que llegan a la cola tiene un límite, o es indeterminado el número máximo de
órdenes en espera.
• Disciplina de la cola: metodología FIFO (por su siglas en inglés: primeros en

llegar primeros en salir), metodología LIFO (por su siglas en inglés: últimos en
llegar primeros en salir), metodología aleatoria, metodología de prioridad de
acuerdo a las características de las órdenes.
• Número de canales: define cuantos canales de atención se abrirán para

atender los servicios, como mínimo es un canal, pero también pueden existir
varios canales que trabajen en paralelo con varias colas, o una sola cola
siendo atendida por varios servidores.
Dependiendo de la configuración de las distribuciones de probabilidad y la

cantidad de servidores, Kendall y Lee (1953) como se observa en el libro de
Azarang y Garcia (1998), desarrollaron una notación que mediante tres símbolos,
principalmente, define el comportamiento y grupo de ecuaciones siguiendo la
siguiente nomenclatura:
A/B/C
Donde:
A: Define el tipo de distribución del numero de llegadas.
B: Define el tipo de distribución del tiempo de servicio.
C: Define la cantidad de servidores a utilizar en el sistema.
Para los numerales A y B especificó las siguientes letras según la distribución:
D: Constante.
Ek: Distribución Erlang con parámetro k.
G: Distribución arbitrario o general con media y varianzas conocidas.
M: designa una probabilidad de Poisson para el número de llegadas o una
distribución exponencial para los tiempos de servicio
32
Barua and Mukhopadhyay (1989), consideran que el mantenimiento es continuo y
representa un horizonte finito, es decir se puede contar con una clasificación bajo
un parámetro poblacional estable alrededor de los históricos. Feng et al. (2006),
según los estudios referencia que las llegadas de las órdenes corresponden a una
distribución de Poisson.
Una característica importante planteada por este autor, es determinar que una
nueva orden de mantenimiento generada por un usuario, significa aumentar la
probabilidad que se dupliquen las órdenes en espera, teniendo en cuenta que la
petición de este usuario, puede superar en urgencia y esfuerzo las demás ordenes
que están en espera, además de las nuevas peticiones, ocasionando mayor
espera por otras órdenes. Este fenómeno puede ocurrir cuando se hacen análisis
de eficiencias, donde se determinan que las maquinas funcionan, pero no a la
medida que se necesitan, requiriendo hacer modificaciones en los equipos.
Es importante tener en cuenta que hay un costo que se puede contabilizar, el

costo de mantener o de atender una orden, pero causa dificultad contabilizar un
costo de esperar, que también es importante, por lo tanto fórmulas probabilísticas
usando, distribuciones: binomiales, Poisson y exponenciales, acompañadas de
transformadas de L’Place y Z, determinarán los costos de mantener y esperar
(Banker and Slaughter 1997, Nosek and Palvia 1990, Tan and Mookerje 2005).
Se asume que las órdenes de mantenimiento están concluidas completamente

cuando la orden no tiene pendiente ningún paso y el servidor está libre para
atender una nueva orden, el tiempo que toma la atención supone una distribución
exponencial, Kulkarni (1995).
Al tener una distribución de Poisson de la llegada de las órdenes, una distribución

binomial para la probabilidad de duplicar una orden en la línea de espera y una
distribución exponencial del tiempo y la rata de servicio, conforman un modelo de
teoría de cola M/M/1.Cuando el departamento de mantenimiento puede posponer
cualquier nuevo requerimiento, se dice que se cuenta con un “backlog”, o N
órdenes en la cola, entonces se puede contar con una política de N órdenes en
espera. La política debe tener en cuenta los costos de esperar pero también los
beneficios de trabajar por lotes, Sobel (1969) y Heyman and Sobel (1984).
El modelo puede ser M/M/1 si los datos cumplen estos propósitos, pero en caso
de que el modelo no cumpla con alguno de los parámetros se deben escoger
caminos diferentes para cada resultado. En el caso de que el grupo de órdenes
actualizadas no cumpla con una rata de llegada distribuida por Poisson los
33
modelos no son recomendables y son poco estables, por lo tanto se deben probar
otras metodologías como estadística descriptiva o probabilística para modelar los
datos. Si los datos de llegada son Poisson pero los tiempos de servicio no son
exponenciales modelos como el M/G/1, sirven para modelar los tiempos de
servicio según distribución arbitraria basada en la media y las desviaciones
estándar, determinando finalmente que es necesario comprobar el seguimiento de
las distribuciones
El propósito de la teoría de colas es poder establecer el nivel de servicio óptimo

por medio de la rata de servicio, con una política de backlog definida que balancea
los costos de mantenimiento, teniendo en cuenta que todas las variables son
aleatorias y que se afectan entre sí. El modelo también supone que las pruebas no
son estáticas y dependen mucho de la cantidad de datos que tenga el sistema. La
probabilidad de aumentar la tasa de servicio aumenta con el número de órdenes y
con la posibilidad de duplicarse las solicitudes. Al escoger un backlog indicado
depende mucho de los dos parámetros anteriores, obteniendo valores de N más
convenientes con una probabilidad media de duplicación. Es también muy
importante estudiar la forma en que se comporta la disciplina de la cola y cómo los
ingenieros afectan el modelo con sus decisiones.
Existen diferentes tipos de software que ayudan en la gestión del mantenimiento, y

están enfocados principalmente a la estructuración de los equipos, recursos y la
plataforma administrativa para hacer análisis. Los análisis conllevan a utilizar
diferentes enfoques y puntos de vista tales como: análisis de falla, confiabilidad,
costos, entre muchos otros posibles.
Este documento no pretende realizar un estudio, análisis o recomendación de la

implementación de algún software para administrar el mantenimiento, debido a
que parte del uso de SAP-PM como herramienta para estructuración de los
históricos. El análisis aquí propuesto está encaminado aportar una ayuda en la
toma de decisiones partiendo de un sistema organizado y con datos conocidos.
Algunos software también realizan las funciones de aportar en la toma de

decisiones, uno de ellos es Easymaint® (aBESofT Technologies, 2011), esta es
una aplicación que realiza la gestión integral de mantenimiento, dentro de él se
estructuran los activos fijos de una compañía y sobre estos se planea el
mantenimiento. El plan maestro está basado en semanas calendario y la
programación se realiza con horizonte a un año, manejando elementos muy
gráficos que permitan visualizar la gestión de mantenimiento y sus efectos. El
software tiene un control de las paradas programadas, generador de los
34
indicadores comunes de mantenimiento (TPM Disponibilidad, MTTR, MTBF y
otros), registro de tiempos y mano de obra.
La aplicación permite efectuar un control de la mano de obra estimada basada en

la cantidad de trabajo programada por medio de las proyecciones del
mantenimiento preventivo. Sus bases de datos son robustas al usar Acces,
SqlServer y Oracle, dependiendo de la aplicación de la empresa contratante.
Otro aplicativo usado por las empresas industriales, manufactureras y automotriz

es el SysMan® (INSOLCA, 2009), realiza la interpretación y manipulación de la
información de mantenimiento de forma integral entre los trabajos y los recursos,
mostrando su impacto en los costos. Basado en el mantenimiento de los equipos
más importantes el programa se enfoca en el análisis de la planeación,
administración y seguimiento de los proceso de mantenimiento. Los análisis se
enfocan a la identificación, planificación, programación y seguimiento de los
trabajos.
El centro de información del sistema son las órdenes de trabajo las cuales las
divide en dos: OTC para los correctivos y OTP para los preventivos, realizando
análisis de falla para las ordenes correctivas y una programación de los
mantenimientos preventivos basados en la frecuencia de trabajos repetitivos, este
es un sistema multiusuario que ayuda a la planificación de los trabajos de
ingeniería del mantenimiento en las áreas de la empresa.
El Availability Workbench (Isograph Ltd, 2011), el cual es un software de

simulación que maneja la metodología de mantenimiento centrado en
confiabilidad, en el cual realiza el análisis de los modos de falla de cada equipo y
hace simulaciones de los posibles daños que puedan ocurrir al igual que los
efectos sobre los mismos, usa la distribución de Weibull para el análisis de la
probabilidad de averías, y maneja módulos del ciclo de vida del activo.
Esta solución integral está enfocada principalmente a los efectos del DESGASTE
de los equipos, debido a su naturaleza y a la de sus componentes estudiando
detalladamente las hojas de vida y las composiciones de los materiales usados,
finalmente produce modelos de falla para determinar los trabajos de
mantenimiento.
La relación por medio de diagramas de bloque o árbol de fallas, permite realizar

las simulaciones por medio de algoritmos lógicos, usa la simulación de Monte
Carlo para los parámetros de confiabilidad y disponibilidad de equipos. El
aplicativo integra estos análisis al mantenimiento planeado.
35
Otro tipo de software como el Meridium (ASUG AMERICAS' SAP USERS'
GROUP, 2002), usa la plataforma SAP para descargar datos y hacer análisis de
confiabilidad y disponibilidad de los equipos, evidenciando su impacto en los
costos a la hora de fallar, este aplicativo enlaza con los costos de producción y
determina también la perdida de oportunidad en la generación de utilidades para la
compañía.
El aplicativo Meridium se integra a la funcionalidad que tiene SAP para realizar sus
análisis e informes, toma la información de los campos estándar que utiliza el
modulo PM y PP, la relaciona con el análisis de falla, y hace un estudio amplio de
los efectos que incluyan los peligros de muerte del personal, contaminación al
medio ambiente y fallas en la calidad el producto. Sus análisis se estructuran bajo
probabilidades de Weibull y utiliza estimados históricos para el comparativo con el
mantenimiento preventivo.
Los datos usados por los sistemas de información utilizados en el documento

requieren una validación, esta validación se hace a dos niveles: el primer nivel
cosiste en depurar de manera lógica las incoherencias o faltantes en los datos que
puedan distorsionar los análisis, en caso que existan valores que no sean validos
no se deben tener en cuenta, ni siquiera parcialmente. El segundo nivel se debe
hacer con metodologías que comprueben que los datos siguen las distribuciones
planteadas, para estos efectos se utiliza la prueba de bondad de ajuste, que entre
otras aplicaciones permite con gran nivel de confianza y facilidad de manejo
realizar las pruebas de distribución de datos.
La prueba de bondad de ajuste es una prueba de hipótesis (Anderson, Sweeney,

& Williams, 2011)19 en que plantea que unos datos aleatorios son iguales a los
propuestos por una distribución especifica, el planteamiento de la hipótesis nula
parte de Ho : “F = Fo”, con hipótesis alterna Ha “F≠Fo” donde F será la distribución
propuesta y Fo será la distribución observada, la distribución propuesta será la
que está en objeto de comprobación y para el caso de este documento una serie
de datos serán comprobados para ver si realmente su distribución es tipo Poisson
para las llegadas y los datos de servicio se comprobará si son tipo Exponencial.
La distribución Poisson es una distribución de probabilidad discreta que expresa a

partir de una frecuencia de ocurrencia media, la probabilidad de que ocurra un
19
ANDERSON, D. R.; SWEENEY, D. J. and WILLIAMS, T. A. Satatisc for business and
economics. Ed. 11. Soeth-Western: Cengage Learning, 2011. p.487.
36
número de determinado de eventos en cierto periodo de tiempo20. Se caracteriza
por la siguiente ecuación:
∗
=
!
Donde:
µ: frecuencia de ocurrencia media.
e: numero de Euler.
x: frecuencia de tiempo a probar.
La distribución Exponencial aes la distribución de probabilidad que se encarga de

pronosticar los tiempos en que sucede una variable21, generalmente la distribución
exponencial describe los tiempos de duración entre ocurrencias de datos que se
distribuyen Poisson.
>0
=
0
Donde:
λ: es tiempo medio de duración inverso: =
Para el caso de los tiempos de atención que se analizan en intervalos, es más

eficiente utilizar la función de probabilidad acumulada, expresándose así:
< = 1 − ∗ !
La prueba de bondad de ajuste toma cualquiera de las dos probabilidades

propuestas y realiza para cada caso el siguiente procedimiento:
• Plantea la hipótesis nula Ho: “F=Fo” y la alterna Ha: “F≠Fo”
20
Ibíd., p. 218.
21
Ibíd., p. 253.
37
• Calcula la media de las ocurrencias de los datos para Poisson y la media de
los tiempos para Exponencial.
• Se realizan categorías de ocurrencia de datos según el rango hasta el valor de

interés que se considere analizar.
• Se calcula cual sería el valor esperado para cada categoría anterior usando la
ecuación del modelo analizado.
• Se agrupan las categorías cuyo valor de pronóstico es inferior a cinco, para no

violar los parámetros de la distribución chi-cuadrado.
• Se utiliza el estadístico chi-cuadrado (X2) para determinar si la distribución de

datos sigue la distribución propuesta mediante la siguiente ecuación:
%
$− $ "
"
= #
$
&'
Donde:
K: numero de clases finalmente conformadas.
Fe: frecuencia de datos esperada
Fo: frecuencia de datos observada
• Finalmente el resultado se calcula utilizando la tabla de chi-cuadrado la cual

exige el numero de categorías k y ciertos grados de libertad v que se obtienen
restándole a k el numero de parámetros calculados y uno, v = k – p – 1.
• Si el valor X2 encontrado es superior al de la tabla se rechaza la hipótesis nula

y si es menor se acepta, determinando en caso positivo seguimiento de los
datos a la distribución propuesta.
Para registrar y analizar la relación entre dos variables en este documento se usan
los conceptos de la tabla de contingencias y análisis de linealidad de Pearson. Las
tablas de contingencia sirven para verificar la independencia
38
En el proceso de verificación, se debe identificar si dos variables tienen relación,
en primer instancia se comprobará independencia estadística, usando la prueba
de chi-cuadrado para tablas de contingencias por medio de la prueba de bondad
de ajuste (Cochran, 1952).
La prueba consiste en identificar una tabla de datos que tenga Ri filas por Cj
columnas como se observa en el cuadro 1, las filas corresponden a valores de la
variable X y las columnas corresponderán a valores de la variable Y, por lo tanto
los valores observados Oij, son las veces que se presenta un valor de la variable X
en presencia de un valor de la variable Y.
Cuadro 1. Tabla de contingencia valores observados
Variable Y
C1 C2 C… Cj Subtotal
R1 O11 O12 … O1j Σ R1

Variable X
R2 O21 O22 … O2j Σ R2
… … … … … …
Ri Oi1 Oi2 … Oij Σ Ri

N=
Subtotal Σ C1 Σ C2 … Σ CJ Σ(subtotales)
Una vez realizado el cuadro anterior se debe realizar una nueva tabla combinando
los subtotales marginales, donde cada nuevo valor observado Oij, será
reemplazado por el valor esperado Eij y es calculado por la siguiente ecuación:
∑ +$ ∗ ∑ ,-
(&) =
.
Estos valores conformaran la nueva tabla de contingencias de valores esperados

mostrada en el cuadro 2.
39
Cuadro 2. Tabla de contingencia valores esperados
Variable Y
C1 C2 C… Cj Subtotal
R1 E11 E12 … E1j Σ R1

Variable X
R2 E21 E22 … E2j Σ R2
… … … … … …
Ri Ei1 Ei2 … Eij Σ Ri

N=
Subtotal Σ C1 Σ C2 … Σ CJ Σ(subtotales)
Posteriormente es realizada la prueba de bondad de ajuste entre las dos tablas,

calculando el siguiente chi-cuadrado:
"
/0&) − (&) 1
"
= ##
(&)
Se plantea hipótesis nula “Ho = las variables X y Y son independientes” y la

alterna “Ha = las variables X y Y son dependientes”, para calcular los grados de
libertad para consultar el estadístico de contraste en la tabla chi-cuadrado se
utiliza la relación v = (r-1)(c-1). Si el valor encontrado X2 supera el de la tabla se
rechaza la hipótesis nula y se declaran variables dependientes.
Por su parte el análisis de linealidad simple de Pearson (Zamora & Fernandez,

2008) se usa para determinar el grado dependencia de una variable Y
dependiendo de los valores de X y así encontrar la ecuación lineal que explique el
comportamiento, realizando pronósticos sencillos.
El procedimiento finalizará con un diagrama de dispersión y valores que darán

una idea muy precisa del grado de correlación y los errores de predicción que se
puede llegar a tener. La profundidad del análisis dependerá de la correlación, si el
valor de correlación no es alto (cercano a 1) se deben parar los análisis, al
identificar que la variable Y no es explicada por la variable X como se muestra en
la siguiente ecuación:
40
2 = 34 + 3 6
En los coeficientes Bo y B1, el coeficiente B1 es la pendiente de la recta y el

coeficiente B0 es el punto en el que la recta corta el eje vertical, conociendo estos
dos valores se puede establecer la recta y verificar el comportamiento esperado.
El valor de Bo se obtiene mediante la siguiente ecuación:
Bo = 29 − 3 69
29: Promedio de valores de Y

Donde:
69: Promedio de valores de X
El valor de B1 es calculado de la siguiente forma:
∑:&' 6$2$ − ∑:&' 6$ ∑:&' 2$

3 =
; ∑:&' 6&" − ∑:&' 6&
"
En el proceso de análisis se obtiene el coeficiente de correlación R2 que explica el

grado de relación entre las dos variables, siendo una variable estandarizada entre
0 y 1, determina el nivel de confianza para aceptar que la variable Y es explicada
por la variable X entre mas se acerque a 1. El coeficiente se obtiene mediante la
siguiente ecuación:
<= >= < ? < <$ = <

," =
<= >= < ?
Finalmente tenemos el error típico en un análisis básico para determinar

correlación, el error típico es la desviación de los residuos que resultan al restar el
valor estimado del valor real en cada punto de proyección, su interpretación esta
en valores de las unidades de Y. Entre menor sea este error, la proyección dada
por la ecuación de estimación determina muy bien el modelo real. Su ecuación
para el cálculo es la siguiente:
∑ 2$ − 29
"
@A = B
;−2
41
5. METODOLOGÍA
Para el desarrollo de este proyecto se requiere en primera instancia hacer una

validación de los datos, por lo cual se seguirán varios pasos que logren determinar
el comportamiento de las llegadas y los tiempos de servicio. El primer objetivo es
la modelación de las llegadas, estableciendo si existe un patrón global o existen
subsistemas de distribución. Es muy importante probar si las llegadas siguen una
distribución Poisson, realizando pruebas de hipótesis utilizando el estadístico chi-
cuadrado.
El tiempo que tome la atención de una orden se tendrá en cuenta como nivel de
servicio y será necesaria la identificación de su comportamiento probabilístico por
medio de pruebas de hipótesis identificando si los datos siguen una distribución
Exponencial.
Una vez se tenga claro el comportamiento del sistema se debe seleccionar el

modelo de colas que asistirá el aplicativo, luego crear la herramienta en Excel
aplicando los criterios estadísticos que apliquen.
Para el ingreso de datos se partirá de lo general y se llegará a lo particular en un

solo gráfico que muestre la capacidad de mantenimiento esperada, teniendo en
cuenta el histórico de mantenimiento de los últimos cinco años.
El sistema soportará el ingreso de órdenes, mano de obra, costos, el calendario de

molienda para un año, política de atraso, política de reducción de órdenes, costos
del personal de mantenimiento, disponibilidad y efectividad en el tiempo de la
mano de obra.
Posteriormente se analizará la forma en que las paradas de mantenimiento

programado restringen las llegadas y estas a su vez afectan la capacidad de
servicio, realizando análisis de correlación entre estos dos factores.
Finalmente se ajusta la herramienta a la última evidencia, se ingresan los datos y

se realiza el balanceo para establecer un cubrimiento al 100% de la necesidad de
mantenimiento. Al terminar la fase final debe quedar un aplicativo desarrollado y
su respectivo manual de usuario.
42
5.1 MODELO PROBABILÍSTICO DE LAS LLEGADAS DE LAS ÓRDENES DE
TRABAJO A LA LÍNEA DE ESPERA
Para realizar el cálculo del patrón de comportamiento de las llegadas de las

órdenes, es importante determinar la aleatoria de las llegadas, para realizar este
paso se debe establecer el periodo de análisis que permita identificar un grupo de
comportamientos específicos, esta ventana de tiempo se debe conservar para
todos los análisis posteriores. Es posible que la variación aleatoria de las llegadas
tenga un comportamiento totalmente desconocido, anormal y no cíclico, en este
caso se debe categorizar el mantenimiento por su naturaleza de lanzamiento
identificando la fuente que la genera y estableciendo la libertad en la aleatoriedad
o si se rige por políticas que sesguen el lanzamiento.
El mantenimiento trae consigo un sin número de variables, para efectos de este

estudio, se deben incluir el mayor numero de situaciones que permitan modelar el
sistema al comportamiento probabilísticamente más real posible.
Identificar la estructura del sistema de mantenimiento en la compañía es el paso a

seguir, en este punto se deben establecer los parámetros y variables de referencia
para modelar todo el sistema en las próximas fases.
Luego de haber estudiado el sistema se debe realizar la descarga del histórico de

órdenes con los campos necesarios para identificar en qué periodo llegó la orden,
la base a consultar debe ser SAP-PM, el rango de datos propuesto para este
estudio será de cinco años.
Al tener organizados los datos se realizará la prueba de hipótesis, utilizando la

metodología de bondad de ajuste y el parámetro chi-cuadrado para determinar si
los datos, siguen o no, una distribución Poisson.
El resultado esperado en esta etapa será la determinación del comportamiento de

las llegadas definiendo exactamente si el comportamiento se adecua a la
distribución propuesta.
43
5.2 NIVEL DE SERVICIO DE LAS CUADRILLAS DE MANTENIMIENTO
Teniendo en cuenta los parámetros establecidos en la fase inicial, se procederá a

establecer el nivel de servicio para las ordenes que cumplan con el
comportamiento de distribución según Poisson, a todas y cada una de estas
órdenes se les debe identificar la duración total del servicio y el esfuerzo requerido
en horas hombre, los cuales servirán para el modelamiento de líneas de espera y
calculo final de la herramienta.
La pretensión de esta fase es identificar si el comportamiento de los servicios

sigue una distribución exponencial, para esto se efectúa el tratamiento estadístico
de agrupación de datos, permitiendo identificar un solo comportamiento del
servicio. En caso que el comportamiento sea muy variable será prueba de que
requiere estratificación pues no será lo mismo un servicio para un equipo u otro.
Se debe realizar la prueba de bondad de ajuste cambiando el estadístico de

prueba a la ecuación de la distribución exponencial para validar con un alto nivel
de confianza si los datos cumplen dicha distribución.
Si los datos no siguen una distribución exponencial se deben establecer las

medias y desviaciones estándar para así ajustar los datos a un modelo de
comportamiento arbitrario o general.
El resultado esperado en esta etapa será la determinación del comportamiento de

los tiempos de servicios, mediante la distribución propuesta para las órdenes que
superaron la fase inicial.
5.3 DESCRIPCIÓN DE UN MODELO INICIAL ASISTIDO POR TEORÍA DE

LÍNEAS DE ESPERA
Se estudiará el comportamiento del sistema de acuerdo a los datos previamente

obtenidos en las dos fases anteriores y se seleccionará el modelo de líneas de
espera que se ajuste a las características del sistema. En este sentido, se tendrán
los insumos para alimentación del modelo con base en los patrones de llegada y
los tiempos de servicio. Además del número de canales (personas, maquinas o
cuadrillas) que participan en el sistema estudiado.
44
Para los datos que no siguen distribución Poisson no podrán ser tratados por
medio de la metodología de líneas de espera, por lo tanto se deberá hacer un
modelamiento estadístico de acuerdo a su comportamiento probabilístico y las
políticas o reglas que rigen su naturaleza en cuanto a las llegadas y el servicio.
En esta etapa se realiza todo el modelamiento de la herramienta en Excel, usando

todos los criterios que sean pertinentes para programar en Visual Basic las
macros, tablas dinámicas, simulación con números aleatorios, el uso de
formulación, búsquedas entre base de datos y enlaces entre diferentes hojas de
datos. Herramientas necesarias para: calcular, enlazar, simular y dirigir el
aplicativo de manera que realice los cálculos pertinentes que conlleven al
resultado inicial de la capacidad de servicio.
La herramienta debe estar en capacidad de soportar el ingreso de los datos
históricos, calendario de mantenimiento, políticas de atraso y reducción de
órdenes y el comportamiento aleatorio de las líneas de espera, que conjugue
todos los puntos anteriores y los interrelacione por medio de las horas hombre,
generando un sistema de demanda y oferta y presentándolo en un solo gráfico de
forma automática.
5.4 INCIDENCIA DE LA OPORTUNIDAD DE MANTENIMIENTO EN LA TASA

DE SERVICIO
En este punto del aplicativo se debe tener identificado, después del análisis de las
llegadas y niveles de servicio así como el desarrollo de la herramienta, cuáles de
los datos son probablemente afectados por la programación y cumplimiento del
mantenimiento programado. Es posible que algunas órdenes requieran de estos
días para cumplirse pero también sean periodos de mantenimiento intensificado
que genere cambios en los comportamientos de llegada especialmente.
En esta etapa es de vital importancia el programa de producción de cada año y el

software SIGIND, estableciendo los días de mantenimiento real que se tiene en
cada mes durante los últimos cinco años.
Una vez se tengan los datos del tipo de orden que se considere es afectada por
los días de mantenimiento, se realizará un análisis mediante tabla de contingencia
y se fidelizará el resultado de acuerdo al análisis de regresión lineal y coeficiente
de Pearson, así como pruebas con modelos no lineales, para determinar si los
días de mantenimiento determinan, o no, el comportamiento de algunas de las
órdenes en especial.
45
El resultado esperado de esta etapa es una determinación precisa de la
correlación, en caso de que sea alta, debe establecerse mediante una ecuación
que explique cómo los días de mantenimiento afectan la variable seleccionada.
En caso de que la relación sea alta para alguno de los modelos, la ecuación
resultante debe incluirse en la predicción del servicio para el tipo de orden de
mantenimiento que afecte, si no hay un correlación alta no se tendrá en cuenta en
las predicciones y la oportunidad de mantenimiento no será tenida en cuenta en
futuros análisis.
5.5 MODELO INTEGRADO A TRAVÉS DE HERRAMIENTA

COMPUTACIONAL Y DESARROLLO DE LA HERRAMIENTA
En esta última fase la herramienta debe estar optimizada completamente, por lo

que no habrá argumentos para no probarla. Se ingresan los datos en su totalidad,
proponiendo un calendario de fábrica similar a los estándares de los ingenios,
adicionando el histórico de órdenes y notificaciones, se deben proponer políticas
de atraso y disminución de órdenes, finalmente ingresar la cantidad de personal
propuesta teniendo en cuenta la cantidad de personal del objeto de estudio, luego
de obtener los resultados se debe balancear usando la metodología de las horas
extras para compensar los faltantes de mantenimiento en los periodos que se
requiera, esto con el objetivo de no tener proceso de contratación y despido.
Un reporte de los resultados obtenidos de acuerdo a la propuesta implementada y

el manual de usuario del aplicativo será suficiente para concluir el proyecto.
46
6. ESTADO ACTUAL: ESTRUCTURACIÓN DEL MANTENIMIENTO
El sistema de mantenimiento de la compañía se estructura mediante la

metodología que propone el software SAP-PM, el modulo PM establece una clara
configuración del mantenimiento preventivo programado basándose en un
parámetro de tiempo, masa o espacio que establece una frecuencia de
lanzamiento de órdenes constante, teniendo un comportamiento muy predecible
basado en la funcionalidad del sistema SAP-PM. Las órdenes producto de esta
programación se consideran OTPP: Ordenes de Trabajo Preventivas
Programadas.
Adicional a este mantenimiento preventivo el Ingeniero y su grupo de trabajo

tienen la habilidad bien sea por medio de observación, experiencia, análisis del
proceso o equipos de predictivo, determinar la ejecución de trabajos preventivos
adicionales al programa anterior. A estas órdenes se les considera OTPE:
Ordenes de Trabajo Preventivas Extraordinarias.
Por otro lado, los daños ocurren en cualquier momento y requieren intervención
inmediata, en algunos casos es preciso cambiar el equipo por uno de repuesto y
en otros casos específicos se debe hacer con el proceso parado, estas órdenes se
consideran OTC: Ordenes de Trabajo Correctivas. A continuación se realizara un
análisis de la forma como cada tipo de órdenes está estructurado.
6.1 ESPECIFICACIÓN DE LAS ÓRDENES DE TRABAJO PREVENTIVAS

PROGRAMADAS (OTPP)
A las ordenes de trabajo programadas se les conoce como programación del

mantenimiento, donde por medio de un software que incrementa o decrementa
una variable (horas producidas, días calendario, semanas calendario, kilogramos
pesados, kilómetros recorridos, entre otras), al cabo del tiempo cuando se cumple
el límite establecido es lanzada a una orden de mantenimiento, independiente de
las condiciones que presente la fábrica o el equipo en ese momento, algunas de
las variables generalmente manejadas son: días, semanas o meses calendario;
horas trabajadas, kilómetros recorridos, kilos medidos, flujo de metros cúbicos,
entre otras.
47
En la figura 4 se observa cuales son las estrategias utilizadas en el ingenio por
medio del sistema SAP PM, siendo INFASE (INCAUCA fabrica semanas) la más
usada por los 600022 planes de mantenimiento existentes.
Figura 4. Estrategias de Mantenimiento INCAUCA S.A.
Fuente. Transacción IP12 Visualización de Estrategias de Mantenimiento, SAP

INCAUCA S.A.
En INCAUCA S.A. se maneja principalmente semanas calendario y las frecuencias

más utilizadas son 4, 8, 12, 16, 26, 52 y 104 semanas, dado que en la empresa el
software que administra el mantenimiento es el SAP modulo PM, y en este hay
una plataforma de planes de mantenimiento los cuales trabajan como se muestra
en la figura 5.
22
INCAUCA S.A. Cantidad de planes de mantenimiento existentes. Transacción IP15, listado de
planes de mantenimiento. SAP-PM. Enero 2012.
48
En este tipo de órdenes los trabajos y recursos están previstos, permitiendo una
preparación y alistamiento adecuado, sin embargo el lanzamiento del nuevo
trabajo depende del cumplimiento del anterior, en este proceso las ordenes
pueden demorase en el inicio o retardarse en la finalización. Esta demora o
retardo se mide respecto a su frecuencia de lanzamiento y establece un indicador
de mantenimiento llamado “Porcentaje de Atraso”.
En el cálculo de la cantidad de órdenes por año se debe tener en cuenta la

probabilidad de atraso y el indicador promedio de porcentaje de atraso, siendo la
realidad ligeramente diferente a la planeación mostrada en la figura 5, en la
medida de la realización a tiempo de las órdenes preventivas.
Figura 5. Simulación de estrategias de mantenimiento INCAUCA S.A.
Fuente. Transacción IP12 Visualización de Estrategias de Mantenimiento, SAP

INCAUCA S.A.
El proceso de planeación de mantenimiento como se indica en la figura 6, se

divide en seis etapas, las cuales se realizan de forma cíclica y continua para los
planes de mantenimiento que el ingeniero establezca para su área.
49
En la primera etapa se realiza la creación de las hojas de rutas, las cuales se
interpretan como una lista de tareas donde se detalla la actividad, la frecuencia y
el tipo de trabajador que se requiere.
En la segunda etapa se enlazan las hojas de ruta con el plan de mantenimiento y

a su vez este realiza la conexión entre: el equipo, el grupo planificador o ingeniero
responsable, estableciendo y controlando la forma de cómo lanzar las actividades
propuestas.
En la tercera etapa es cuando se establece la rutina de programación periódica,

en la cual se revisan todos y cada uno de los planes creando ordenes de
mantenimiento preventivo programado (OTPP) que hayan cumplido su frecuencia
de lanzamiento.
Para la cuarta etapa el ingeniero toma el listado de las órdenes que ha lanzado el
programa y están pendientes y se encarga de alistar materiales, personal y
ejecutar las labores. Por último se realiza el proceso de reporte y cierre técnico de
la orden, dándole continuidad al ciclo.
Figura 6. Proceso de planeación de mantenimiento
Fuente. Manual SAP PLM310 Preventive Maintenance and Service.
50
A continuación se realizara una explicación de cada etapa, para comprender la
naturaleza y comportamiento que caracteriza el mantenimiento programado.
La hoja de ruta o lista de tareas, es un objeto técnico de SAP-PM donde se

describen, las tareas a realizar con el detalle necesario, generalmente se manejan
tres grupos de operaciones: alistamiento, mantenimiento y verificación puesta en
marcha. Este es el grupo ideal de operaciones, sin embargo no es necesario que
se manejen todas, cada empresa realiza su configuración como mejor lo considere
o se ajuste a su necesidad. Cada operación contiene los materiales, tiempos y
personas necesarias para completar la actividad y se configura su funcionamiento
como se observa en la figura 7. Para evidenciar cómo el software maneja estos
procedimientos se tiene un ejemplo de una planificación de actividades para el
cambio de molino que se observa en la figura 8.
Figura 7. Configuración y funcionamiento de una Hoja de Ruta
Fuente. Manual SAP PLM310 Preventive Maintenance and Service.
51
Figura 8. Ejemplo de hoja de ruta, cambio de Molino
Fuente. Transacción IA06 – Visualizar hoja de ruta, SAP INCAUCA S.A.
El plan de mantenimiento es el encargado de enlazar las tareas de las hojas de

rutas con los equipos, a su vez asigna un responsable de la ejecución de la orden
de mantenimiento, este plan guardara los registros de lanzamiento de órdenes y
configurara los tiempos de tolerancia para la apertura de órdenes según la
planeación. En la figura 9 se puede apreciar como el plan de mantenimiento
600000101176 enlaza la hoja de ruta 107049 con el equipo FI02030105, que
corresponde al cambio del molino #1 del Fulton II, a cargo del grupo planificador
F10 – Jefe molino Fulton.
En la figura 10 se encuentra las diferentes programaciones que se han dado en

cada corrida, la lógica de funcionamiento del plan es lanzar la orden para una
fecha que sea 26 semanas después de la fecha de cierre técnico, esperar el
nuevo cierre y lanzar la otra orden con la misma frecuencia.
52
Figura 9. Plan de mantenimiento, datos principales
Fuente. Transacción IP03 – Visualizar plan de mantenimiento, SAP INCAUCA

S.A.
53
Figura 10. Programación del Plan de Mantenimiento
Fecha Inicio Extremo Fecha Cierre Técnico
Fuente. Transacción IP10 – Programación plan de mantenimiento, SAP INCAUCA

S.A.
La compañía realiza la programación o lanzamiento de ordenes en el

departamento de mantenimiento, semanalmente se corre la programación
mediante la transacción IP30 como se observa en la figura 11, la cual realiza un
recorrido por cada uno de los planes verificando que haya cumplido, o no, su
periodo establecido, en caso negativo sigue en espera, en caso positivo lanza la
orden de mantenimiento preventivo OTPP, una vez la orden se lanza queda en la
lista de espera para que el ingeniero encargado programe y realice el
mantenimiento requerido.
Los ingenieros pueden verificar el proceso de lanzamientos pasados y futuros

trabajos que provienen de una programación calendarizada, este proceso se
puede hacer mediante la transacción IP19 como se observa en la figura 12, dicho
procedimiento es regularmente usado para observar el volumen de trabajo, y en el
mismo sentido modificar la mano de obra principalmente con contratos por obra y
aumento de las horas extras.
54
Figura 11. Pantalla de programación de planes de mantenimiento
Fuente. Transacción IP30 – Programación planificación, SAP INCAUCA S.A.
55
Figura 12. Calendario de programación de planes de mantenimiento.
Fuente. Transacción IP19 – Visualización de tomas de planes de mantenimiento,

SAP INCAUCA S.A.
56
El resultado de la programación es esta orden OTPP, ver figura 13, la cual
contiene los datos con que se programó: responsable, actividades, recursos,
equipo y fechas de ejecución.
Figura 13. Orden de mantenimiento preventiva OTPP
Fuente. Transacción IW32 – Visualización orden de mantenimiento SAP

INCAUCA S.A.
57
En conclusión las órdenes de mantenimiento programadas siguen un ciclo de
fechas y periodos como se explica en la figura 14.
Figura 14. Ciclo de una orden de mantenimiento programada
Para conocer cómo llegan las órdenes de mantenimiento se debe tener en cuenta
las fechas expresadas en la figura 14, cada fecha tiene una interpretación
diferente, las llegadas se pueden tomar de la fecha de entrada o de la fecha de
inicio extremo.
Para efectos de este documento se ha tomado como fecha de llegada a la fecha

de inicio extremo, debido a que es en este día donde deben comenzar los trabajos
independientemente del tiempo de anticipación con que sea lanzada la orden de
mantenimiento en el sistema. Por otra parte se identifica en el proceso que los
ingenieros no toman en cuenta trabajos con orden abierta para un futuro muy
lejano, solo revisan las nuevas órdenes que están para realizarse en la siguiente
semana, igualmente existen pocos trabajos especiales que requieren de una
planificación muy anticipada como son el alistamiento y cambio de molino.
Otra variable que es importante tener en cuenta es que cada año llegan equipos
nuevos que introducen planes de mantenimiento adicionales, algunos de estos
equipos tienen menos componentes, lo que elimina sistemas de equipos
anteriores y reduce la cantidad de planes de mantenimiento. Adicional a esto, las
58
políticas de mantenimiento nuevas pueden cambiar la cantidad de planes de
mantenimiento. La política de los últimos años de la gerencia de mantenimiento,
ha sido reducir paulatinamente los planes innecesarios como se observa en la
figura15 y en la medida de lo posible remplazar planes de preventivo con rutas de
predictivo.
Figura 15. Cantidad de planes de mantenimiento activos.
Fuente. Transacción IP15 planes de mantenimiento activos.
6.2 ESPECIFICACIÓN ÓRDENES DE TRABAJO PREVENTIVAS

EXTRAORDINARIAS (OTPE)
Los trabajos preventivos tambien surgen de la decision del ingeniero basado en la

observacion de sintomas anormales de los equipos, deficiencia en las variables de
proceso, deficiencias como bajas velocidades, falta de presion, fugas,
calentamiento, altos desperdicios de sacaroza en bagazo, alta humedad en el
bagazo, entre otros son las situaciones mas comunes que indican problemas en
los equipos. Los ingenieros crean soluciones directas para corregir las
desviaciones funcionales en los equipos por medio de las ordenes de
mantenimiento preventivas extraordinarias OTPE, de manera que se puedan evitar
59
daños mayores y fallas que ocacionen paradas del proceso y altos costos por
reparaciones, estas quedan consignadas en el sistema como se muestra en la
figura 16.
Figura 16. Orden de mantenimiento preventiva extraordinaria OTPE

INCAUCA S.A.
60
Algunos trabajos permiten realizar una planeación y programación relativamente
cortas, generalmente de una o dos semanas, estas órdenes no son cíclicas, son
totalmente independientes de una programación, dependen de las condiciones de
operación y la estrategia de gestión de mantenimiento del ingeniero encargado,
por lo tanto, la llegada de este tipo de ordenes se puede considerar totalmente
aleatoria, no se puede predecir.
La orden de trabajo preventiva extraordinaria OTPE, al igual que las OTPP tienen
un manejo de fechas que permiten verificar su comportamiento, en la figura 17 se
puede verificar como es la gestión de esta clase de orden.
Figura 17. Fechas de una orden preventiva extraordinaria.
Al igual que en las ordenes preventivas programadas, la fecha de inicio extremo

será la fecha en la que se debe comenzar el trabajo. El ingeniero puede
determinar según su prioridad, recursos, producción, entre otras variables, cuando
realizar un trabajo que según su criterio se debe realizar, creando órdenes para
realizarlo dentro de una, dos o tres semanas generalmente.
De lo anterior se puede identificar que la fecha en que el recurso debe ser usado
y la necesidad debe ser atendida será a partir de la fecha de inicio extremo. Es
posible que esta fecha sea modificada sin embargo este movimiento indicará una
reprogramación del trabajo, postergándolo para una fecha futura y esto es
totalmente valido para el funcionamiento del sistema.
61
6.3 ESPECIFICACIÓN ÓRDENES DE TRABAJO CORRECTIVAS (OTC)
Las órdenes de trabajo correctivas provienen de los daños en los equipos. Las
causas de los daños en los equipos son múltiples: repuestos de baja calidad,
equipos mal instalados, atrasos en el mantenimiento, mantenimientos
inadecuados, sobrecargas en proceso, mala operación, entre otras. Estas órdenes
tienen la característica común de que su ejecución es de inmediato, los daños
pueden parar parcial o totalmente la producción, por lo que la restauración del
equipo a condiciones normales de operación se torna prioridad número uno como
se ve en la figura 18, en la que se representa la fecha de entrada, inicio extremo y
ejecución real, la diferencia entre una y otra se representa en horas.
Figura 18. Fechas de orden de mantenimiento correctiva OTC.
La orden OTC al igual que las demás clases de órdenes son creadas en el
sistema y se diferencian de las otras por ser de mantenimiento correctivo. En la
figura 19 se puede evidenciar la orden correctiva y sus campos. En cuanto al
criterio para las llegadas se identifica que la fecha de inicio extremo indica el
momento donde el recurso debe ser empleado, por lo tanto, al igual que las demás
órdenes se puede tener como criterio para las llegadas.
62
Figura 19. Orden de mantenimiento correctiva OTC.

INCAUCA
63
7. ESTADO ACTUAL: ANÁLISIS DE LAS LLEGADAS DE LAS ÓRDENES DE
MANTENIMIENTO
Tomando en cuenta las tres clases de órdenes se consultaron los datos de los
últimos cinco años, la base de datos consultada arrojó datos principales de la
orden como objetivo general, fechas de creación, programación y ejecución real, el
equipo a trabajar, el área y proceso, la criticidad, el estatus del sistema con que se
proceso, el jefe responsable, entre otros como se observa en la figura 20.
Figura 20. Campos de órdenes de mantenimiento
Fuente. Transacción IW38 – Listado Ordenes de mantenimiento molienda año

2007 a 2011, versión Excel 2007-SAP INCAUCA S.A.
64
Se realizaron 8.536 órdenes de mantenimiento para el área de molienda entre los
años 2007 a 201123, efectuando el primer filtro se encontró 840 órdenes que no
contenían todas las fechas, esto sucede cuando: se realizan ordenes de
mantenimiento por error, no son aprobadas, no son viables, son ordenes solo para
el retiro de materiales para el alistamiento, son ordenes para pago de contratos de
servicios a terceros, entre otros.
Debido a que el interés de este documento es analizar si el nivel de servicio

propio, es decir las cuadrillas de mantenimiento contratadas por el ingenio, pueden
llegar a cumplir con la demanda de órdenes de mantenimiento se han tomado en
cuenta solo las ordenes que utilizaran mano de obra propia, teniendo un total de
7.696 órdenes para análisis.
Es de resaltar que la frecuencia de lanzamiento de las órdenes no es diaria,

debido a que hay días festivos en los cuales la programación de órdenes no es
viable.
Es importante tener en cuenta que hay un equipo instalado en el inicio del proceso
el cual marca la pauta, la desfibradora de caña, la cual tiene un sistema de
martillos que deben cambiarse cada quince días, tiempo en el cual se para la
molienda y se aprovecha para realizar diferentes trabajos, debido a esto los
ingenieros toman su programación para un periodo de dos semanas. .
Asumiendo que los posibles ajustes o correcciones en la programación serán bajo

el periodo de producción quincenal, los análisis para las llegadas de las órdenes
se organizaron en grupos de quince días, tomando la cantidad de órdenes que
fueron creadas para realizar en ese periodo, el campo clave de referencia utilizado
fue la fecha de inicio extremo.
De forma preliminar se ha realizado el tratamiento de las llegadas mediante

estadística descriptiva para iniciar el modelamiento del sistema, identificando
principalmente la variación de la cantidad de llegadas de cada clase de órdenes
para los 122 periodos de estudio, obteniendo el resultado que se aprecia en el
cuadro 3.
23
INCAUCA S.A. Listado de ordenes de mantenimiento, [Base de datos en red]
transacción IW38 SAP PM, parámetros: ordenes PMF1 – Correctivas y PMF2 –
preventivas, ubicaciones técnicas molinos, fecha inicio extremo 01.01.2007 – 31.12.2011.
65
En total se tienen históricos de 122 muestras para cuatro tipos de ordenes: OTC,
OTPE, OTPP y TOTALES. De los estadísticos se pueden observar que las OTC y
OTPP son localizados en el lado izquierdo y marcan su tendencia a agruparse
cerca al cero, en cuanto a las OTPE y TOTAL toman su distancia del cero
respecto a las primeras pero su asimetría es a la izquierda. Los datos están
ligeramente agrupados presumiblemente en función de una distribución normal,
los que tienen más ese comportamiento son las OTPP, centrándose alrededor de
las 35 ordenes por cada dos semanas.
Cuadro 3. Resultados estadística descriptiva, análisis llegada del número de

órdenes cada dos semanas.
Estadístico OTC OTPE OTPP TOTAL

Media 3,680 24,393 35,008 63,082
Mediana 3 23 32 61
Moda 2 24 20 54
Desviación estándar 2,657 11,189 19,638 23,943
Coeficiente de Variación 0,722 0,459 0,561 0,380
Curtosis 1,970 1,407 2,671 0,567
Coeficiente de asimetría 1,208 0,820 1,428 0,621
Rango 14 66 108 135
Mínimo 0 0 1 7
Máximo 14 66 109 142
Cuenta 122 122 122 122
W (Ancho Clase) 1 6 9 11
K (# Clases) 12 12 12 12
El rango de variación de frecuencias es alto en todos los tipos de orden siendo el

de menor rango las OTC y el de mayor rango TOTALES, esto genera una
desviación estándar alta para cada tipo de orden demostrando que los datos no
son homogéneos y presentan alta variación. Se puede identificar, con base en el
coeficiente de variación, variaciones alrededor de la media de hasta el 70% para
las OTC y 38% para TOTALES como mínimo valor de variación.
Para realizar la interpretación gráfica de los datos se disponen doce clases, estas
establecen el número de veces que se repitió la llegada de la cantidad de órdenes
que especifica cada clase, en los siguientes cuadros y gráficos se puede observar
el comportamiento de cada clase de orden.
66
Cuadro 4. Número de veces que se presenta cada cantidad de ordenes OTC
OTC
Li Ls Frecuencia
0 1 23
1 2 24
2 3 20
3 4 21
4 5 8
5 6 9
6 7 6
7 8 3
8 9 5
9 10 1
10 11 0
11 12 2

semanas OTC
67
Cuadro 5. Número de veces que se presenta cada cantidad de ordenes OTPE
OTPE
Li Ls Frecuencia
0 6 4
6 12 9
12 18 25
18 24 37
24 30 17
30 36 10
36 42 13
42 48 5
48 54 0
54 60 1
60 66 1

semanas OTPE
68
Cuadro 6. Número de veces que se presenta cada cantidad de ordenes OTPP
OTPP
Li Ls Frecuencia
0 9 5
9 18 11
18 27 34
27 36 28
36 45 18
45 54 11
54 63 5
63 72 3
72 81 2
81 90 2
90 99 1
99 108 2

semanas OTPP
69
Cuadro 7. Número de veces que se presenta cada cantidad de órdenes
TOTAL
TOTAL
Li Ls Frecuencia
0 11 1
11 22 1
22 33 9
33 44 18
44 55 23
55 66 21
66 77 18
77 88 14
88 99 9
99 110 3
110 121 1
121 132 4

semanas TOTAL
70
La prueba de bondad de ajuste para las llegadas de las órdenes de mantenimiento
es determinante para comprobar si se distribuyen mediante una distribución
Poisson, de tal forma que se pueda modelar y predecir su comportamiento por
medio de una ecuación que sigue los parámetros ya identificados.
La prueba de bondad de ajuste consiste en determinar una frecuencia esperada

de acuerdo a parámetros de los datos y la distribución a comprobar, en este caso
Poisson, luego se comparan contra las frecuencias observadas en las mismas
condiciones determinando por medio de una prueba de hipótesis la
correspondencia de las dos frecuencias, el estadístico de prueba es chi-cuadrado
y el nivel de confianza es establecido según la rigurosidad del caso.
En caso de que la hipótesis dé cómo resultado positivo y los datos se distribuyan

de forma Poisson se puede predecir cuál será la frecuencia de llegada de las
órdenes, logrando previsión de recursos de acuerdo al comportamiento histórico.
En el análisis de datos se creó 122 grupos para las 7.696 órdenes, cada grupo
corresponde a quince días calendario desde enero del 2007 hasta diciembre de
2011, y se realizaron las revisiones de forma independiente por cada tipo de orden
como se observa en el cuadro 8.
Cuadro 8. Cantidad de órdenes que llegaron en cada periodo.
Semana Total Semana Total

# OTC OTPE OTPP general # OTC OTPE OTPP general
1 0 18 31 49 62 1 24 27 52
2 4 26 9 39 63 2 48 24 74
3 4 12 23 39 64 7 38 20 65
4 6 22 25 53 65 3 47 27 77
5 3 17 12 32 66 1 31 33 65
6 1 28 35 64 67 1 40 41 82
24
7 0 6 1 7 68 2 26 36 64
25
8 1 18 19 38 69 4 37 22 63
9 4 22 12 38 70 5 16 6 27
10 3 23 30 56 71 3 22 32 57
11 6 19 23 48 72 3 15 27 45
12 4 28 12 44 73 2 12 30 44
13 2 19 29 50 74 1 17 12 30
14 2 7 36 45 75 1 24 21 46
71
(Continuación cuadro 8). Cantidad de órdenes que llegaron en cada periodo.

15 3 24 26 53 76 6 15 37 58
16 3 23 24 50 77 3 15 48 66
17 3 17 10 30 78 4 15 43 62
18 3 31 7 41 79 3 10 33 46
25
19 4 22 17 43 80 7 15 21 43
25
20 0 9 39 48 81 2 22 36 60
21 2 9 20 31 82 9 20 69 98
22 1 13 40 54 83 5 16 52 73
23 6 17 8 31 84 8 25 109 142
24 0 0 19 19 85 2 32 43 77
25 0 0 81 81 86 14 28 46 88
26 1 17 36 54 87 7 26 56 89
27 2 23 46 71 88 2 18 82 102
28 4 26 21 51 89 9 30 18 57
29 1 33 41 75 90 1 41 41 83
30 5 34 44 83 91 2 38 20 60
31 7 21 98 126 92 2 46 38 86
25
32 9 36 29 74 93 7 26 47 80
24
33 0 14 33 47 94 2 17 35 54
34 2 21 24 47 95 5 24 84 113
35 4 24 26 54 96 4 14 16 34
36 2 18 20 40 97 3 31 71 105
37 4 12 20 36 98 4 11 27 42
38 3 24 48 75 99 2 23 63 88
39 10 23 32 65 100 3 17 49 69
40 4 21 19 44 101 9 22 46 77
41 4 23 31 58 102 13 19 46 78
42 4 14 18 36 103 6 24 59 89
25
43 2 5 20 27 104 3 9 21 33
25
44 4 14 21 39 105 2 66 33 101
45 2 15 19 36 106 2 21 54 77
46 3 22 20 45 107 8 20 25 53
47 8 26 42 76 108 1 21 34 56
48 6 30 44 80 109 9 31 58 98
49 4 22 18 44 110 2 26 39 67
50 6 38 23 67 111 4 29 36 69
72
(Continuación cuadro 8). Cantidad de órdenes que llegaron en cada periodo.

51 3 39 28 70 112 2 45 19 66
52 1 23 24 48 113 1 18 14 33
53 1 60 26 87 114 5 25 28 58
54 3 41 46 90 115 3 41 45 89
55 5 23 34 62 116 4 25 33 62
24
56 0 20 34 54 117 2 35 31 68
25
57 2 21 102 125 118 7 26 32 65
58 6 40 31 77 119 6 42 40 88
59 5 39 81 125 120 5 46 38 89
60 3 34 43 80 121 4 24 64 92
61 4 24 61 89 122 0 39 43 82
Los datos del cuadro 8 muestran que en cada semana el número de órdenes que
llegan a la cola por cada tipo no es el mismo, por lo tanto corresponden a
diferentes patrones, este hecho genera que de inmediato se descarte trabajar con
los datos de las órdenes totales porque se generaliza el modelo y no permite
hacer un estudio objetivo.
Cada tipo de orden presenta un comportamiento diferente en el contexto de

mantenimiento de la fábrica, a continuación se explicará cómo se comporta cada
uno.
Para las OTC el comportamiento es libre y totalmente aleatorio, no depende sino

de la probabilidad de falla de cada equipo y esta probabilidad depende de muchos
factores como calidad del equipo, de los repuestos, mantenimiento adecuado,
entre otros.
24
En estos periodos según el cuadro 9, se presento mantenimiento programado, lo que ocasiona
que en la mayoría de los veces no ocurran daños, esto debido a que los equipos están parados y
la probabilidad de falla se reduce al mínimo, casi cero.
25
Aunque en estos periodos se presentó parada de fabrica y la posibilidad de falla es muy baja, es
posible que haya ocurrido un daño durante la liquidación, la realización de un trabajo haya afectado
a otro equipo o en el arranque de fabrica, siendo el momento donde generalmente ocurren las
fallas.
73
Las OTC en algunos periodos no se generan, su situación se deben a diferentes
motivos que fueron consultados en el contexto de la fábrica y se encontró que
pueden ser por:
• No hay daños en el periodo analizado, esta situación es la menos probable

teniendo en cuenta que en los historiales de tiempos perdidos no se encuentran
periodos de producción con tiempo perdido cero por daños.
• No hay producción por políticas de presidencia, estas situaciones se pueden

encontrar en momentos de ausencia de materia prima (caña) por largos
periodos de tiempo, en los cuales la compañía decide parar operaciones a nivel
general. Sin embargo esta situación es la menos probable y en la historia del
ingenio en los últimos diez años esto ha sucedido solo en dos ocasiones.
• Es un periodo de mantenimiento (parada de fábrica), esta situación es la más

común, teniendo en cuenta que anualmente se programan periodos de hasta
quince días para realizar el mantenimiento, disminuyendo la probabilidad de
que un equipo se dañe casi a cero. Por lo tanto se puede identificar que el
mantenimiento programado es el motivo más fuerte para la no generación de
daños en un periodo.
Teniendo en cuenta este último punto, se buscaron todas las semanas donde se
presentó mantenimiento programado de parada de fabrica cada año, el
procedimiento usado fue descargar del Informe Mensual de Fabrica de los años
2007 a 2011 y se extrajo los datos de días de molienda efectiva al año distribuido
por meses y se consolidó en el cuadro 9.
En el análisis se encontró un comportamiento para el mes de abril en todos los

años, la característica común es una baja en los días de molienda, mediante
indagación con los ingenieros de mantenimiento se comprobó que fueron periodos
en los que se paró la producción por varios días consecutivos, siguiendo la
tradición del paro de fabrica anual para “semana santa” en el cual se coordina con
cosecha para suspender el corte de caña y hacer los trabajos más grandes de
mantenimiento.
74
Cuadro 9. Días de molienda efectiva al año
AÑO ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC AÑO
2007 18 20 19 14 18 19 24 28 27 24 20 12 242
2008 20 19 25 15 17 20 25 27 22 19 18 24 222
2009 24 23 25 19 28 24 27 28 27 27 26 25 304
2010 17 19 22 17 17 21 23 26 24 26 17 14 243
2011 24 23 24 15 24 21 27 27 25 22 18 15 264
Fuente. Informe mensual de fábrica, Calidad y Conformidad Fabrica INCAUCA

S.A.
Siendo consecuentes con dicha situación para los meses de abril se busco las
semanas correspondientes según la enumeración de este documento
especificándola en el cuadro 10.
Cuadro 10. Número de periodo para mantenimiento programado real por año.
OBSERVACIÓN PERIODO MES/AÑO

MANTENIMIENTO ANUAL FABRICA 7 ABRIL_2007
8 ABRIL_2007
32 ABRIL_2008
33 ABRIL_2008
56 ABRIL_2009
57 ABRIL_2009
80 ABRIL_2010
81 ABRIL_2010
104 ABRIL_2011
105 ABRIL_2011
Fuente. Informe mensual de fábrica, Calidad y Conformidad Fabrica INCAUCA

S.A.
75
Posteriormente todas las semanas del cuadro 10, se eliminaron del estudio de las
OTC reduciendo de 122 a 113 grupos de quince días, como se ve finalmente en el
cuadro 11.
Realizando la prueba de bondad de ajuste para determinar si los datos siguen una
distribución Poisson, se agruparon según la cantidad de órdenes que llegaron a la
cola por periodo como se observa en el cuadro 11, se calculó la media de los
datos realizando un promedio ponderado de las frecuencias observadas y se
procede a determinar las frecuencias esperadas con estos dos parámetros para
comprobar la prueba de hipótesis planteada así:
Ho: la cantidad de órdenes por periodo siguen una distribución Poisson.
Ha: la cantidad de órdenes por periodo no siguen una distribución Poisson.
Promedio de órdenes por periodo
∑&'
&'4 #?? E
H
< $ $ ∗ >= ;>$ F< G $
$ = = 3,823
? >= ;>$ < F< G <
Frecuencia esperada
>= ;>$ (<

$ #LLAMNONP Q R QAR& O
∗ SAO&N
=
#?? E < $ ¡
∗U ? >= ;>$ < F< G <
Luego se procede a efectuar debidamente la prueba de bondad de ajuste con los

dos parámetros encontrados y resumidos en el cuadro 12. Además de un
reagrupamiento de los datos realizado especialmente para tener frecuencias
esperadas mayores a cinco.
76
Cuadro 11. Frecuencia de llegada de OTC por periodo observada vs
esperada
Frecuencia Frecuencia
Ord/Per Observada Esperada
0 5 2,5
1 14 9,4
2 21 18,1
3 19 23,0
4 21 22,0
5 8 16,8
6 9 10,7
7 5 5,9
8 3 2,8
9 5 1,2
10 1 0,5
13 1 0,0
14 1 0,0
Total general 113 113
Cuadro 12. Prueba de Bondad de Ajuste OTC
Ord/Per Observada Esperada X2
0-1 19 11,9 4,21
2 21 18,1 0,48
3 19 23,0 0,70
4 21 22,0 0,04
5 8 16,8 4,62
6 9 10,7 0,27
26
7 o mas 16 10,3 3,15
X2 13,47
26
ANDERSON, D. R.; SWEENEY, D. J. and WILLIAMS, T. A. Op. cit., p. 489. Estos autores
recomiendan, cuando se realiza la prueba de bondad de ajuste, la tabla de valores esperados, se
debe de reagrupar de forma tal que la sumatoria de los valores esperados sea superior a cinco,
para darle mayor validez a la prueba.
77
Cálculo de grados de libertad.
V < W$F = ;= > E $ <− < > ?>=? <−1
Prueba de bondad de ajuste
>= ;>$ 0F< G − >= ;>$ (< "

6" =
>= ;>$ (<
El resultado fue X2 = 13,47; teniendo en cuenta que se calculó la media para

realizar la distribución Poisson y que se tienen ocho categorías, los grados de
libertad para revisar en la tabla de chi-cuadrado son seis, con estos datos y un
valor de confianza del 99.99% en la tabla, el valor permisible es 22,45, con lo que
concluimos que no hay suficiente evidencia para rechazar la hipótesis nula y por lo
tanto los las llegadas de las órdenes correctivas en cada periodo llegan según una
distribución Poisson.
El mismo proceso se realizo para las OTPE, las cuales presentan un

comportamiento diferente que está muy ligado a la política de generación de
órdenes que tenga el ingeniero y supervisor, estas políticas cambian todo el
tiempo, cada semana y cada año tiene un comportamiento diferente.
Cada parada de producción para mantenimiento incrementa considerablemente la
generación de órdenes para atender y prevenir posibles fallas, estas paradas no
son predecibles exactamente, aunque provengan de una planeación anual es
posible que no se cumplan y sean ejecutadas en periodos distintos.
Incluso en el molino durante los últimos cinco años se ha cambiado siete veces de
Jefe de Operación y Mantenimiento, trayendo nuevas políticas con cada jefe. Esto
hace que el comportamiento sea totalmente impredecible.
Realizando la prueba de bondad de ajuste para verificar si los datos siguen una
distribución se encontró una media de 24,393 para 122 periodos, y se realizaron
los cálculos de chi-cuadrado para verificar si igualmente las llegadas de las
ordenes OTPE siguen una distribución Poisson, como se observa en el cuadro 13.
78
Cuadro 13. Prueba de Bondad de Ajuste OTPE
0 – 16 26 5,88 68,80
17 – 18 12 7,89 2,14
19 3 5,83 1,37
20 3 7,11 2,37
21 6 8,26 0,62
22 8 9,16 0,15
23 8 9,71 0,30
24 9 9,87 0,08
25 3 9,63 4,56
26 8 9,03 0,12
27 3 8,16 3,26
28 1 7,11 5,25
29 2 5,98 2,65
30 4 4,86 0,15
31-32 2 6,74 3,34
33 o mas 25 6,78 49,03
X2 144,20
El X2 fue de 144,20, el permisible de chi-cuadrado en tabla, para 16 categorías y

14 grados de libertad es 36,12 con un 99,99% de confianza. Con lo que
concluimos que hay suficiente evidencia para rechazar la hipótesis y por lo tanto
las llegadas de las órdenes preventivas OTPE en cada periodo no siguen una
distribución Poisson.
En las OTPP se realizo el análisis al igual que en los dos anteriores procesos,
identificando que la aleatoriedad es mucho mayor, es decir el comportamiento
sigue muchas políticas que influyen en la cantidad de órdenes generadas.
Situándose en el contexto que las OTPP provienen de un programa que calcula la

distancia entre la última orden y su frecuencia de mantenimiento para lanzar la
nueva, generando dependencia y no permitiendo que el modelo clasifique como
Poisson, la aleatoriedad es baja pues se puede conocer su comportamiento
encontrando la probabilidad de atraso mediante procedimientos estadísticos
generales.
El programa de mantenimiento se rige también por unas políticas de origen en el

departamento de mantenimiento, el cual determina cuáles planes deben continuar,
cuáles se cumplen o no, para así aumentar o disminuir su frecuencia,
79
constantemente salen y entran equipos en operación lo cual genera mayor
incertidumbre, además el departamento tiene la política de verificar nuevas
técnicas de mantenimiento para cada vez mas dirigirse hacia el mantenimiento
predictivo, lo cual disminuye cada año la cantidad de planes.
distribución Poisson se encontró una media de 35,008 para 122 periodos, y se
realizaron los cálculos de chi-cuadrado para verificar si igualmente las llegadas de
las ordenes OTPP siguen una distribución Poisson, como se observa en el cuadro
14.
Cuadro 14. Prueba de Bondad de Ajuste OTPP
1-25 43 5,92 232,47
26-27 7 6,11 0,13
28-29 4 9,53 3,21
30 2 6,08 2,74
31 4 6,87 1,20
32 3 7,51 2,71
33 5 7,97 1,11
34 3 8,21 3,30
35 2 8,21 4,69
36 5 7,98 1,11
37 1 7,55 5,68
38 2 6,96 3,53
39 2 6,24 2,89
40 2 5,47 2,20
41 3 4,67 0,60
42-43 5 7,06 0,60
44 o mas 29 9,68 38,58
X2 306,73
El X2 fue de 306,73, el permisible de chi-cuadrado en tabla, para 17 categorías y

15 grados de libertad es 37,69, con un 99,99% de confianza, con esto se
determina que hay suficiente evidencia para rechazar la hipótesis nula y por lo
tanto las llegadas de las ordenes preventivas programadas en cada periodo no
siguen una distribución Poisson.
Finalmente se puede concluir que en la etapa del cálculo de modelo probabilístico

de las llegadas de las ordenes de trabajo a la línea de espera, se trabajaran con
80
las OTC mediante la metodología de líneas de espera, debido a que cumple con
los parámetros de una distribución Poisson.
Las ordenes OTPE y OTPP serán incluidas en el desarrollo del modelo en general
pero se trabajaran con un sistema condicionado y estadística descriptiva.
81
8. ESTADO ACTUAL: ANÁLISIS DE LOS TIEMPOS DE SERVICIO DE LAS
ÓRDENES
Teniendo en cuenta la caracterización de las ordenes de mantenimiento es claro

que cada una cuenta con fechas comunes, partiendo de la fecha de entrada que
da la apertura a la orden, seguimos con la fecha de inicio extremo la cual
representa el día para el cual está programado el trabajo, esta fecha marca la
pauta para realizar el análisis de tiempo de servicio. La fecha de inicio extremo
genera el inicio del conteo de tiempo, pasando por la fecha de inicio real y hasta
que es cerrada técnicamente la orden, todo este tiempo que transcurra se
considera en este análisis como tiempo de servicio.
El espacio de tiempo generado entre el inicio programado de la orden y el fin de la

orden se usa para realizar procesos operativos y administrativos, en muchas
ocasiones procesos administrativos limitan o distancian el inicio de la ejecución,
esto se evidencia cuando se requiere un material especializado y problemas de
logística retrasan la entrega de dicho producto por problema de importación, entre
otra situaciones que se pueden presentar, generando un retraso e imposibilitando
el cumplimento del programa no permitiendo iniciar la orden.
La ejecución depende de la naturaleza de cada trabajo, teniendo una amplia gama

de tiempos de ejecución existen órdenes que pueden tomar desde horas hasta
meses incluso pasar de un año a otro.
Un vez finalizada la ejecución el ingeniero y supervisor deben verificar que los

trabajos quedaron totalmente terminados, que los contratos posiblemente
generados y las facturas de repuestos posiblemente no contabilizadas quedaron
finalizados, de tal forma que se procede de inmediato a generar el reporte de
mantenimiento que quedará registrado sobre la orden y se procederá a ingresar la
información al sistema. En la figura 25 se puede observar gráficamente cómo se
comporta el sistema.
La notificación es un proceso fundamental, es el momento donde se ingresa al

sistema toda la información de tiempos y movimientos generados para llevar a
cabo la orden, los datos se ingresan al sistema como se ve en la figura 26. Toda la
información es consignada sobre la orden de mantenimiento, como se ven en la
figura 27 y cuenta con los siguientes componentes básicos:
82
• Fecha de Inicio real: identifica el día en que el colaborador encargado
comenzó a realizar los trabajos operativos.
• Fecha de fin real: representa la fecha cuando el colaborador encargado del

trabajo determina que se han cumplido los requisitos y el mantenimiento ha
sido finalizado.
• Nombre y ficha: representa la identificación oficial de cada una de las

personas que intervinieron en el proceso operativo de mantenimiento.
• Tiempo de notificación: muestra el tiempo que los colaboradores dedicaron a

la realización de este trabajo, es importante tener en cuenta que los procesos
de alistamiento de materiales y herramientas cuentan cómo tiempo dedicado.
• Texto de notificación: es un reporte detallado de los procedimientos realizados

para cumplir con la labor de mantenimiento y un informe final del estado en el
cual el equipo queda para la operación.
Figura 25. Diagrama general de tiempos de una orden de mantenimiento.
83
Figura 26. Formato de reporte de mantenimiento en SAP-PM
Fuente. Transacción IW42 – Notificación de una orden de mantenimiento, SAP

INCAUCA S.A.
Finalmente el sistema crea un registro histórico y codificado claramente

identificado, el cual se puede consultar para futuros análisis, en la figura 28 se
muestra como el sistema presenta la información de una notificación.
Una vez quedan los registros completados se puede identificar cuanto en realidad
tardaron los trabajos, por lo tanto no se puede concluir tiempos de servicio sobre
trabajos que aun no han sido finalizados, para efectos de este estudio se
analizaran de manera independiente por cada tipo de orden, tomando en cuenta
trabajos que estén técnicamente cerrados.
Las ordenes manejan un estatus el cual permite identificar de manera real el

estado de la orden, de todos los estatus que representan la orden tomando
solamente para este caso “LIB.” representando que la orden está abierta todavía,
“CTEC” mostrando que la orden está cerrada. Para este análisis se tomaron 7.406
órdenes de los tres tipos, OTC, OTPE y OTPP.
84
Figura 27. Formato tipo impresión de orden de mantenimiento INCAUCA S.A.
Fuente. Transacción IW3D – Impresión de una orden de mantenimiento, SAP

INCAUCA S.A.
85
Figura 28. Histórico de notificación de la orden de mantenimiento.
Fuente. Transacción IW43 – Visualización notificaciones de una orden, SAP

INCAUCA S.A.
Para continuar con el modelado de la teoría de colas se realizo la prueba de las

OTC, para determinar si el tiempo de servicio se comportan como una distribución
Exponencial, para esto se realizo la prueba de bondad de ajuste utilizando el
paramétrico chi-cuadrado, para este proceso se prepararon los datos como sigue
a continuación.
Inicialmente se tomaron los tiempos de servicio para las 437 OTC que estaban
cerradas, las unidades de medida de los tiempos de servicio son días o fracción
de día, encontrando los datos estadísticos del Cuadro 15.
86
Cuadro 15. Resumen estadístico tiempos de servicios de las OTC
OTC
Media 14,5
Error típico 1,8
Mediana 1,5
Moda 1,0
Desviación estándar 37,9
Varianza de la muestra 1433,4
Coeficiente de variación 260%
Curtosis 60,0
Coeficiente de asimetría 6,5
Rango 473,0
Mínimo 0,0
Máximo 473,0
Cuenta 437,0
Los datos muestran que el tiempo promedio para atender una orden es de 14,5
días, con una desviación estándar de 37,9 días, lo que indica que los datos son
muy dispersos respecto a la media tanto así que tiene un coeficiente de variación
de 260%. Esto se debe a que existe un rango de valores suficientemente amplio
teniendo en cuenta que una orden puede atenderse de inmediato con tiempos
menores a un uno o se pueden demorar hasta 473, lo que indica que la planta
está en capacidad para ciertos equipos aguantar su posición con equipos en
reparación hasta por más de un año. En los datos también se observa que el 50%
de los tiempos están antes de 1,5 días de servicio, con sesgo hacia la derecha de
los datos de las órdenes.
Estos datos determinan que se hace necesario una estratificación de los tiempos
de reparación pues está claro que la dispersión muestra que hay problemáticas
provenientes de diferentes naturalezas de los equipos, teniendo en cuenta que no
es el mismo daño para un motor que para una bomba o un molino, para este caso
se agruparon las ordenes en 10 categorías según el tipo de equipo, como se
muestra en el Cuadro 16.
87
Cuadro 16. Categorías de clasificación de OTC
CANTIDAD DE
CATEGORÍA
ORDENES
BOMBA 84
CONDUCTOR 43
HERRAMIENTA 18
MOLINO 99
MOTOR 81
PUENTE GRÚA 13
REDUCTOR 18
SISTEMA ELÉCTRICO 69
TANQUE 4
TURBINA 8
Total general 437
Al tener estas categorías diferenciadas se procedió a realizar los cálculos, en

primera instancia se agruparon los datos por categoría según el tiempo de servicio
como se observa en el Cuadro 17, donde se tienen las frecuencias observadas por
categoría y división de tiempo. Finalmente con los cálculos obtenidos se realizará
la prueba de hipótesis para los datos:
Ho: el tiempo de servicio de las OTC siguen una distribución Exponencial.
Ha: el tiempo de servicio de las OTC no sigue una distribución Exponencial.
Cuadro 17. Relación de frecuencias de servicio observadas de OTC
FRECUENCIAS OBSERVADAS
Herramie Puente Sistema
Categoría Bomba Conductor nta Molino Motor grúa Reductor eléctrico Tanque Turbina
<0,5 12 11 1 19 7 3 1 22 1 2
0,5<X<1 14 11 6 42 21 3 5 18 1 4
1<X<2 13 5 1 14 5 1 6 4 0 0
1<X<5 7 2 4 11 9 1 2 8 1 0
5<X<10 5 3 1 4 7 1 2 5 0 0
10<X<15 5 4 1 3 8 1 0 3 0 0
15<X<30 10 3 1 4 3 0 1 6 0 2
30<X<60 8 1 3 2 9 1 0 2 0 0
60<X<186 9 3 0 0 11 2 0 1 1 0
>186 1 0 0 0 1 0 1 0 0 0
TOTAL 84 43 18 99 81 13 18 69 4 8
88
Posteriormente se procede a realizar el cálculo matemático para determinar el
promedio del tiempo de servicio y el valor de landa el cual será necesario para
usar en la ecuación exponencial. En las siguientes ecuaciones se encontrara la
forma de calcular estos dos parámetros:
Promedio de tiempo de servicio
∑&'
&' # $
4
< G$>$ $ ∗ >= ;>$ F< G $
$ =
? >= ;>$ < F< G <
Cálculo de λ
1
=
$
Usando estas dos ecuaciones se calcula para cada categoría de equipo los
parámetros como se observa en el cuadro 18.
Cuadro 18. Cálculo del tiempo medio de servicio de las OTC
CALCULO DE LA MEDIA Y λ
Categoría Bomba Conductor Herramienta Molino Motor Puente grua ReductorSistema electricoTanque Turbina
<0,5 6 6 1 10 4 2 1 11 1 1
0,5<X<1 14 11 6 42 21 3 5 18 1 4
1<X<2 26 10 2 28 10 2 12 8 0 0
1<X<5 35 10 20 55 45 5 10 40 5 0
5<X<10 50 30 10 40 70 10 20 50 0 0
10<X<15 75 60 15 45 120 15 0 45 0 0
15<X<30 300 90 30 120 90 0 30 180 0 60
30<X<60 480 60 180 120 540 60 0 120 0 0
60<X<186 1674 558 0 0 2046 372 0 186 186 0
>186 473 0 0 0 473 0 473 0 0 0
TOTAL 3133 835 264 460 3419 469 551 658 193 65
MEDIA MEDIA 37,30 19,41 14,64 4,64 42,20 36,04 30,58 9,54 48,13 8,13
λ LANDA 0,0268 0,0515 0,0683 0,2155 0,0237 0,0277 0,0327 0,1049 0,0208 0,1231
Para obtener los valores esperados, se usará la siguiente ecuación, la cual utiliza
el estadístico de la distribución exponencial.
89
>= ;>$ (<
= /1 − ∗X&ASQ OA PARY&Z&
1∗U ? >= ;>$ < F< G <
Usando esta ecuación se calcula la frecuencia esperada para cada categoría

como se muestra en el cuadro 19.
Cuadro 19. Frecuencia esperada por categoría.
FRECUENCIA ESPERADA
<0,5 1,12 1,09 0,60 10,11 0,95 0,18 0,29 3,52 0,04 0,48
0,5<X<1 1,10 1,07 0,58 9,08 0,94 0,18 0,29 3,34 0,04 0,45
1<X<2 2,16 2,05 1,11 15,47 1,85 0,35 0,56 6,19 0,08 0,82
1<X<5 6,15 5,56 2,91 30,63 5,30 0,98 1,58 15,10 0,23 1,93
5<X<10 9,22 7,55 3,70 22,23 8,04 1,47 2,31 16,67 0,36 1,99
10<X<15 8,06 5,83 2,63 7,57 7,14 1,28 1,96 9,87 0,32 1,07
15<X<30 18,60 10,69 4,14 3,75 16,98 2,92 4,27 11,34 0,78 1,06
30<X<60 20,77 7,21 2,02 0,15 20,24 3,20 4,22 2,84 0,99 0,19
60<X<186 16,24 1,95 0,30 0,00 18,56 2,39 2,49 0,13 1,07 0,00
>186 0,57 0,00 0,00 0,00 0,99 0,07 0,04 0,00 0,08 0,00
TOTAL 84,00 43,00 18,00 99,00 81,00 13,00 18,00 69,00 4,00 8,00
Una vez se tenga la frecuencia esperada se procede a realizar el cálculo del chi-
cuadrado al compararla con la frecuencia observada usando el cuadro 17 y el
cuadro 19. Los resultados de este cálculo se presentan en el cuadro 20.
Cuadro 20. Calculo Chi-Cuadrado.
CALCULO CHI-CUADRADO
<0,5 105,855 89,727 0,259 7,816 38,318 44,425 1,718 96,846 22,229 4,855
0,5<X<1 150,693 92,587 50,215 119,395 426,731 45,125 77,349 64,219 22,481 28,086
1<X<2 54,280 4,240 0,011 0,140 5,349 1,236 52,799 0,772 0,081 0,819
1<X<5 0,117 2,276 0,409 12,580 2,582 0,000 0,114 3,339 2,544 1,931
5<X<10 1,929 2,741 1,971 14,952 0,134 0,148 0,040 8,167 0,356 1,987
10<X<15 1,162 0,576 1,010 2,760 0,103 0,060 1,958 4,778 0,321 1,074
15<X<30 3,980 5,529 2,383 0,016 11,511 2,919 2,507 2,517 0,784 0,825
30<X<60 7,849 5,350 0,475 22,107 6,245 1,508 4,219 0,249 0,995 0,194
60<X<186 3,227 0,565 0,299 0,000 3,079 0,062 2,490 5,956 0,004 0,005
>186 0,317 0,003 0,000 0,000 0,000 0,075 22,363 0,000 0,084 0,000
TOTAL 329,41 203,59 57,03 179,77 494,05 95,56 165,56 186,84 49,88 39,78
90
distribución Exponencial para diez categorías, y teniendo en cuenta que se calculó
el λ según el promedio, se obtiene ocho grados de libertad, se identificó que el
valor permisible de chi-cuadrado en tabla para todas las categorías es 26,12, con
un 99,99% de confianza, comparando el permisible con los datos obtenidos en el
Cuadro 20, se puede notar que hay suficiente evidencia para rechazar la hipótesis,
y por lo tanto los tiempos de servicio para la atención de las OTC no siguen una
distribución exponencial.
Debido a que los datos no siguieron una distribución exponencial para seguir con
el cálculo del modelo de teoría de colas, se consideran los datos bajo una
distribución general y se trabajara por categorías. Considerando sus desviaciones
estándar y las medias como se ven en el Cuadro 21, en donde se puede observar
que la diferencia en el tiempo de servicio de cada uno varía significativamente al
igual que su desviación estándar.
Cuadro 21. Resumen de medias y desviaciones estándar de tiempos de

servicio por categorías
CONDUCTO
Estadístico BOMBA R HERRAMIENTA MOLINO MOTOR
Media 37,30 19,41 14,64 4,64 42,20
Desviación
estándar 43 26 14 8 58
PUENTE SISTEMA TANQU
Estadístico GRÚA REDUCTOR ELÉCTRICO E TURBINA
Media 36,04 30,58 9,54 48,13 8,13
Desviación
estándar 26 69 16 85 11
91
9. DESARROLLO DE HERRAMIENTA COMPUTACIONAL ASISTIDO POR
LÍNEAS DE ESPERA
Como se pudo identificar en la etapa uno, las órdenes de mantenimiento se deben

tratar por separado según su clasificación OTC, OTPE y OTPP identificando las
llegadas según una distribución Poisson solo para las OTC. Cada clase de orden
se tratará de forma independiente como se explicará en los siguientes apartes.
Las OTPP al ser órdenes de naturaleza de mantenimiento preventivo, sus llegadas

dependen de dos factores: el primero y más importante es la frecuencia que se
determina según el fabricante y es modificada por el ingeniero quien decide en
últimas cuál es la frecuencia de mantenimiento adecuada para su condición; el
segundo factor es la probabilidad de atrasarse y que tanto es ese atraso, es decir,
el lanzamiento de la siguiente orden dependerá del cumplimiento efectivo de la
anterior, por lo tanto no se puede asumir un cumplimiento perfecto y que una
orden que se lance una vez por mes genera doce ordenes al año, porque en caso
que una de ellas se atrase por lo menos un mes hará que sean once ordenes en
un año deteriorando el pronóstico.
Las ordenes OTPE al ser de naturaleza de mantenimiento preventivo pero

determinada por el ingeniero a cargo del equipo de mantenimiento, tiene un
carácter aleatorio pero sigue un comportamiento basado en políticas, en este caso
realizar un calendario de mantenimiento al año da una muy buena idea para que el
ingeniero intensifique su mantenimiento especialmente en paradas totales de
fábrica. Finalmente será el director de mantenimiento quien definirá la cantidad de
órdenes que espera crear de acuerdo a sus nuevas políticas, teniendo siempre
como política base realizar el menor mantenimiento posible que garantice un
óptimo funcionamiento de los equipos.
Las ordenes OTC son determinadas bajo el parámetro probabilístico de las teorías
de colas, teniendo en cuenta que las llegadas siguen una distribución Poisson y
los tiempos de servicio son arbitrarios, se concluye que se maneja para este caso
el modelo M/G/1, el termino 1 significa que existe un solo servidor, aunque este
servidor está conformado por un número de personas se consideran todos como
una cuadrilla pues lo que finalmente se evaluara es una oferta de horas de
servicio, las cuales se garantizan teniendo un número de personas determinado.
En este caso es vital categorizar pues cada tiempo de servicio es diferente para
cada tipo de equipo, porque la prioridad, capacidad, repuestos, rutas alternas y
equipos de remplazo marcan la pauta entre la rapidez de atención.
92
El aplicativo desarrollado en este proyecto fue realizado sobre Microsoft Excel®27
un producto del paquete de Microsoft Office, el cual es un paquete de interés
general basado en hojas de cálculo para hacer operaciones, en las cuales se
pueden llevar a gráficos y tablas para la toma de decisiones, una de las ventajas
más importantes es que puede procesar bases de datos muy básicas y es muy
intuitivo.
Por otra parte Excel cuenta con Visual Basic® embebido y se pueden crear
Macros28, Las cuales son conjuntos de instrucciones basadas en acciones que
permiten hacer cálculos y tratamientos de datos en forma repetitiva, automática y
de forma muy rápida, dependiendo de la velocidad del equipo.
Excel permite organizar la información por medio de pestañas para realizar

cálculos independientes, de forma tal que se pueda trabajar por tema, en este
caso se creó un aplicativo en Excel con 16 hojas de cálculo que se pueden
identificar en cada pestaña en su interior.
El aplicativo se basa en una hoja de presentación con botones que enlazan la

navegación dentro de todo el sistema, en la parte inferior se encuentran ubicados
los botones de carga de datos básicos, en este se configuran las políticas básicas,
las bases de datos de los equipos de forma clasificada, las ordenes y sus
notificaciones.
Es importante tener en cuenta que el aplicativo se creó para una empresa grande
que maneje un mantenimiento estructurado bajo el programa SAP modulo PM, los
campos clave y nombres de las variables se crearon concordantes con los de este
modulo, para tener coherencia al momento de descargar los datos, pues este
aplicativo no está diseñado para administrar el mantenimiento sino para
determinar la estrategia del área de mantenimiento adecuada por medio de
análisis históricos que modelen comportamientos y determinen finalmente si la
mano de obra con la cual se cuenta es definitiva. Por lo tanto los resultados
obtenidos dependerán totalmente de la información ingresada y las decisiones que
tome el ingeniero paso a paso a través de la herramienta.
27
MICROSOFT CORPORATION. Microsoft Office Excel TM. [en línea], 2012, [consultado el 15-03-
2012] disponible en: http://office.microsoft.com/es-es/excel/
28
MICROSOFT OFFICE EXCEL TM. Utilización de macros para automatización de funciones. [en
línea], 2012, [consultado el 15-03-2012] disponible en: http://office.microsoft.com/es-es/excel-
help/ahorrar-tiempo-creando-y-ejecutando-macros-en-excel-2010-RZ102337714.aspx
93
Figura 29. Figura pantalla inicial, pool de trabajo del aplicativo.
En los datos básicos se ingresan la política de atraso29, el cual será un porcentaje

que determinará si una orden se considera atrasada o no, es importante tener en
cuenta que esta política es sensible al incumplimiento de ordenes de baja
frecuencia, por lo tanto en INCAUCA S.A. se ha establecido una política de atraso
del 30%, en este caso se tomó el mismo indicador pues se relacionan con los
datos de la compañía, de igual forma en estos datos básicos se ingresa los
tiempos de tolerancia de cierre para las OTC y las OTPE.
En los datos básicos se determinan las fechas de descargue de la base de datos y

el periodo desde cuando se comenzó a hacer el análisis, el programa introduce
por defecto la fecha de fin cinco años después.
El periodo de cinco años se tomó como referencia a un análisis del entorno de los
equipos y sus administradores, en el informe de proyectos consultado en
INCAUCA S.A. se evidenció que en el proceso de molienda han llegado nuevas
tecnologías en sus equipos principales, cambiando seis de sus doce turbinas por
29
La política de atraso es un indicador de razón entre los semanas de demora en la atención de
una orden y la frecuencia de mantenimiento preventivo configurada (OTPP), si no es una orden
programada se debe establecer las semanas permisibles esperadas para el cierre de la orden
(OTC y OTPE). INCAUCA S.A. Caracterización del mantenimiento. Política de atraso.
Departamento de mantenimiento, El Ortigal, 2011.
94
motores eléctricos, el sistema de control cambio, al igual que el sistema de
filtración y las bombas de jugo crudo.
Por otra parte en el periodo de los últimos cinco años la rotación de los ingenieros
de mantenimiento y supervisores del área ha sido alta, en este periodo han
pasado siete ingenieros, esto hace que diferentes políticas sean aplicadas.
Teniendo en cuenta estos movimientos el rango de cinco años fue propuesto con
la presunción de cubrir la mayor cantidad de situaciones que muestren el estado
actual de la molienda. El análisis del rango de tiempo no se debe asignar a ligera y
debe provenir como mínimo de un análisis de la estabilidad de los equipos y los
ingenieros que administran el mantenimiento.
Seguido a los datos básicos se realiza la clasificación de equipos de acuerdo a

las categorías mencionadas en la etapa dos de revisión de los tiempos de
servicios, los equipos en este caso deben estar codificados para que sirva como
campo clave para la relación entre las diferentes tablas de manera que se puedan
realizar los respectivos análisis.
En la sección de cargue de ordenes se relaciona el listado del histórico de los

últimos cinco años de órdenes que fueron creadas. En este aparte es importante
que la información esté debidamente codificada según SAP-PM, para el aplicativo
los campos más importantes de la orden son:
• Número de Orden: este campo es clave porque permitirá relacionar el tiempo

de servicio con los datos básicos de la orden.
• Clase de Orden: campo que determinara la naturaleza de la orden, en este

caso se hizo la relación con la clasificación propia de INCAUCA S.A., donde
PMF1 es igual a OTC, PMF2 con plan de mantenimiento es OTPE y PMF2 sin
plan de mantenimiento es OTPP.
• Equipo: este permitirá relacionar los datos con la clasificación estándar y así
facilitar los análisis.
95
• Estatus: se toman los caracteres que usa SAP para determinar el estado de la
orden y se interpretan en el aplicativo determinando: LIB significa que es una
orden en proceso de tratamiento, CTEC identifica la orden como concluida y
NOTI30 me indica en cualquier estado si la orden fue notificada.
• Plan de Mantenimiento: este campo interrelaciona la programación de

mantenimiento con la orden, permitiendo en primera instancia reconocerla
como una orden OTPE y a su vez trae los datos de su frecuencia para calcular
el porcentaje de atraso.
• Fechas: para el aplicativo es vital contar con las fechas de inicio y fin extremo
y las fechas de inicio y fin real.
En esta sección se realiza el procesamiento de los datos por medio de formulas

para cada orden, cada variable será insumo para los análisis posteriores, en cada
línea se calcula el año y el periodo al cual pertenece teniendo en cuenta que cada
uno se enumera del 1 al 121 representando de ésta manera el número de
periodos en cinco años de análisis, también se identifica a qué periodo pertenece
cada orden como se puede ver en el cuadro 22, se crearon 24 periodos de 15 días
para un año.
La duración del servicio de cada orden se toma, partiendo del hecho que fue una
orden cerrada y notificada, con estas dos condiciones se hace la diferencia entre
la fecha de fin real y la fecha de inicio extremo31, las ordenes que su diferencia sea
0 significará qué duración fue inferior a un día y por lo tanto se determina con el
esfuerzo promedio por empleado la duración en fracción de días.
30
El indicador NOTI es vital para el desarrollo de la aplicación siendo determinante para saber si la
orden tiene fechas de inicio real y final real, las órdenes que no cuentan con este indicador denotan
que no se realizo trabajo físico, por lo tanto no son objetos de este estudio. SAP AG. PLM300
Business Process in Plant Maintenance. Notification of Maintenance Requirements. Germany:
2005.
31
En este punto es vital garantizar que los datos ingresados al sistema tengan la validez del
sistema real, la manipulación de los datos a conveniencia, puede terminar en análisis que no son
propios del proceso, por lo tanto es una política de este aplicativo que los datos ingresados sean
totalmente verídicos.
96
Cuadro 22. Clasificación de periodos quincenales del año.
Periodos del Año

ENE_1 JUL_1
ENE_2 JUL_2
FEB_1 AGO_1
FEB_2 AGO_2
MAR_1 SEP_1
MAR_2 SEP_2
ABR_1 OCT_1
ABR_2 OCT_2
MAY_1 NOV_1
MAY_2 NOV_2
JUN_1 DIC_1
JUN_2 DIC_2
De las fechas descargadas también se obtiene el indicador de tiempo de demora

en la atención, en este caso también es determinante identificar si la orden esta
notificada, si la orden está cerrada y no fue notificada no se tendrá en cuenta y el
resultado será vacío. Por el contrario, si la orden fue notificada la demora
corresponde a la diferencia entre el inicio real y el inicio extremo. Si la orden esta
sin notificar y abierta se realiza la diferencia entre la fecha de descargue de la
base de datos y la fecha de inicio extremo. Finalmente si la orden abierta está
notificada esto indica que comenzó la atención y la demora será la diferencia entre
la fecha de inicio real y la fecha de inicio extremo.
Cuadro 23. Determinación de la demora en la atención
NOTIFICADA SIN NOTIFICAR

U$ [ \ ;>$ ; U$ [ \ ;>$ ;
= >ℎ ^;$>$ , ? = >ℎ [ <> E= 3 < <
ABIERTA
− >ℎ $;$>$ ( − >ℎ $;$>$ (

U$ [ \ ;>$ ; U$ [ \ ;>$ ; = _ >$
= >ℎ ^;$>$ , ?
CERRADA
− >ℎ $;$>$ (
Fuente. Caracterización proceso de mantenimiento INCAUCA S.A.
97
La frecuencia teórica sirve como base para el cálculo del porcentaje de atraso y se
obtiene de las fechas de tolerancia establecidas en las políticas.
Teniendo el tiempo de demora en la atención y la frecuencia teórica se procede a

realizar la división entre estos dos factores, estableciendo un juego de ocho
posibilidades de cálculo dependiendo de la naturaleza de la orden y su estado
actual.
Porcentaje (%) de atraso relativo
U$ [ \ ;>$ ;
% < , ? $G =
>= ;>$ U $>
Según la política de atraso establecida si el porcentaje de atraso relativo supera

ese valor, se considera la orden como atrasada y hará parte de la estadística que
determinará la probabilidad de atrasarse.
En una pestaña adicional se maneja el tema de las notificaciones, se debe realizar

un proceso de descarga de los reportes resumidos de notificación para todas las
órdenes evaluadas en el paso anterior, en esta sección el requerimiento básico
por cada línea de reporte es el número de la orden, ficha del personal que trabajó
y las horas que trabajó.
Con los datos de la notificación se realiza un resumen que indica cuantas horas de
mano de obra requirió cada orden sin importar el número de personas, por otra
parte se realiza el resumen de cuántas horas gastó por empleado en determinada
orden, este ultimo cálculo sirve para obtener la duración del servicio en fracciones
de día.
Para realizar estos análisis se utiliza la metodología de las tablas dinámicas32 ,

ejecutando para cada orden la sumatoria de los registros de notificación creados
cada vez que se notificó un trabajo.
32
Las tablas dinámicas son herramientas estándar del Excel que permiten analizar en un grupo de
datos, creando una tabla interactiva que extrae, organiza y resume automáticamente los datos.
Descripción tomada de: MICROSOFT OFFICE EXCEL TM. Tablas dinámicas y sus funciones. [en
línea], 2012, [consultado el 15-03-2012] disponible:http://office.microsoft.com/es-hn/excel-
help/informes-de-tabla-dinamica-101-HA001034632.aspx
98
En la siguiente fase del aplicativo se realizan análisis de las órdenes, las cuales ya
tienen calculado el número de horas hombre que usó y el nivel de servicio.
El primer análisis que se realiza es el cálculo de la probabilidad de atraso, para

esto se usó la sumatoria de la cantidad de órdenes atrasadas dividido el total de
órdenes. También es calculado el promedio aritmético simple de de los
porcentajes de atraso. Estos dos parámetros son vitales para los cálculos
realizados en la programación de las OTPP, cada una de las siguientes
ecuaciones se aplican por cada clase de orden:
Probabilidad de una orden atrasarse
∑ ; < < <

a F F$?$ < < =
? ; <
Promedio de atraso de una orden.
∑ % < ? $G
a $ % < ? $G =
? ; <
El siguiente análisis consiste en determinar por cada tipo de orden y por cada
periodo estándar establecido: cuantas ordenes llegan, cuál es el promedio de
llegada, la desviación estándar de la cantidad de ordenes de llegada, el máximo
de cantidad de órdenes, el promedio del esfuerzo por categoría de equipo y el
esfuerzo promedio por tipo de orden y por periodo. Todos estos análisis se hacen
de forma automática por medio de las tablas dinámicas.
En la siguiente fase se realiza la configuración de las OTPP, en este el usuario del

aplicativo descarga los planes de mantenimiento que se componen del número del
equipo, el cual debe coincidir con las demás secciones del archivo permitiendo
realizar análisis especiales, además del número del equipo debe colocar el
numero del plan el cual se utiliza también en cada orden que fue creada por medio
del mismo.
La frecuencia de lanzamiento de la orden es el dato más importante en esta

sección, pues determinará cada cuanto se requiere hacer un mantenimiento para
99
cada equipo. Las opciones de unidades establecidas son: días, semanas y meses.
En este caso INCAUCA S.A. maneja su mantenimiento preventivo por semanas.
El siguiente dato necesario para realizar los cálculos de la cantidad de órdenes por
periodo es la última fecha en que se realizo el mantenimiento, es decir, la fecha de
cierre de la última orden que se creó con determinado plan de mantenimiento.
El programa con estos datos básicos realiza una simulación de cuantas ordenes
lanza por periodo para un plazo de cinco años, de tal forma que se pueden
programar mantenimientos con frecuencias de un plazo máximo de cinco años,
cubriendo toda la gama de periodos más comunes.
Para realizar la simulación, se utiliza una macro diseñada especialmente para

colocar el numero de órdenes que saldrán por periodo, estas se ubican en una
grilla que tiene 24 divisiones por cada uno de los cinco años para los cuales se
realiza la simulación, cada periodo está representado por una columna que se
cruza con la fila de cada plan de mantenimiento.
El programa consiste en declarar la fecha inicial del primer periodo en la primer

columna, de ahí en adelante la próxima columna en la cual se ubicará un uno (1)
indicará que hay una orden y esta selección dependerá de los siguientes factores:
la frecuencia, la probabilidad de atrasarse, un numero aleatorio33 y la cantidad
promedio que se atrasa, este cálculo se rige por el cuadro 24.
El programa con estos datos coloca los valores en cada columna para todas las
filas, es decir, para todos los periodos coloca el valor de 1 si aplica dicho periodo y
este análisis lo hace línea por línea.
El tiempo que se toma para hacer el análisis en un equipo de comercial de última

generación34 es de 1 segundo en promedio por cada línea o plan de
mantenimiento considerado, en este caso se tuvieron en cuenta 519 planes y la
aplicación tomó nueve minutos en promedio.
33
Numero aleatorio, es una función de Excel que permite devolver un número entre 0 y 1,
distribuido uniformemente, cada vez que se calcula la hoja de cálculo genera un número nuevo y
diferente. Descripción tomada de: MICROSOFT OFFICE EXCEL TM. Generación de números
aleatorios. [en línea], 2012, [consultado el 15-03-2012] disponible en:http://office.microsoft.com/es-
es/excel-help/aleatorio-HP005209229.aspx?CTT=1
34
Equipo comercial de última generación propuesto para esta aplicación es un computador básico
de escritorio con procesador I3 y 4GB de memoria RAM.
100
Cuadro 24. Cálculo aleatorio de la frecuencia con probabilidad de atraso.
Aleatorio() < Probabilidad de Atrasarse Aleatorio() > Probabilidad de Atrasarse

>= ;>$ >= ;>$ = >= ;>$ b<= $ 1
= >= ;>$ b<= $ 1
+a $ < 0Uaa
De igual forma cada equipo tiene una clasificación, la cual es tenida en cuenta
para determinar en promedio cuanto esfuerzo requiere en horas hombre en el
cumplimiento de una orden OTPP como se ve en la siguiente ecuación.
∑:&' f < ; $ $> < ; > ; 0UUa

(< = c $ 0UaaX&Q S
=
OA Ade&Q &'
;
Donde:
m = cantidad de categorías de equipos.
n = cantidad de ordenes OTPP del histórico de cada tipo de equipo.
Este factor se calcula por cada tipo de equipo, es multiplicado por la grilla que
tiene la cantidad de órdenes por periodo y determina para cada periodo del año
cuanto esfuerzo se necesita.
&'"l )'m
(< = c ? g=$ hAR& O &iñ! k
&' )'
= (< = c $ 0UaaX&Q ∗+ ; $ ; < QAR& O & Nñ )
OA Ade&Q
Con la grilla final de esfuerzo, se realiza los promedios por periodo de los
esfuerzos totales de los cinco años de simulación, obteniendo finalmente un
cuadro de la cantidad de horas hombre que se necesitan por periodo teniendo en
cuenta la cantidad de planes y las frecuencias de mantenimiento planteadas.
a $ < = c $ 0Uaa & &'"l

&'
∑m)' ∑:n' (< = c ? g=$ n QAR& O &iñ! k
=
5
Donde: n = cantidad de equipos con plan de mantenimiento.
101
El siguiente paso es la configuración de las ordenes OTPE, para realizar esta fase
lo primero que se debe establecer es el calendario de mantenimiento, en este
calendario el ingeniero realizará su programación teniendo en cuenta los días que
habrá parada e indicando su duración. El tipo de configuración que tiene
INCAUCA S.A. requiere de una parada corta por cada molino cada quince días,
además la tendencia realizar una parada larga en abril durante el periodo de
semana santa, una parada en junio y otra en diciembre.
Todos estos tiempos de mantenimiento los debe coordinar con producción, ventas,
mercadeo y gerencia para comprometerse con las producciones esperadas por
año y mes, coordinando así altos abastecimiento para periodos de baja
producción.
El ingeniero en su calendario de molienda establecerá para cada periodo

(quincenalmente) los días de mantenimiento programado, los cuales servirán de
base para determinar el número de ordenes OTPE en el sistema.
En la siguiente pestaña contará con el promedio histórico de la cantidad de

órdenes OTPE por periodo, la desviación estándar y el número máximo de
órdenes durante el mismo.
En esta sección se tomará como base inicial el promedio de órdenes, luego se le

sumará tres veces la desviación estándar utilizando la regla empírica35 para
encontrar el 99,7% de las órdenes posibles por periodo.
Sin embargo como se ha mencionado en otros apartes de este documento, la

cantidad de órdenes en este caso depende única y exclusivamente de las políticas
del ingeniero, el usuario de este aplicativo debe tener el poder de decisión para
establecer esa política.
Para cada periodo se debe seleccionar una política de reducción de ordenes

respecto a ese pronóstico inicial que es bastante amplio y en ocasiones supera el
máximo obtenido por ese periodo, además debe tener en cuenta los periodos en
35
Regla empírica ha probado que en la práctica se ha obtenido por la experiencia, teniendo el 68%
de las observaciones a una desviación estándar, el 95% de las observaciones a las dos
desviaciones y el 99,7% a las tres desviaciones estándar. GUTIERREZ, HUMBERTO y VARA
SALAZAR, Román de la. CONTROL ESTADÍSTICO DE CALIDAD Y SEIS SIGMA. Segunda
Edición. México: Mc Graw Hill, 2009 pag.22. ISBN 978-970-10-6912-7.
102
los cuales decidió parar la fabrica y que la política de reducción será difícil de
aplicar porque el mantenimiento será intensivo. En este aparte por medio de
observación y decisión se establece finalmente la cantidad de órdenes para cada
periodo.
Como estas órdenes son aleatorias tienen algo en común, generalmente son
revisiones o mantenimientos periódicos o rutinarios que terminan realizándose en
periodos de tiempo relativamente iguales.
(< = c $ $ 0Ua( & "l

&'
∑:)' f < ; $ $> < ; > ; 0Ua()
=
;
Donde:
n = cantidad de ordenes OTPE del histórico en cada periodo.
Para esta aplicación se considera pertinente utilizar el promedio del esfuerzo en

cantidad de horas hombre, promedio que al multiplicarlo por la cantidad de
órdenes propuestas, genera finalmente la necesidad de hora hombre para ejecutar
las OTPE.
(< = c $ $ 0Ua(& &'"l

&'
= (< = c $ 0Ua(& ∗ + ; $ ; < ; < $> &
Esta sección cuenta con gráficos que le ayudan a dimensionar la cantidad de

órdenes y la diferencia entre el máximo de órdenes en cada periodo, para no
excederse y utilizar la política de tener la menor cantidad de mantenimiento de
manera que se garantice la mayor producción posible.
El proceso de configuración de ordenes termina con la determinación de la

cantidad de ordenes OTC en el sistema, para estos efectos se usará el conjunto
de ecuaciones que pertenece a la línea de colas del sistema M/G/1, empleando
para ello las ecuaciones que aparecen a continuación. Es importante tener en
cuenta que se deben aplicar a cada categoría; del historial se obtiene el promedio
de las llegadas por periodo, la duración del servicio en periodos y la desviación
estándar.
103
Probabilidad de que no haya ordenes en el sistema.
a = 1 −
Número promedio de órdenes en la línea de espera.
p +
" " "
Wg =
2 1−
Número promedio de órdenes en el sistema.
W = Wg −
Tiempo promedio que una orden pasa en la línea de espera.
Wg
qg =
Tiempo promedio que una orden pasa en el sistema
1
q = qg +
Probabilidad de que una orden que llega tenga que esperar.
ar =
Donde:
µ= Duración promedio del servicio (periodos quincenales)

σ= Desviación estándar de la duración del servicio (periodos quincenales)
λ= Cantidad ordenes promedio (ordenes por periodo quincenal)
104
En esta sección se obtienen los datos por cada categoría y se aplican todas las
ecuaciones, la variable que más interesa es la ecuación que determina la cantidad
de órdenes en el sistema la cual servirá como base para realizar el pronóstico
final.
Como se evidenció en el capitulo número siete de este documento, el pronóstico

del modelo de líneas de espera no tiene relevancia para los periodos de alto
mantenimiento, partiendo del hecho que los equipos parados por mantenimiento
no sufren daños sino intervenciones preventivas. Por lo tanto, el modelo final se ve
afectado por la cantidad de mantenimiento, limitando el pronóstico a una
proporción de la cantidad de días de producción.
Pronóstico final de la cantidad de ordenes OTC36.
&'"l )'S
+ ;$ $; ? 0U+ QAR& O & X&Q Ade&Q )
&' )'
[$ < ; ;$ $ ; E QAR& O &
= WX&Q 1 −
Ade&Q k
[$ < > ? ; $ QAR& O &
Donde:
m = cantidad de categorías de equipos analizados en OTC
Para estandarizar el modelo con los otros dos tipos de órdenes, se obtiene para
cada tipo de equipo el esfuerzo promedio en horas hombre de toda la población de
datos. Al multiplicar la cantidad final de ordenes por el esfuerzo se obtiene
finalmente la cantidad de horas hombres necesarias para atender los daños por
periodo.
(< = c $ 0U+X&Q OA Ade&Q S

)'
∑:&' f < ; $ $> < ; > ; 0U+
=
;
Donde:
n = cantidad de ordenes OTC histórico en cada categoría de equipo.
36
La ecuación de cantidad final de OTC se propone en este documento para limitar el cálculo de
las líneas de espera teniendo en cuenta el análisis realizado en el capitulo siete, el propósito es
disminuir la cantidad de ordenes OTC de manera proporcional a los días en que se realiza parada
programada considerando así que el modelo de líneas de espera no es válido estos días, donde se
esperan cero daños.
105
(< = c $ $ 0Ua(& &'"l
&'
S
= # (< = c $ 0U+X&Q Ade&Q )

)'
∗+ ; $ $; ? 0U+QAR& O &tuv! wxyuv! k
Cuando ya está terminado el cálculo de la demanda de horas por cada tipo se

consolida sumando cada porción necesaria de horas en cada periodo para las
OTPP, OTPE y OTC.
"l
(< = c ? = # (< = c $ $ & 0Uaa + 0Ua( + 0U+

&'
Una vez se conoce el valor final demandado, el paso final es realizar el inventario
de mano de obra para cuantificar cuanta oferta se tiene para atender todo el
mantenimiento propuesto en las demás fases
Primero se establece por cada cargo la cantidad de personas y su categoría, para

INCAUCA S.A. se tiene un sistema de personal obrero clasificado en 14
categorías siendo la 1 la mejor remunerada y la 14 la menor remunerada, lo cual
es directamente proporcional con el grado de calificación del personal. Con este
inventario de empleados se pasa a realizar un resumen por categoría de la
cantidad de personas con las cuales se cuenta.
Luego se realiza la tabla que contiene por cada categoría el salario por hora, en
ese campo es importante colocar no solamente lo que se gana el mecánico o el
soldador en el contrato, es necesario incluir el factor prestacional, herramienta,
dotación, transporte y supervisión.
Para tener certeza del factor de corrección es recomendable realizar un estudio

del costo del departamento de servicio en diferentes meses, y compararlos con las
personas y sus categorías para determinar la incidencia.
Para efectos prácticos de este estudio se consideró una disminución del 6% entre
cada categoría y como base de la primer categoría se investigó cuanto se gana un
obrero de primera categoría y se multiplica por 1,8, obteniendo finalmente para la
categoría inicial un valor promedio de hora hombre de $14000 pesos colombianos.
106
Al tener lista la tabla de categorías se realiza la tabla de tiempo disponible, en este
se evalúa cuanto se espera que trabaje una persona en horario ordinario por día,
cuantos días al mes y cuantos meses al año, teniendo en cuenta que las personas
tienen derecho a una quincena de vacaciones, generalmente se incapacitan y
piden permisos que no permiten garantizar que todas las personas trabajaran el
100% de su jornada laboral al año.
Cada empresa tiene un perfil de ausentismos propio de cada personal, este

estudio es importante que se realice para saber exactamente en promedio con
cuantas horas hombre se cuenta al año. Para efectos del mismo se tomó el
estándar de una persona que trabaja siete horas al día, 24 días al mes y 11,5
meses al año.
Luego se tiene en cuenta un factor de efectividad del personal, para este caso se
mide por categorías, la efectividad se interpreta como la capacidad que tiene una
persona de cierto nivel de cualificación para resolver los problemas y adversidades
que se presenten durante la ejecución de una orden y no se pierdan horas hombre
en los trabajos.
En este estudio se determinó una efectividad del 98% para la categoría 1, una
disminución del 0,5% hasta llegar a la categoría 14 con una efectividad del 92%.
Este parámetro es basado en la experiencia del ingeniero y la calidad del grupo
que tenga a su cargo, es importante hacer una evaluación de las capacidades y
determinar estos porcentajes porque en ese proceso se dará cuenta realmente
qué tipo de capacitación tiene su personal.
El aplicativo distribuye de forma ecuánime el tiempo del personal, tiene en cuenta

que las personas saldrán a vacaciones de forma seccionada, por lo que genera
una plantilla constante de personal activo para el mantenimiento.
En esta sección existe un parámetro de horas extras que servirá para ajustar el
personal a las necesidades de mantenimiento que se presenten. En primera
instancia se establece un modelo sin horas extras y se compara con la necesidad
de horas para trabajar, ajustando en lo posible con horas extras la cantidad que se
requiera cuando existan picos de mantenimiento como son las paradas
programadas de fabrica.
A partir de este punto se comienzan a realizar los análisis, lo primero que se

verifica es si la capacidad de mantenimiento es necesaria para todos los periodos
107
y en cuales de estos se necesita de horas extras ajustando la mano de obra donde
se requiera.
En la grafica 30 se observa como una oferta constante de mano de obra no es

suficiente para todos los periodos, especialmente en aquellos donde existe mayor
mantenimiento.
Luego de revisar y ajustar los tiempos extras es necesario revisar si esta

configuración de mano de obra genera unos costos que sean competitivos contra
el histórico. Este proceso debe ser reiterativo hasta que se logren los resultados
esperados, siempre en lo posible buscando una disminución en el costo, como se
observa en la figura 31.
Figura 30. Comparativo del nivel de servicio.
En la figura 32 se puede identificar como es la distribución propuesta mes a mes

del valor de la hora hombre, con este indicador se puede realizar análisis del
grado de competitividad que tiene la cuadrilla con respecto a otra en cuanto al
precio que incurre por cada hora laborada.
108
Figura 31. Comparativo de costos de personal de mantenimiento.
Figura 32. Costo hora hombre de mantenimiento
En el caso que los costos no sean los esperados se debe reducir las horas extras
a cero y devolverse a la configuración de las OTPE, modificar la política de
reducción, tornándola más estricta o ampliando los periodos de mantenimiento en
las ordenes OTPP.
Además de estos indicadores propuestos de la herramienta, se cuenta con otros

indicadores propios de mantenimiento que mostraran como fue desarrollada la
gestión del mantenimiento en los últimos cinco años.
109
Para este aplicativo se propone el porcentaje de atraso en el cumplimiento de las
órdenes el cual es clave para revisar como el cumplimiento del mantenimiento se
hace a cabalidad y las estrategias hacen que se pueda cumplir con lo programado.
Figura 33. % histórico de atraso.
En la herramienta se propone también el indicador de la cantidad de órdenes en el

sistema por mes, para dimensionar como está estructurado el mantenimiento en
cuanto a planeación se requiere, teniendo en cuenta que el mantenimiento mas
programado es el que se rige por semanas.
Figura 34. Cantidad de órdenes en el sistema por tipo de orden
110
10. ANÁLISIS DE LA INCIDENCIA DE LA OPORTUNIDAD DE
MANTENIMIENTO EN EL SERVICIO
En INCAUCA S.A. se requiere de tiempo programado para mantenimiento, en la

empresa se realiza por medio del calendario de molienda observado en la figura
35, se identifican los días que la gerencia de fabrica determina para
mantenimiento con el color amarillo y en verde se encuentran los días que se
destinaran para la molienda, en general para el año 2011 se determinaron 318
días de molienda y 47 días de mantenimiento distribuidos en todos los meses con
paradas de varios días durante los meses de abril, junio y diciembre.
Figura 35. Calendario de molienda
Fuente. Gerencia de Fábrica INCAUCA S.A.
111
Los ingenieros de forma reiterativa indican que la oportunidad de mantenimiento
es reducida, lo que afecta sus programas de mantenimiento e incrementa sus
indicadores de atraso e incumplimiento, sin embargo la figura 36 de oportunidad
de mantenimiento muestra a través de los años la gerencia de fabrica cumple con
los tiempos de mantenimiento en general, cumpliendo con el tiempo que otorga a
los ingenieros de mantenimiento en el año en un 95% o más.
Figura 36. Oportunidad de mantenimiento
Fuente. Dirección de Mantenimiento INCAUCA S.A.
La cantidad de días de mantenimiento influyen en la capacidad de servicio en la

medida en que se incluya más o menos trabajo en órdenes de mantenimiento al
sistema.
En apartes anteriores se identificó que los comportamientos de las OTPP se rigen

por medio de la programación de frecuencias y un factor de cumplimiento, por lo
tanto su dinámica de lanzamiento no dependen de ninguna manera de los días de
mantenimiento.
112
Aunque llegasen a coincidir la cantidad de OTPP con el aumento o disminución de
los días de mantenimiento, la naturaleza del sistema no podrá sostener en el
tiempo esta coincidencia, teniendo en cuenta que en el momento que se incumpla
en algún plan de mantenimiento la sincronía propuesta se perderá.
Por su parte las OTC son aleatorias y siguen una distribución Poisson
generalmente, pero se encontró que en los periodos que hay parada de fábrica no
se esperan daños, siendo su tendencia a cero cuando existen paros muy largos.
Para este aplicativo se determina que el modelo de colas no aplica para los días
donde hay parada de fábrica, reduciendo así las correctivas en los periodos que
tengan paradas largas.
Finalmente las ordenes OTPE son las más susceptibles a aumentar cuando se
hacen paros para mantenimiento, se presume que el ingeniero intensificará los
trabajos a realizar durante las paradas y estas órdenes pueden afectar la
capacidad de respuesta en general, para probar esta hipótesis se desarrolló la
prueba de regresión lineal donde se espera que los días de parada de
mantenimiento expliquen el aumento o disminución de las OTPE. Para este caso
se establece la siguiente prueba de hipótesis:
Ho: los días de mantenimiento explican la cantidad de OTPE
Ha: los días de mantenimiento no explican la cantidad de OTPE
Inicialmente se descargo del SIGIND® los datos de molienda de los últimos 5

años, en el cual se encontró los días de molienda para cada periodo, al cruzarlos
con los días calendario se encontró los días de mantenimiento programado como
se muestra en el cuadro 25. La otra variable para el diagnostico son las ordenes
OTPE por periodo que se consolidan en el cuadro 26.
113
Cuadro 25. Días de molienda, calendario y mantenimiento
DIAS DE MOLIENDA
AÑO ENE_1 ENE_2 FEB_1 FEB_2 MAR_1 MAR_2 ABR_1 ABR_2 MAY_1 MAY_2 JUN_1 JUN_2 JUL_1 JUL_2 AGO_1 AGO_2 SEP_1 SEP_2 OCT_1 OCT_2 NOV_1 NOV_2 DIC_1 DIC_2
2007 10 8 15 5 15 4 8 6 8 10 12 7 14 10 14 14 14 13 10 14 10 10 12
2008 12 8 10 9 13 12 11 4 10 7 13 7 12 13 14 13 11 11 10 9 10 8 14 10
2009 9 15 10 13 12 13 4 15 15 13 14 10 11 16 12 16 12 15 12 15 14 12 14 11
2010 6 11 9 10 12 10 2 15 11 6 8 13 14 8 12 14 12 12 15 11 6 11 3 11
2011 12 12 10 13 14 10 - 15 12 12 7 14 16 11 15 12 10 15 11 11 10 8 12 3
DIAS CALENDARIO
2007 15 16 15 13 15 16 15 15 15 16 15 15 15 16 15 16 15 15 15 16 15 15 15 16
2008 15 16 15 14 15 16 15 15 15 16 15 15 15 16 15 16 15 15 15 16 15 15 15 16
2009 15 16 15 13 15 16 15 15 15 16 15 15 15 16 15 16 15 15 15 16 15 15 15 16
2010 15 16 15 13 15 16 15 15 15 16 15 15 15 16 15 16 15 15 15 16 15 15 15 16
2011 15 16 15 13 15 16 15 15 15 16 15 15 16 15 15 16 15 15 15 16 15 15 15 16
DIAS DE MANTENIMIENTO PROGRAMADO

2007 5 8 - 8 - 12 7 9 7 6 3 8 1 6 1 2 1 2 5 2 5 5 3
2008 3 8 5 5 2 4 4 11 5 9 2 8 3 3 1 3 4 4 5 7 5 7 1 6
2009 6 1 5 - 3 3 11 - - 3 1 5 4 - 3 - 3 - 3 1 1 3 1 5
2010 9 5 6 3 3 6 13 - 4 10 7 2 1 8 3 2 3 3 - 5 9 4 12 5
2011 3 4 5 - 1 6 15 - 3 4 8 1 - 4 - 4 5 - 4 5 5 7 3 13
Fuente. Días de molienda variable DHAPRFE, Boletín Diario PRGANO, SIGIND

INCAUCA S.A.
Cuadro 26.Cantidad de ordenes OTPE por periodo
CANTIDAD DE ORDENES OTPE POR PERIODO AÑO POR AÑO

AÑO ENE_1 ENE_2 FEB_1 FEB_2 MAR_1MAR_2 ABR_1 ABR_2 MAY_1 MAY_2 JUN_1 JUN_2 JUL_1 JUL_2 AGO_1AGO_2 SEP_1 SEP_2 OCT_1 OCT_2 NOV_1 NOV_2 DIC_1 DIC_2
2007 21 26 9 22 17 28 11 18 18 23 19 28 26 7 19 23 18 31 19 9 15 13 10
2008 11 17 23 26 32 34 17 36 24 21 13 18 23 24 21 21 12 14 14 14 24 22 23 30
2009 41 38 46 23 34 41 26 20 34 40 27 34 43 24 54 38 40 31 37 26 22 18 12 14
2010 24 18 15 13 10 15 22 20 16 22 32 22 26 33 30 22 38 37 26 47 24 8 31 16
2011 23 16 22 14 24 19 66 14 20 26 31 22 29 42 18 34 41 15 35 31 42 53 24 41
Fuente. Transacción IW38 listado de órdenes, SAP INCAUCA S.A.
Para el procesamiento inicial de los datos se creó la tabla de contingencias que se

observa en el cuadro 27 para determinar la dependencia o independencia entre la
cantidad de días de mantenimiento y la cantidad de OTPE en el sistema, se
plantea la siguiente prueba de hipótesis:
Ho = los días de mantenimiento son independientes de las cantidad de ordenes

OTPE.
Ha = los días de mantenimiento son dependientes de las cantidad de ordenes

OTPE.
114
Cuadro 27. Tabla de contingencias entre días de mantenimiento y cantidad
de OTPE
DiasMtto
0-2 3-5 6-8 9-11 12-15 Total
Ordenes
0-10 2 3 1 0 0 6
11-14 4 7 2 0 0 13
15-18 4 7 5 1 0 17
19-22 8 6 3 2 1 20
23-27 10 9 2 3 0 24
28-31 3 2 3 0 2 10
32-35 2 5 2 0 0 9
36-40 2 5 0 1 0 8
41-46 0 6 1 0 1 8
47-66 0 2 1 0 1 4
Total 35 52 20 7 5 119
Se realiza el cálculo de la tabla de contingencia esperada, de acuerdo a la

metodología propuesta para comprobar independencia, la cual permitirá contrastar
correspondencia realizando la prueba de chi-cuadrado, encontrando los resultados
del cuadro 28.
Cuadro 28. Tabla de contingencia frecuencia esperada entre días de

mantenimiento y cantidad de OTPE
DiasMtto
Ordenes 0-2 3-5 6-8 9-11 12-15 Totales

0-10 1,76 2,62 1,01 0,35 0,25 6
11-14 3,82 5,68 2,18 0,76 0,55 13
15-18 5,00 7,43 2,86 1,00 0,71 17
19-22 5,88 8,74 3,36 1,18 0,84 20
23-27 7,06 10,49 4,03 1,41 1,01 24
28-31 2,94 4,37 1,68 0,59 0,42 10
32-35 2,65 3,93 1,51 0,53 0,38 9
36-40 2,35 3,50 1,34 0,47 0,34 8
41-46 2,35 3,50 1,34 0,47 0,34 8
47-66 1,18 1,75 0,67 0,24 0,17 4
Total 35 52 20 7 5 119
115
Aplicando la prueba de bondad de ajuste entre las dos tablas se obtienen los
resultados parciales del cuadro 29, para cada conjunto de datos:
Cuadro 29. Resultados parciales cálculo prueba bondad de ajuste para

independencia
0-2 3-5 6-8 9-11 12-15

0-10 0,031 0,055 0,000 0,353 0,252
11-14 0,008 0,306 0,016 0,765 0,546
15-18 0,200 0,025 1,607 0,000 0,714
19-22 0,762 0,859 0,039 0,576 0,030
23-27 1,225 0,211 1,025 1,787 1,008
28-31 0,001 1,285 1,036 0,588 5,940
32-35 0,158 0,290 0,157 0,529 0,378
36-40 0,053 0,647 1,345 0,596 0,336
41-46 2,353 1,794 0,088 0,471 1,311
47-66 1,176 0,036 0,160 0,235 4,118
Al realizar la sumatoria de estas fracciones parciales de la formula, el X2 = 37,48,

el cálculo de los grados de liberta se realiza con diez filas con cinco columnas,
siendo v = (10-1)*(5-1) = 36, consultando en la tabla de chi-cuadrado el valor
permisible para 36 grados de libertad y un 99.99% de confianza es 67,98. Como
X2 = 37,48 < 67,98 con estos datos no se es incapaz de rechazar la Ho hipótesis
nula, demostrándose que los días de mantenimiento y la cantidad de ordenes
OTPE son independientes.
Para potencializar mas el análisis se probara la correlación con modelos lineales y

no lineales, para comenzar se realizara una regresión lineal, empleando como
referente de contrastación el coeficiente de correlación de Pearson obteniendo los
resultados observados en el cuadro 30.
116
Cuadro 30. Resultados de los cálculos de regresión lineal entre días de
dependiente)
Estadísticas de la regresión
2
Coeficiente de determinación (R ) 0,0438
Error típico (Se) 10,5063
Intercepción (B0) 22,08403
DÍAS MTTO (B1) 0,68638
La relación de los días de mantenimiento y la cantidad de órdenes, muestran que

tiene baja relación porque se observa un coeficiente de determinación R2 de
0,0438, y arroja la siguiente ecuación:
+ ;$ ; < = 0,68638 ∗ [$ < ; ;$ $ ; + 22,08403
Esta ecuación determina el pronóstico de la cantidad de órdenes debido a los días

de mantenimiento y se obtiene muy baja correlación, lo que no permite tener una
confianza en la predicción, negando la posibilidad de ser utilizada como variable
determinante en el modelo general, pues el nivel de confianza de esta ecuación
solo es del 4,3%
El error típico de 10,5063 muestra alta variación respecto al valor de pronóstico,

las desviaciones de los residuos son bastante altas teniendo en cuenta que el
corte con el eje vertical es de 22,08,+/-10,5 órdenes de error es un pronóstico muy
pobre de baja precisión, atenuando mas las dudas para tomar esta relación como
importante.
Para observar este análisis de forma grafica se presentan las figuras 37 y 38 del
pronóstico y se contrastan con los datos reales.
117
Figura 37. Pronóstico de la cantidad de OTPE según los días de
mantenimiento
Figura 38. Residuales del pronóstico de la cantidad de OTPE según los días
de mantenimiento
118
En las figuras 37 y 38 se puede observar la baja correlación y la gran dispersión
de la cantidad de órdenes respecto a la cantidad de días por periodo,
explicándose esto por varios motivos que se encuentran a continuación:
• El ingeniero intensifica los trabajos en las paradas de fábrica, lo que puede

generar un número alto de órdenes en las paradas.
• En ocasiones el mantenimiento es alto pero concentrado en pocos equipos,

reduciendo la cantidad de órdenes en el sistema.
• Las órdenes dependen directamente del número de equipos a atender, pues

en el sistema SAP-PM no es posible atender con una sola orden varios
equipos.
• El ingeniero puede por facilidad emplear una orden poco especificada y

notificar varios trabajos sobre esta, practica poco recomendada, pero se
puede llegar a dar por disminuir la cantidad de ordenes en el sistema al verse
presionado por indicadores.
• La necesidad no es la misma en todos los periodos, existiendo situaciones

donde las fallas, los análisis o el predictivo, muestre que es necesario
intervenir varios equipos, pero en otras ocasiones los análisis pueden mostrar
que las cosas están bien.
• Los análisis para determinar eventos extraordinarios o deficiencias en el

proceso, pueden hacerse con mayor frecuencia en un periodo de tiempo y con
menor en otro. Debido a que la disponibilidad de analistas para esta área es
variable genera distintos niveles de profundización de los análisis, al haber
más análisis la probabilidad de encontrar más eventos aumenta.
• El personal que hace los análisis y hasta el ingeniero que toma la decisión de
hacerlos puede cambiar al ser movido de área, promovido o despedido, por lo
cual se afecta el criterio de análisis.
Para contrastar la relación entre los días de mantenimiento y el numero de

ordenes con modelos no lineales para verificar se presenta el cuadro 31 que
119
muestra la ecuación y los coeficientes de determinación para contrastar el modelo
y tomar la decisión de utilizar dicho pronostico.
Cuadro 31. Resultados correlaciones no lineales entre días de

dependiente)
Tipo de Modelo Ecuación R2
2
Polinomica Grado 2 y = 0,1165x - 0,6338x + 24,362 0,0686
3 2
Polinomica Grado 3 y = 0,0488x - 0,8095x + 3,5902x + 21,143 0,1368
0,0237x
Exponencial y = 20,657e 0,0315
Potencial No permite ceros en el calculo -
Logarítmica No permite ceros en el calculo -
En este tipo de modelos no lineales al igual que el lineal no presentan una

relación, que tenga un coeficiente de determinación, que permita tener una
confianza en la predicción de las órdenes a partir de los días de mantenimiento.
Por lo tanto ninguno puede ser usado y uniendo esto a la independencia de las
dos variables, no se encuentra una relación con los modelos típicos, determinando
que la dependencia es intermitente y en algunos casos muy especiales, análisis
más profundos podrán eliminar valores que estén generando alta desviación y que
no correspondan a la realidad, pero no es objeto de este estudio.
El pronóstico muestra un ligero aumento de órdenes al incrementarse los días de

mantenimiento, pero no es suficiente para determinar con exactitud el número de
órdenes. Para determinar con mayor precisión las órdenes se deben tener en
cuenta muchas variables. Finalmente se concluye que no hay suficientes
argumentos para aceptar la hipótesis nula y por lo tanto se determina que en el
modelo los días de mantenimiento no explican la cantidad de OTPE, por lo tanto
no será tenido en cuenta en los pronósticos de este tipo de órdenes.
120
11. PLANIFICACIÓN DE MANTENIMIENTO PARA EL ÁREA DE MOLIENDA DE
INCAUCA S.A.
11.1 PROCESO DE PLANEACIÓN E INGRESO DE DATOS
Usando el aplicativo completamente desarrollado, se utilizó la base de datos de

INCAUCA S.A. y se realizó la planeación de acuerdo al contexto del área de
molienda. Las decisiones que exige el aplicativo se ingresaron como una
propuesta acorde a la experiencia de la investigación, buscando la mejor
alternativa que beneficie a la compañía.
Al aplicativo se le introdujo la siguiente información:
• Política de atraso: 30%.
• Tiempo demora en el cierre de OTPE: 4 semanas.
• Tiempo demora en el cierre de OTC: 2 semanas.
• Fecha descargue base de datos: 14/01/2012
• Fecha inicio análisis: 01/07/2007
• Fecha fin del análisis: 31/12/2011
• 1042 equipos divididos en 16 categorías.
• 7696 ordenes: 449 OTC, 2976 OTPE, 4271 OTPP.
• 42537 notificaciones a las anteriores ordenes, con 308980 horas hombre
121
• Un calendario de mantenimiento como se observa en la figura 39, con 45 días
de paro en total, contando con tres paradas grandes en abril (10 días), junio (8
días), diciembre (4 días) y paradas cada 15 días de máximo 1 día para cambio
de martillos.
Figura 39. Calendario de molienda propuesto para el año 2012
• Respecto a la política de reducción de órdenes se prefirió trabajar cerca al

pronóstico para los periodos donde ocurrieron paros y una política
conservadora en los demás periodos de acuerdo al cuadro 32. El criterio
usado para establecer dichos porcentajes es en lo posible disminuir la
cantidad de ordenes creadas de forma extraordinaria, por lo tanto los
porcentajes serán en lo posible altos.
122
Cuadro 32. Política de mantenimiento preventivo extraordinario.
POLÍTICA POLÍTICA
DISMINUCIÓN DISMINUCIÓN
Periodo ORD % Periodo ORD %
ENE_1 23 JUL_1 23
ENE_2 30 JUL_2 29
FEB_1 23 AGO_1 35
FEB_2 15 AGO_2 45
MAR_1 15 SEP_1 35
MAR_2 10 SEP_2 30
ABR_1 8 OCT_1 40
ABR_2 50 OCT_2 32
MAY_1 30 NOV_1 45
MAY_2 40 NOV_2 45
JUN_1 5 DIC_1 25
JUN_2 20 DIC_2 15
• Se ingresaron 517 planes de mantenimiento configurados con las frecuencias

del cuadro 33.
Cuadro 33. Resumen de frecuencias planes de mantenimiento preventivo.
Frecuencia Total
Cada 2 semanas 4
Cada 4 semanas 45
Cada 12 semanas 17
Cada 16 semanas 30
Cada 26 semanas 134
Cada 40 semanas 5
Cada 52 semanas 250
Cada 104 semanas 26
Cada 156 semanas 6
Total 517
• El modelo planteado de esta forma dio como necesidad de mantenimiento

total 116.498 horas al año, al obtener de totalizar los resultados parciales de la
siguiente manera:
123
o El sistema de planificación de ordenes OTPP trabajo con los 517 planes de
mantenimiento en las diferentes frecuencias.
o Con el historial de las ordenes se calculó teniendo en cuenta el total de las

ordenes, la cantidad de órdenes que se atrasaron superando el 30% de la
política establecida y el promedio general de atraso, se llego al resultado de
que las ordenes OTPP su probabilidad de atrasarse es del 28% y se atrasan
en promedio un 35%, como se observa en el cuadro 34.
Cuadro 34. Calculo del atraso de las órdenes y la probabilidad de atrasarse.
TOTAL ORDENES GENERALES

OTC OTPE OTPP Total general
Total Ordenes 449 2976 4271 7696
TOTAL ORDENES ATRASADAS
Total Ordenes Atrasadas 26 449 1207 1682
Probabilidad de Atrasarse 6% 15% 28% 22%

PROMEDIO ATRASO RELATIVO
Promedio de % atraso Relativo 22% 26% 35% 31%
o Después de realizar la simulación dio como resultado una cantidad de 1235

órdenes distribuidas para todo el año, estas órdenes requieren un esfuerzo de
59.182 horas hombre al año, distribuidas en todos los periodos como se
aprecia en el cuadro 35.
o Con la política de mantenimiento establecida en el cuadro 32, el cálculo de las

ordenes OPTE siguiendo la metodología del aplicativo, que tiene en cuenta las
ordenes del histórico promedio y su desviación estándar dio como resultado
1.006 ordenes que requieren un esfuerzo de 43.139 horas hombre al año,
como se muestra en el cuadro 36.
124
Cuadro 35. Resultados Simulación OTPP
Cantidad Horas Cantidad Horas

Ordenes hombre para Ordenes hombre para
Periodo OTPP OTPP Periodo OTPP OTPP
ENE_1 52 2686 JUL_1 54 2652
ENE_2 54 2763 JUL_2 56 2598
FEB_1 49 2476 AGO_1 51 2440
FEB_2 49 2145 AGO_2 51 2445
MAR_1 48 1787 SEP_1 49 2190
MAR_2 52 3009 SEP_2 48 2553
ABR_1 57 2499 OCT_1 46 2334
ABR_2 46 2085 OCT_2 57 2323
MAY_1 54 2592 NOV_1 38 1909
MAY_2 57 2792 NOV_2 66 3210
JUN_1 52 2725 DIC_1 53 2363
JUN_2 51 2533 DIC_2 44 2073
Cuadro 36. Resultados simulación OTPE
Horas Total Ordenes Horas Total

Ordenes OTPE Necesarias OTPE Necesarias
Periodo propuestas OTPE Periodo propuestas OTPE
ENE_1 43 2064 JUL_1 41 2007
ENE_2 36 1479 JUL_2 46 2389
FEB_1 50 1287 AGO_1 48 1940
FEB_2 31 1550 AGO_2 28 1498
MAR_1 46 1737 SEP_1 46 1064
MAR_2 53 2043 SEP_2 40 2362
ABR_1 86 3897 OCT_1 34 1038
ABR_2 23 872 OCT_2 48 2656
MAY_1 31 1224 NOV_1 30 1083
MAY_2 30 1227 NOV_2 42 1549
JUN_1 46 3129 DIC_1 35 2057
JUN_2 35 1580 DIC_2 57 1410
o En la sección de las ordenes OTC solamente se usaron los historiales de las

ordenes y notificaciones ingresadas, ingresando estos datos en una tabla
configurada con las ecuaciones de las teoría de colas modelo M/G/1.
o Los datos obtenidos de los historiales fue la rata de llegada de las ordenes por
periodo, el tiempo de servicio promedio y la desviación estándar del mismo,
todo esto para cada categoría de equipo que fue susceptible a daños, como se
observa en el cuadro 37.
125
Cuadro 37. Promedios históricos de llegada y tiempos de servicio OTC
Cantidad
Duración Desviación Ordenes
Servicio Estándar Promedio
(ordenes por (ordenes por (ordenes por
TIPO DE EQUIPO periodo) periodo) periodo)
BASCULA 0,20 0,28 0,017
BOMBA 1,56 2,84 0,702
CONDUCTOR 0,86 1,73 0,355
HERRAMIENTA 0,78 0,38 0,033
INSTRUMENTACIÓN 0,35 0,62 0,083
MOLINO 1,06 0,67 0,942
MOTOR 1,69 3,86 0,711
PUENTE GRÚA 1,08 1,88 0,058
REDUCTOR 1,41 4,43 0,165
SISTEMA ELÉCTRICO 0,76 1,11 0,537
TANQUE 3,42 5,02 0,041
TURBINA 0,43 0,75 0,066
o Luego de tener estos datos históricos se procede a calcular las ecuaciones y

se llegan a los resultados del cuadro 38.
o En el cuadro 38 se encuentran los cálculos realizados basándose en las líneas

de espera, observando que las basculas de jugo al igual que el puente grúa
tienen la mayor probabilidad de no tener una orden en proceso, esto sucede
bien sea porque la cantidad de falla es baja o que la atención demora es
rápida, a diferencia del molino, los sistemas eléctricos y los motores, los
cuales son los que mayor demanda de trabajo generan, teniendo la mayor
cantidad de ordenes en proceso y el que mayor tiempo pasan en reparación,
confirmando de igual forma que son los equipos que con mayor probabilidad
tienen que esperar.
126
Cuadro 38. Resultados cálculos ecuaciones M/G/1
Ρo Lq L Wq W Pw
1. Probabilidad 2. Numero 3. Numero 4. Tiempo 5. Tiempo 6. Probabilidad de

de que no haya promedio de promedio de promedio que promeido que que una orden
ordenes en el ordenes en la linea ordenes en el orden pasa en la una orden pasa que llega a tener
TIPO DE EQUIPO sistema de espera sistema linea de espera en el sistema en espera
BASCULA 91,74% 0,004 0,086 0,226 5,226 8%
BOMBA 55,07% 3,802 4,251 5,412 6,051 45%
CONDUCTOR 58,87% 0,465 0,876 1,309 2,466 41%
HERRAMIENTA 95,78% 0,001 0,043 0,031 1,307 4%
INSTRUMENTACION 76,36% 0,038 0,275 0,464 3,323 24%
MOLINO 11,41% 5,166 6,052 5,483 6,423 89%
MOTOR 57,98% 6,655 7,075 9,363 9,955 42%
PUENTE GRUA 94,63% 0,008 0,061 0,134 1,062 5%
REDUCTOR 88,26% 0,311 0,429 1,884 2,594 12%
SISTEMA ELECTRICO 29,60% 1,435 2,139 2,672 3,982 70%
TANQUE 98,79% 0,022 0,034 0,530 0,822 1%
TURBINA 84,78% 0,015 0,167 0,229 2,531 15%
o De este análisis se concluye que se debe estar muy pendiente de los procesos
de trabajo de las órdenes de motores, bombas y molinos, serán las que
traerán mayor desgaste.
o Al combinar la cantidad de ordenes en el sistema, aplicando la restricción para

cada mes que se va a parar y multiplicando por el esfuerzo de cada orden, se
consolida la cantidad de ordenes en el sistema requiriendo 14.177 horas
hombre al año para trabajar en las ordenes OTC como se muestra en el
cuadro 39.
• En la mano de obra se consideró una cuadrilla con mecánicos, soldadores,

ayudantes, electricistas, instrumentistas, cabos y algunos operarios
distribuidos en las categorías del cuadro 40.
127
• Analizando los tiempos de trabajo del ingenio las personas trabajan
generalmente por turnos de ocho horas, en las cuales usan 30 minutos para
cambiarse en la mañana y en la tarde, es por esto que por día cada persona
dispone de tiempo para el mantenimiento de siete horas.
Cuadro 39. Resultados simulación OTC
Cantidad Horas Cantidad Horas

Ordenes hombre Ordenes hombre para
Periodo OTC para OTC Periodo OTC OTC
ENE_1 14 449 JUL_1 20 629
ENE_2 20 632 JUL_2 20 632
FEB_1 20 629 AGO_1 20 629
FEB_2 20 626 AGO_2 20 632
MAR_1 20 629 SEP_1 20 629
MAR_2 20 632 SEP_2 20 629
ABR_1 7 225 OCT_1 20 629
ABR_2 21 674 OCT_2 20 632
MAY_1 20 629 NOV_1 20 629
MAY_2 20 632 NOV_2 20 629
JUN_1 10 314 DIC_1 20 629
JUN_2 21 674 DIC_2 16 505
Cuadro 40. Cantidad de trabajadores por categoría.
CANTIDAD DE
TRABAJADORES
Categoría Personas
1 21
2 7
3 8
4 14
5 9
9 5
Total general 64
• Teniendo en cuenta que los meses tienen 30 días y se le resta un domingo por
cada semana, como el mes tiene cuatro semanas entonces son 26 días
hábiles al mes, pero en el ingenio se ha concertado los sábados se trabaja
cada 15 días, por lo tanto se resta los dos sábados llegando finalmente a los
24 días promedio en el mes.
128
• El año tiene 12 meses, pero si no tenemos en cuenta las vacaciones anuales
que tiene cada trabajador el tiempo de permanencia en la empresa es de 11,5
meses.
• En este caso no se realizó estudio de ausentismo y se considera el tiempo

pleno, por lo que al multiplicar estos tres tiempos netos al año una persona
tendría que trabajar 1932 horas, como se ve en el cuadro 41.
Cuadro 41. Tabla de tiempos de trabajo por persona estándar en promedio
TIEMPO DISPONIBLE ESPERADO PARA

MANTENIMIENTO (PARA UNA PERSONA)
DÍA MES AÑO HORAS
(HORAS) (DÍAS) (MESES) AÑO
7 24 11,5 1932
• Para efectos de este estudio y sin profundizar mucho en el tema se estableció

una efectividad en el uso del tiempo superior para las categorías más
calificadas y un tanto menor para las menor capacitadas, como se muestra en
el cuadro 42.
Cuadro 42. Oferta inicial de horas disponible para mantenimiento
HORAS
HORAS MTTO EFECTIVIDAD HORAS
CATEGORÍA PERSONAS AÑO AÑO (0-100) REALES
1 21 1932 40572 98% 39761
2 7 1932 13524 98% 13186
3 8 1932 15456 97% 14992
4 14 1932 27048 97% 26101
5 9 1932 17388 96% 16692
9 5 1932 9660 94% 9080
129
• Finalmente al multiplicar la cantidad de personas, por las horas al año y por la
efectividad, obtenemos una oferta total de mano de obra al año de 119.813
horas al año.
• Para tener la capacidad en todos los meses de atender las ordenes que se
presentan se considera el personal suficiente, además de tener la
configuración de horas extras del cuadro 43.
Cuadro 43. Factor de tiempo extra seleccionado.
Factor Factor
Tiempo Tiempo
Periodo Extra Periodo Extra
ENE_1 10% JUL_1 7%
ENE_2 0% JUL_2 20%
FEB_1 0% AGO_1 5%
FEB_2 0% AGO_2 0%
MAR_1 0% SEP_1 0%
MAR_2 15% SEP_2 12%
ABR_1 41% OCT_1 0%
ABR_2 0% OCT_2 15%
MAY_1 0% NOV_1 0%
MAY_2 0% NOV_2 10%
JUN_1 27% DIC_1 2%
JUN_2 0% DIC_2 0%
• Con horas extras la oferta al año de horas hombre sube a 128.000 cubriendo
todo el mantenimiento en todos los periodos.
130
11.2 RESULTADOS FINALES
Finalmente con los datos ingresados se obtuvo el siguiente gráfico de capacidad

de servicio:
Figura 40. Comparativo nivel de servicio
En los periodos FEB_1, FEB_2, MAR_1, ABR_2, MAY_1, SEP_1, OCT_1 Y

NOV_1, si no ocurre algo que retrase los programas se debe aprovechar para
adelantar trabajo o realizar procesos de alistamiento.
El gráfico de costos fue muy ajustado al promedio esperado, sin embargo en el

acumulado al final del año se puede obtener un ahorro de $134.036.063, siendo
un valor considerablemente justificable para integración de esta herramienta a la
gestión del ingeniero.
Figura 41. Costo promedio de mano de obra histórico
131
Por otra parte los valores de hora hombre son altamente competitivos comparados
con los de las demás áreas que se encuentran en promedio alrededor de los
$30.00037.
Figura 42. Valor Hora hombre final
Vr Hora/Hombre Vr Hora/Hombre
$28.878 $28.878
$30.659
$26.715 $27.351 $26.970 $26.715
$26.079 $27.351
$25.443 $25.443 $25.697
11.3 MANUAL DE USUARIO
Al abrir el archivo de Excel habilitado para macros con extensión “.xlsm” se

ingresara al aplicativo, en la primera pantalla como se observa en la figura 44, se
encontrará un menú que funciona como el escritorio de trabajo, está dividido en
cuatro secciones:
• Base de datos y políticas: en esta sección se ingresaran los datos

descargados de SAP o el sistema de información de mantenimiento de la
compañía.
• Planeación: pool de herramientas para planificar el mantenimiento, la

cantidad de órdenes y la mano de obra o trabajadores.
37
INCAUCA S.A. Informe tarifas de mantenimiento por departamento de servicio 2011,
Departamento de Costos y Presupuestos de Fabrica. El Ortigal, 2011.
132
• Resultados: informe que indica la capacidad para atender el mantenimiento.
• Informes: en esta sección se cuenta con un juego de informes que permiten

evidenciar la gestión realizada desde otros puntos de vista, los cuales sirven
para ajustar la herramienta a parámetros auxiliares esperados.
Figura 43. Pantalla principal aplicativo herramienta de planeación del

mantenimiento
11.3.1 Configuración de base de datos y políticas. El primer paso es ingresar

las políticas básicas pulsando el botón “DATOS BÁSICOS”, el aplicativo lo dirige a
una tabla donde se piden los datos paramétricos del sistema, como se observa en
la figura 45.
Se debe ingresar la política de atraso, en valor porcentual, especificando el nivel

de atraso que considera como aceptable para las órdenes de mantenimiento, se
debe recordar que a menor atraso es más riguroso y exigente el cumplimiento.
133
Especificar la cantidad de semanas que se espera tener abiertas las ordenes OTC
y OTPE, este dato es la base del cálculo para el porcentaje de atraso en estas
órdenes, cantidades altas de semanas generan porcentajes de atraso muy
flexibles y poco exigentes, los valores deben ser de una semana en adelante.
Figura 44. Pantalla datos básicos
En La fecha de descargue de la base de datos se debe ingresar la fecha de

cuando se realizo la consulta en la base de datos, esta sirve para hacer los
análisis de porcentaje de atraso para las órdenes que aun siguen abiertas.
En la fecha de inicio de análisis se debe ingresar la fecha del inicio histórico de los
datos que se van a descargar, la herramienta calcula la fecha de fin de análisis
cinco años más delante de la fecha de inicio.
Para volver al menú principal y seguir configurando, revisando y analizando, se

debe pulsar siempre el botón “PRESENTACIÓN” el cual lo retornara al menú
principal.
El segundo paso es ingresar a la clasificación de equipos, se debe pulsar el botón

“CLASIFICAR EQUIPOS”, inmediatamente lo lleva a una pantalla que tiene tres
columnas en la que se ingresará el código del equipo, es preciso que este código
del equipo sea un campo estándar y clave que identifique en todo lugar del
aplicativo el equipo como un número de identificación único.
134
En la siguiente columna esta el nombre del equipo y finalmente en la columna
“TIPO DE EQUIPOS” se ingresará el texto estándar que se clasifica el equipo de
acuerdo a las categorías establecidas en el cuadro 44, cada categoría reúne
equipos de similares características y comportamientos para efectos de
mantenimiento a nivel general, en este caso el aplicativo propone estas
categorías, si se requiere ingresar más categorías se deben hacer cambios en
diferentes secciones del aplicativo, por lo que se recomienda en lo posible seguir
con las estándar, que abarcan 1.042 equipos en 17 categorías.
Cuadro 44. Listado de categorías de equipos
Tipo de Equipo
AGITADOR
BASCULA
BOMBA
CONDUCTOR
HERRAMIENTA
INSTRUMENTACIÓN
METROLOGÍA
MOLINO
MOTOR
PUENTE GRÚA
REDUCTOR
SISTEMA ELÉCTRICO
SISTEMAS HIDRÁULICOS
TANQUE
TURBINA
VÁLVULA
Figura 45. Pantalla clasificación de equipos
135
El siguiente paso es realizar el descargue de órdenes, es importante recordar que
el aplicativo está diseñado para que reciba todas las ordenes generadas para el
molino en los últimos 5 años, para este caso las columnas están seleccionadas de
acuerdo a los campos estándar de SAP-PM y se requiere un listado que cumpla
con los datos en cada columna y en el mismo orden que tiene el cuadro 45.
Cuadro 45. Datos requeridos para ingresar al sistema por cada orden
Orden
Ce.emplazam.
Grupo planif.
Clase de orden
Cl.actividad PM
Indicador ABC
Texto breve
Cst.tot.reales
Costo.Mano.Obra
Equipo
Denominación Equipo
Status sistema
Plan mant.prev.
Pos.mantenim.
Gpo.hojas ruta
Cont.gpo.HRuta
Fecha entrada
Fe.inic.extrema
Fe.fin extrema
Fe.inicio real
Fecha fin real
Ubicac.técnica
Denominación Ubicación Técnica
Una vez se tenga el listado organizado desde SAP38 con las columnas en el
mismo orden que tiene el aplicativo propuesto, se recomienda descargarlo a
Excel, copiar todas las filas de este archivo y situarse en la fila número dos, darle
el comando “Insertar copiar filas” y luego proceder a arrastrar todas las formulas
38
Se recomienda usar la transacción IW38– Listado de órdenes de equipo. SAP-PM.
136
desde la columna “X” hasta la “AL”, luego se deben borrar todas las filas que
estaban anteriormente39.
Figura 46. Pantalla cargue de órdenes sección datos
Figura 47. Pantalla cargue de ordenes sección formulas
Es muy importante tener en cuenta que las órdenes de mantenimiento correctivo

en INCAUCA S.A. están clasificadas como PMF1 y las órdenes de mantenimiento
preventivo son las PMF2, se deben configurar de esta forma o cambiar la fórmula
de la columna “CLASIFICACIÓN” de acuerdo al criterio propio de cada compañía.
Luego de realizar el cargue de las ordenes se presiona el botón “REFRESH”,

botón que realizara todos los cálculos de las formulas y actualizará todas las
39
El procedimiento se requiere con rigurosidad de esta forma para que las tablas dinámicas
actualicen de nuevo todos sus rangos a los nuevos datos, en esta versión el cálculo de rangos no
es automático. Además se presume de una experticia nivel medio en Excel para realizar cualquier
modificación adicional.
137
tablas dinámicas vinculadas a este gráfico. Luego se vuelve a presentación y
continua la secuencia.
El siguiente paso es ingresar las notificaciones de tiempo que se imputaron a cada

orden, para esto se presiona el botón del menú principal “CARGAR
NOTIFICACIONES”, el cual posicionará al usuario en una pestaña similar a la del
cargue de órdenes, por lo tanto se procede a realizar el mismo procedimiento.
De igual forma para las notificaciones se deben descargar los datos de SAP-PM40,
utilizando las columnas estándar del cuadro 46.Se debe organizar en el mismo
orden y descargar al aplicativo realizando “Insertar copiar filas” y arrastrando la
formula de la columna “S”.
Cuadro 46. Listado de campos para la notificación.
Orden
Clase orden
Notificación
Contador
Creado el
Fecha contab.
Nº personal
Empleados
Texto notific.
Pto.trab.(real)
Centro (real)
Trabajo real
Un.trab.(real)
Ubicac.técnica
Equipo
Status sistema
FechaInicioReal
Fecha fin real
40
Se recomienda usar la transacción IW47-Listado de notificaciones, SAP-PM
138
Figura 48. Pantalla cargue notificación
Una vez descargado los datos se debe dar clic en el botón “REFRESH” y volver al
menú principal.
Posteriormente se dirige a la creación del calendario de mantenimiento

presionando el botón “CALENDARIO DE MANTENIMIENTO”, el aplicativo
propone un formato de calendario que fue basado en el modelo que tiene
INCAUCA S.A., pero puede ser modificado y remplazado por otro modelo.
Este paso es manual y dependerá totalmente de las decisiones del ingeniero y su

creatividad, además de los datos adicionales que desee crear para complementar
el calendario. Sin embargo es importante determinar en cada celda donde aparece
la sigla “DPM” los días para mantenimiento por quincena. En la figura 50 se
pueden observar los detalles del diseño propuesto.
En los ingenios es común tener periodos específicos de alto mantenimiento, que

se sostienen en todos los años, dependiendo del tipo de negocio como se muestra
en la figura 50, los meses de enero, abril y junio son de alto mantenimiento. Para
los demás meses se programan periodos pequeños de mantenimiento.
Una vez se tenga el diseño listo y declarados los días para mantenimiento por la
quincena de cada mes, se debe volver al menú principal.
139
Figura 49. Calendario de molienda propuesto para el año 2012
11.3.2 Planeación del mantenimiento. En esta sección se realizara todo el

estudio y definición de estrategias para la generación de ordenes de
mantenimiento de las tres clases de órdenes, de forma independiente, también se
planeará cuanta mano de obra es la necesaria para atender toda la necesidad de
mantenimiento. Para este punto el usuario que está realizando el análisis debe
tener el criterio y el poder de decisión para establecer políticas y estrategias.
El primer paso es configurar el mantenimiento preventivo, el cual será basado en

frecuencias de mantenimiento basado en días, semanas o meses calendario. Para
realizar este procedimiento se presiona por el botón “CONFIGURAR OTPP”.
En la figura 51 se debe ingresar por cada fila el mantenimiento que se le piensa

implementar a cada equipo, este listado se puede descargar de SAP41, sin
embargo las frecuencias debe ser una decisión del ingeniero.
41
Es posible descargar de SAP-PM los datos de la planeación del mantenimiento preventivo por la
transacción IP24-Programacion planes de mantenimiento, se recomienda establecer las
frecuencias como política a lo que se pretende, sin exagerar en tener frecuencias bajas, teniendo
en cuenta que la política debe ser cada vez menos mantenimiento y mayor disponibilidad.
140
Figura 50. Pantalla de configuración de mantenimiento OTPP
Se debe ingresar el campo clave equipo, el numero del plan es un consecutivo

para identificar la tarea que se está programando, seguido de la descripción del
equipo y el área o ubicación técnica, al igual que la descripción del plan
especificando de manera general cual es el objetivo del mantenimiento: revisión,
limpieza, inspección, mantenimiento, cambio, entre otras.
Se debe ingresar la frecuencia y seleccionar las unidades, en ese caso el

programa solo soporta días, semanas o meses, siendo las frecuencias más
comunes para la programación de mantenimiento preventivo.
La fecha del último mantenimiento es vital para esta programación, pues será la
base para el inicio de cada plan en la simulación realizada, tener en cuenta que si
se ingresa la misma fecha para todos los planes, habrá periodos supremamente
sobre cargados y por otra parte periodos con poco mantenimiento. Es
recomendable que se descargue del aplicativo por cada plan la fecha del último
mantenimiento, pues así la aplicación funcionara con datos reales.
Si estos datos se editan en un archivo borrador aparte o se van a descargar

directamente de SAP se deben organizar las columnas como muestra la figura 52
y se debe copiar y luego pegar valores sobre el aplicativo, entre la columna “A” y
“H”, el programa está diseñado para soportar 1.000 planes de mantenimiento, en
141
este caso el ejemplo está hasta la fila 517, las demás están ocultas hasta la 1.004,
estas filas ocultas se pueden ver seleccionando las filas, presionando clic derecho
y luego mostrar.
Luego de establecer los datos de configuración se debe presionar el botón

“PROGRAMAR” y el aplicativo realizará los cálculos pertinentes y la simulación de
acuerdo a la política de atraso, el promedio de atraso, las frecuencias indicadas y
la última fecha de mantenimiento. En esta simulación se podrá tomar entre 9 y 15
minutos de acuerdo al equipo donde se esté ejecutando el aplicativo.
Figura 51. Sección programación pantalla configuración OTPP
Es importante colocar los planes que por cualquier motivo fueron desactivados,
porque posiblemente el plan generó alguna orden que está en el listado de
órdenes y es necesario tener la frecuencia para realizar el cálculo del porcentaje
de atraso. Estos se deben pegar después de la fila 1.039 y en el mismo orden de
las columnas que tienen los planes que si están activos, como se observa en la
figura 53.
142
Figura 52. Listado de planes inactivos
El resultado de la simulación será un promedio de ordenes por periodo y el

esfuerzo promedio como se puede observar en la figura 54.
Figura 53. Resultados simulación de programación de OTPP
Para finalizar se debe dar clic en “REFRESH” y volver al menú principal.
El siguiente paso es realizar la configuración de las OTPE para esto se da clic en

el botón “CONFIGURAR OTPE”, el cual direcciona a la pantalla donde aparecerán
diferentes datos del análisis de los históricos.
El aplicativo hace un análisis de los datos previamente ingresados, tomando

información de las órdenes, notificaciones y el calendario de mantenimiento. El
sistema está clasificado por periodos quincenales para realizar gestión por cada
periodo.
143
La herramienta trae el promedio, la desviación estándar y máximo de órdenes por
periodo. Por otra parte trae los días de mantenimiento del calendario y finalmente
el esfuerzo promedio por cada orden.
Figura 54. Configuración de ordenes preventivas OTPE
El software hace el pronóstico de cuáles son las ordenes esperadas de acuerdo al

histórico y la desviación estándar, sin embargo, este pronóstico es muy amplio
pues está direccionado a tener todas las probabilidades de cantidad de órdenes.
Es necesario que el ingeniero establezca para cada periodo la política de
disminución de órdenes en un porcentaje del promedio. La decisión debe estar
encaminada a tener menos ordenes por cada periodo pero siguiendo el mismo
comportamiento de lanzamiento, entrelazando la decisión con la cantidad de días
propuestos para mantenimiento en el calendario.
Por ejemplo al establecer la política para el periodo dos de marzo y el primero de

abril que aparecen en la figura 56, se cuenta con un pronóstico de 59 y 94 ordenes
respectivamente, debido a que en el mes de marzo no se tendrá tanto
mantenimiento la política de disminución de ordenes debe ser fuerte para este
caso un 50%, sin embargo en el mes de abril será difícil establecer una política
fuerte pues se tendrá mantenimiento intensivo, por lo tanto se debe ser más
144
amplio y establecer una disminución del 30% por ejemplo, con estas dos políticas
finalmente se proponen 30 y 66 para cada periodo.
Figura 55. Definición de política de mantenimiento OTPE
El programa tendrá una fila que identificará cuanta diferencia existe entre las
órdenes que finalmente propone y el máximo histórico, esto es una alarma para
notar si en algún momento el pronóstico se está saliendo de parámetros históricos.
En la figura 57 se observa una barra roja con la diferencia de órdenes si la

propuesta está por debajo del máximo histórico, siendo este el resultado
esperado. También muestra la diferencia por encima representada por una barra
de color amarillo ocre, siendo este el resultado no esperado.
Figura 56. Diferencia entre órdenes propuestas y el histórico máximo
Finalmente el resultado será el estimado de las horas requeridas para atender las
órdenes de mantenimiento preventivo, como se observa en la figura 58.
145
Figura 57. Resultado configuración OTPE
Se debe dar clic en “REFRESH” y volver al menú principal.
El siguiente paso es revisar la configuración de las OTC, para esto se da clic en el

botón “CONFIGURAR OTC”, este botón conduce a una pantalla donde todo se
hace mediante los cálculos de las líneas de espera y la incidencia del
mantenimiento.
En este paso la configuración es totalmente automática mediante las formulas

previamente creadas en el aplicativo, solamente se puede hacer una revisión de la
formulación y cambios en caso de existir una nueva categoría de equipos, lo cual
es muy poco probable, pero se requiere un nivel avanzado de conocimiento en
Excel para realizar los cambios sin afectar la herramienta.
Figura 58. Calculo inicial teoría de colas OTC
En la figura 59 se encuentra seis cálculos realizados basándose en las líneas de

espera, el primer cálculo muestra la probabilidad entre 0 y 100% de que no exista
146
una orden OTC en el sistema, la mayor probabilidad de no tener una orden en
proceso ocurre por tener daños poco frecuentes o porque la capacidad de
respuesta en ciertos equipos es de inmediato.
El segundo calculo muestra la cantidad de ordenes promedio en el sistema, esto

da una muestra de la cantidad de órdenes que se procesan al tiempo, es posible
que algunas sean nuevas y otras están en trámites de cierre, este es un buen
punto de partida para verificar que equipos son los más altos susceptibles a falla,
pero a su vez los que tardan más en reportar y dar cierre a la orden de
mantenimiento. Estrategias de mejora hay que proyectar los equipos que mayor
cantidad de órdenes tengan.
El tercer cálculo es el más importante para efectos de este aplicativo en esta

sección, este valor indica cuantas órdenes se procesan al tiempo, siendo la base
para el ingeniero establezca el personal para tener la capacidad de atender estos
eventos.
El cuarto cálculo indica el tiempo de procesamiento de una orden de

mantenimiento, esto se debe contrastar con las políticas seleccionadas y verificar
si los tiempos de tolerancia concuerdan con la realidad. Este punto es un buen
indicador para ajustar los procesos administrativos y logísticos que alargan la
atención de una orden de mantenimiento correctiva, como por ejemplo la
legalización de reservas o pagos a terceros.
El quinto calculo muestra la atención como una suma de todos los factores que
conforman la atención de una orden, procesos técnicos, sumados a los
administrativos y logísticos, determinan todo el tiempo que una orden pasa en el
sistema, en este punto se puede analizar como el ingeniero a preparado su
proceso y su personal para solucionar las problemáticas que se presentan en la
atención de una orden.
En el último cálculo se identifica que proporción de las órdenes que llegan tienen
que esperar, mostrando mayor habilidad para atender con prontitud, órdenes que
el porcentaje este cercano al 0 y se deben verificar procedimientos para equipos
que estén cercanos al 100%.
147
Luego de obtener la cantidad de órdenes en el sistema con el indicador “L”, será
modificado en cada periodo de acuerdo a los días de mantenimiento programado
que haya establecido en el calendario de mantenimiento para el año en análisis,
como se observa en la figura 59.
Es importante mencionar que el aplicativo considera que en los periodos de cero

molienda, por mantenimiento, se espera de manera proporcional cero daños, por
esto en cada periodo se reduce la cantidad de órdenes en la media que aumenta
los días de mantenimiento programado.
El resultado final de este apartado es el esfuerzo promedio que se necesitan para

atender estas órdenes, siendo este la multiplicación de la cantidad de órdenes
pronosticadas por el esfuerzo que requiere cada tipo de equipo finalmente
consiguiendo las horas de la figura 60.
Figura 59. Calculo de ordenes OTC en el sistema.
Figura 60. Resultado configuración OTC
148
Se debe dar clic en “REFRESH” y volver al menú principal.
Finalmente se debe ingresar la mano de obra con la cual se cuenta, para esto se
da clic en el botón “CONFIGURAR TRABAJADORES”, el cual presenta una
pantalla donde se debe llenar varios cuadros.
Los primeros datos se deben ingresar de acuerdo al cuadro 47 consiste en hacer

un resumen del personal por cargo, determinando la categoría a la cual
pertenecen, partiendo del hecho que la categoría define el nivel del trabajador en
salario y competencias.
Cuadro 47. Cantidad de personas por cargo.
CANTIDAD DE
CARGO CATEGORÍA PERSONAS
MECÁNICO 1 FARREL 1 6
MECÁNICO 2 FARREL 2 4
SOLDADOR 1 FARREL 3 4
SOLDADOR 2 FARREL 4 3
Luego se debe llenar el cuadro 48 que corresponde al costo que se asume por
tener una persona de cada categoría por hora, teniendo en cuenta todos los
gastos que una persona incluya, salario, factor prestacional y demás, la cantidad
de personas por categoría se actualiza automáticamente.
Cuadro 48. Cantidad de personas por categoría.
CATEGORÍAS DEL PERSONAL SEGÚN SUS HABILIDADES

CATEGORÍA PERSONAS SALARIO HORA
1 21 $ 14.000
2 7 $ 13.160
3 8 $ 12.370
4 14 $ 11.628
Posteriormente se debe llenar el cuadro 49, que corresponde al tiempo disponible

que se espera tener por cada persona, teniendo en cuenta en lo posible tiempo
perdido, incapacidades, vacaciones entre otros. Un estudio riguroso de
149
ausentismos es recomendable antes de ingresar estos datos, para no tener
supuestos que no se ajusten a la realidad.
Cuadro 49. Tiempo disponible para mantenimiento por persona.
TIEMPO DISPONIBLE ESPERADO PARA MANTENIMIENTO

(PARA UNA PERSONA)
DÍA (HORAS) MES (DÍAS) AÑO (MESES) HORAS AÑO
7 24 11,5 1932
Se debe ingresar también la efectividad esperada por cada categoría en el cuadro

50, partiendo del hecho que a menor categoría menor capacidad de responder a
las problemáticas que se presentan en las órdenes, perdiéndose tiempo que se
puede usar en reducir el servicio. Para este punto se debe ser muy objetivo y
conocer muy bien el grupo para determinar lo más certero posible cada valor de
efectividad.
Cuadro 50. Efectividad por categoría.
EFECTIVIDAD
CATEGORÍA (0-100)
1 98%
2 98%
3 97%
Posteriormente se cuenta con una tabla del factor de tiempo extra como se puede
ver en la figura 62, inicialmente se debe iniciar en 0% cada mes, la idea es ir
aumentando el factor de tiempo extra en el mes que requiera ser atendido en
casos en que la necesidad supere la capacidad actual. Por medio de las barras de
desplazamiento se aumentará o disminuirá dicho factor cuando se esté realizando
el ajuste.
Luego se presiona “REFRESH” y se dirige al botón denominado “RESULTADO

GENERAL”, el botón mostrara la situación inicial de nuestro modelo consolidando
la necesidad de mantenimiento y la oferta de mantenimiento, todo esto lo traduce
en horas para que el comparativo sea directo.
150
Figura 61. Factor tiempo extra por periodo
11.3.3 Resultados. En la sección Nivel de Servicio, como se observa en la figura

63, se contará con los valores numéricos en horas hombre para el mantenimiento
en la sección superior, por cada tipo de orden y por cada mes, de igual forma se
trae la cantidad de horas que configure en el paso anterior y luego la diferencia, el
aplicativo anunciará que no hay capacidad en ese periodo por medio de una
casilla amarilla y el texto rojo.
La falta de capacidad se puede compensar de varias maneras, aplicando una de

las siguientes estrategias:
• Incremento de las horas extras: es la estrategia más rápida, pero trae

consecuencias en costos al pagar el doble a nivel integral por el tiempo extra.
• Contratación de personal: si la capacidad está muy por debajo de la

necesidad, se debe presentar a la gerencia de fábrica una propuesta para
contratar más personal basado en este análisis.
• Disminución del mantenimiento preventivo extraordinario: esta estrategia

incluye una política drástica de reducción de órdenes, aumentando por arriba
del 50%. Esto hará que el ingeniero sea más precavido y conservador a la
hora de asignar trabajos, aumentando quizás el riesgo de daños futuros y
desmejorando la calidad de los equipos, o por otra parte realizando
intervenciones efectivas.
151
Figura 62. Nivel de servicio, resultado final
• Aumento de las frecuencias de mantenimiento preventivo: el aumento de

las frecuencias traerá menor cantidad de ordenes por periodo por lo tanto
menos necesidad de orden en el sistema. Esto puede generar que aumente la
probabilidad de daños por falta de atención en los equipos o por el contrario
disminuir los daños por intervenciones efectivas y mantenimientos con
mejoras proactivas.
• Eliminación de planes de mantenimiento: dejar equipos sin mantenimiento

o comprar equipos que requieran menos mantenimiento, es una de las
estrategias mas recomendadas, los equipos de hoy en día son más
electrónicos y más confiables, actualizaciones de fabrica traen por ende
condensación del mantenimiento, eliminando partes y subequipos, teniendo
menos cantidad de ordenes en el sistema.
En general cualquier estrategia que se use traerá riesgos, lo que conlleva también
a pensar que no se trata solo de realizar un plan al año y volver a revisar al
terminar el año siguiente, es importante revisar mes a mes si se está cumpliendo
con lo planeado y si la estrategia a usar esta siendo bien gestionada, para corregir
desviaciones.
152
11.3.4 Informes. El aplicativo cuenta con la sección de informes para evidenciar
cuales serán los resultados esperados y la influencia en variables de interés para
cualquier departamento de mantenimiento.
El primer informe es el de costos que se puede ver pulsando el botón “COSTOS”

de la parte derecha del menú principal.
El primer grafico, figura 64, muestra un comparativo entre el comportamiento

promedio histórico de la mano de obra en cada mes (línea morada) y el valor
propuesto por la estrategia escogida en el aplicativo. En este gráfico se pueden
identificar ahorros o pérdidas respecto al histórico, justificando implementación de
mejoras o por el contrario ajustando estrategias de nuevo.
Figura 63. Costo comparativo de la mano de obra
Costo Promedio Mano de Obra Historico Costo Promedio Historico Personal Costo Personal Propuesto
$ 261
$ 161
$ 190 $ 143 $ 184 $ 192
$ 175
$ 156
$ 190 $ 130
$ 109 $ 107 $ 166 $ 164
$ 140 $ 147 $ 143 $ 147 $ 140
$$127
84 $ 127 $ 134 $ 130
ENERO FEBRERO MARZO ABRIL MAYO JUNIO JULIO AGOSTO SEPTIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE
El siguiente gráfico de la figura 65 muestra el costo total, identificando así cuanta

puede llegar a ser la influencia de las estrategias aplicadas en el total de los
costos de mantenimiento del molino, demostrando influencia directa en los costos
generales y consiguiendo más apoyo para mejorar el mantenimiento en sí.
Figura 64. Comparativo total de costo y mano de obra propuesto por mes
Comparativo de Costo Total Promedio Historico y Mano de Obra Propuesto

Costo Total Promedio Historico Costo Personal Propuesto
$ 731
$ 527
$ 473 $ 465 $ 493 $ 490
$ 456 $ 444
$ 359 $ 373
$ 262
$ 196 $ 190
$ 140 $ 147 $ 166 $ 164 $ 143 $ 147 $ 140
$ 127 $ 127 $ 134 $ 130
153
Finalmente en el aplicativo se propone un grafico, figura 66, para mostrar el valor
de hora hombre propuesto, el cual se puede comparar con costos de mano de
obra de otras áreas o inclusive de otras empresas.
Figura 65. Valor hora hombre propuesta por la aplicación por mes
Vr Hora/Hombre
Vr Hora/Hombre
$ 30.659
$ 28.878
$ 27.351 $ 26.970 $ 27.351
$ 26.715 $ 26.715
$ 26.079
$ 28.878 $ 25.697
$ 25.443 $ 25.443
Para observar los demás indicadores se debe volver al menú principal.
Para ingresar al análisis de cola que muestra el aplicativo se presiona el botón

“COLAS”. En este informe lo lleva a la figura 67, y le muestra a través de números
y gráficos como es el comportamiento en detalle de los daños de cada categoría
de equipos.
En este informe se puede identificar cual es el equipo que más se daña por medio
de la cantidad de ordenes por periodo, este análisis puede conllevar a situar otros
análisis como análisis causal, causa raíz, espina de pescado, para identificar
problemáticas que ayuden a disminuir los daños en dicho equipo.
¿Cuál es el servicio más largo? conlleva a preguntarse por la calidad del personal
que realiza el servicio, las herramientas usadas, el equipo y la oportunidad de
tiempo, análisis derivados del enrutamiento que de este informe pueden ayudar a
mejorar en la gestión del mantenimiento.
La probabilidad de que no haya órdenes en el sistema permitirá identificar equipos

confiables y disponibles para la operación y cuales requieren de mejores prácticas.
Los tiempos promedios de una orden en el sistema traerán consigo el análisis de

la efectividad tanto operativa como administrativa, pues en muchas ocasiones el
154
servicio se puede demorar por tener procesos burocráticos y poco eficientes, este
informe puede indicar cuál debe ser el punto a mirar.
La probabilidad de que una orden que llega tenga que esperar indica cual es
nuestra capacidad de reacción al mantenimiento, es probable que tener repuestos
que están facilitando que los trabajos sean muy largos cuando pueden ser
mejores, estas situaciones no se ven reflejadas en los informes de producción
pues en ultimas la fábrica con los equipos de línea o los de stand by pueden
producir a niveles aceptables.
Figura 66. Resultado teoría de colas
Como indicador final propuesto por el informe es el de mantenimiento, para entrar

se debe dar clic al botón “MTTO”, el cual mostrará dos gráficos.
El primer grafico, figura 68, consiste en evaluar el porcentaje de atraso de las

órdenes, identificando en qué periodos se cumplió con la política, determinando
también si la política de atraso es la más adecuada al proceso.
155
Figura 67. Histórico atrasos
Este indicador debe generar estrategias que evalúen la posibilidad de mejorar los
procesos de cierre de órdenes, realizando las siguientes estrategias:
• Verificar que trabajos se terminaron y no se han reportado, para finalmente

cerrar todas ordenes con su respectiva notificación.
• Verificar cuales órdenes ya se reportaron y no se han terminado los pagos a

terceros o reservas de almacén. Verificar con logística que ha sucedido con
estos procesos buscando estrategias de agilización, para finalmente cerrar las
órdenes pendientes por este punto.
• Verificar que trabajos no se han realizado, priorizarlos de acuerdo a

importancia y distribuir en la cuadrilla de cubriendo de los equipos de mayor
prioridad a los de menor prioridad, empezando de los trabajos más atrasados
a los menos atrasados.
• Si los trabajos no se pueden realizar hasta una fecha posterior, reprogramarlo

en el sistema y alistar todo para su cumplimiento.
El segundo gráfico, figura 69, muestra de forma grafica la cantidad de

mantenimiento que se está proponiendo por mes, permitiendo ver de forma
comparativa cuanto mantenimiento requiere la fábrica en cuanto a cantidades,
según este modelo.
156
Este gráfico también permite reflexionar acerca de la cantidad de mantenimiento
planeado y cuanto es extraordinario, además de la incidencia de los daños en
cuanto a la cantidad de mantenimiento.
Figura 68. Cantidad de órdenes por mes
157
12. RECOMENDACIONES
• Las bases de datos son el elemento más importante del mantenimiento para la
toma de decisiones, sin embargo la validez de las decisiones dependerá de la
veracidad de la información del sistema, se deben implementar estrategias
para garantizar la confiabilidad de la información, realizando revisiones
periódicas y estrictas de coherencia de datos.
• No se puede tomar como válida la información sin realizar un tratamiento de

los datos, pues será necesario descartar la información de la cual no se tenga
certeza de su validez técnica, solamente la información completa en cuanto a
sus fechas de planeación y ejecución, permitirán un correcto análisis de las
llegadas y el servicio.
• El servicio de una orden debe incluir todos los factores que le impiden la
finalización, no solamente el componente operativo influye en el tiempo de
servicio, los procesos administrativos permitirán la oportuna atención de las
órdenes y la rápida finalización.
• Los tiempos de entrega de materiales o repuestos para el mantenimiento

deben analizarse para mejorar los tiempos de servicio, en el desarrollo del
trabajo muestra como el tiempo de servicio dista en muchos casos del
esfuerzo operativo para realizarlo.
• No se deben generar órdenes de mantenimiento que no contengan ninguna

información, estas distorsionan los análisis y en muchos casos son difíciles de
identificar. En caso de haber creado una orden por error se debe tratar de
reutilizar para otro trabajo en otro equipo, el SAP permite la reclasificación de
las órdenes antes del cierre técnico.
• Los tiempos dedicados a cada orden se deben notificar dentro del periodo
contable, es posible que al reportarlos tarde el sistema no permita ingresarlos
y esto afecte finalmente el componente técnico para determinar el esfuerzo
real que requirió cada orden.
• No se deben crear órdenes para evidenciar eventos pasados, esto dificulta los
análisis y pone en duda la confiabilidad de la existencia del trabajo.
158
• Se deben registrar los eventos extraordinarios que afecten el normal
funcionamiento de la planta como: nuevos desarrollos, historial de días de
mantenimiento real programado y en general cualquier evento que saque de
funcionamiento la planta por días; se deben considerar para no tener en
cuenta dichos periodos que son atípicos.
• Es importante que todas las personas involucradas en el mantenimiento

operativo y administrativo conozcan el manejo de los tiempos y fechas de las
órdenes para que se manejen bajo un solo criterio.
• Es vital para la aplicación del software la comprobación de que las llegadas de

las ordenes OTC sigan una distribución Poisson, al igual que las ordenes
OTPP y OTPE no sigan dicha distribución. En caso que algún de estos dos
tipos de orden sigan la distribución Poisson se debe también modelar con
líneas de espera.
• Se debe comprobar que los tiempos de servicio de cada tipo de orden no

siguen una distribución Exponencial, en caso que alguno se distribuya de esta
forma se debe cambiar el modelo de líneas de espera M/G/1 por el modelo
M/M/1, o cualquier otro modelo que más se adecue a las nuevas
distribuciones.
• Se recomienda que el usuario de este aplicativo tenga un nivel dentro de la

compañía que le permita tomar decisiones, dentro del programa se deben
establecer diferentes políticas que conllevan finalmente a un ahorro o perdida
en el costo de la mano de obra.
• El aplicativo no está protegido de forma intencional para proponer un

modelamiento a cada compañía de acuerdo al sistema que use para la
administración del mantenimiento, sin embargo se recomienda validar que no
se rompan vínculos o inhabiliten formulas si se realizan cambios.
• Se recomienda mensualmente establecer indicadores de cumplimiento de los

datos presupuestados y compararlos con los reales, para corregir posibles
desviaciones.
159
13. CONCLUSIONES
• Este proyecto permitió desarrollar una metodología para la gestión del

mantenimiento, facilitando la toma de decisiones en la planificación de los
trabajos y la generación de estrategias de mantenimiento adecuadas que
correspondan al nivel de servicio que establece el ingeniero responsable
mediante las cuadrillas de trabajo. Obteniendo una propuesta para el
mejoramiento en el tiempo de atención en las órdenes.
• El estudio de las líneas de espera son de ayuda en el mantenimiento siempre

y cuando se cumplan los procesos de validación de datos, no es posible
asumir el comportamiento de los datos hasta no realizar las pruebas que
determinen si los valores siguen alguna distribución en especial. Los análisis y
decisiones tienen alta calidad si los datos cuentan con la seguridad del
seguimiento de las distribuciones.
• La planificación de mantenimiento para un año, permite identificar la cantidad

y tipos de mantenimiento implementados, además de la mano de obra a usar y
los costos en los que se incurre. Estas políticas se unen a los presupuestos
que son aprobados de forma anual y le permitirá al ingeniero alinear cada año
sus políticas de acuerdo a las directivas de la compañía.
• Se demostró que para la modelación de sistemas de mantenimiento las

órdenes de trabajo no se pueden establecer como un todo y tomar decisiones
sobre supuestos. Cada clase de orden tiene un comportamiento diferente
debido al origen de su creación, por lo tanto la naturaleza de cada tipo de
orden demandan una gestión independiente.
• La ocurrencia de los daños en los equipos al ser un proceso inesperado y

repentino, tiene las características de aleatoriedad y distribución de acuerdo a
Poisson que permiten modelar el sistema por medio de líneas de espera. Por
el contrario las órdenes preventivas son explicadas por las políticas y
estrategias de mantenimiento determinadas por el ingeniero.
• El proceso de validación de los datos comprobó que la duración de la atención

en los equipos es muy variada entre un equipo y otro, lo que genero la
160
necesidad de clasificar dichas duraciones según la categoría de equipos
agrupándolos por características funcionalmente iguales.
• El desarrollo de este proyecto permitió evidenciar problemas en la coherencia

de los datos, situación actual que debe ser mejorada para tener análisis
confiables en su totalidad, los pronósticos del aplicativo son totalmente
dependientes de la información ingresada.
• El uso de la herramienta de gestión del mantenimiento en el molino de

INCAUCA S.A. puede ser clave para la gestión de los ingenieros que manejan
el mantenimiento en la compañía, permitiendo asistir en el paso a paso de la
conformación de las políticas de mantenimiento.
• El comparativo por horas invertidas en cada trabajo permite dimensionar y

unificar todo el mantenimiento en un modelo oferta-demanda, el cual
determina la capacidad de una forma básica, facilita la toma de decisiones con
el personal y establece estrategias para mejorar la calidad, competencias,
cantidad y cambiar el tipo de mantenimiento.
• En muchas ocasiones los ingenieros escogen las frecuencias de

mantenimiento de sus equipos sin tener en cuenta el efecto que tendrá en la
cantidad de órdenes para cada periodo. Se pueden presentar periodos en los
que no se cuente con el personal para atender todas las órdenes de
mantenimiento, aumentando de esta forma los atrasos. Esta herramienta
permite ver el efecto directo del establecimiento de las frecuencias de
mantenimiento en los equipos de forma anticipada.
• Es posible que el mantenimiento pierda sincronía y se lancen órdenes de

trabajo en momentos donde físicamente no es posible realizarlas. Esta
herramienta permitirá analizar cuellos de botella generados por altos
mantenimientos a causa de la programación excesiva.
• El estudio comprobó en uno de sus apartes que la oportunidad de

mantenimiento es independiente a la cantidad de órdenes de trabajo y a su
vez no influye en los atrasos de mantenimiento. Se interpreta que los tiempos
para mantenimiento programado se utilizan para trabajos específicos y no
afectan las órdenes de mantenimiento de todo el año.
161
• Se evidencia que las decisiones que el ingeniero tome para la definición del
mantenimiento tienen un efecto directo en los costos, en estos casos las
consecuencias no son directas, sin embargo la herramienta facilita encontrar
de forma probabilísticamente acertada dicho impacto.
• Finalmente el aplicativo expone que es posible una reducción en los costos de

mano de obra cercanos a los $134 millones de pesos en un año, bajo el
esquema de mantenimiento implementado por medio del historial y las
decisiones tomadas por el ingeniero. Sin embargo el sistema no es ajeno a
circunstancias atípicas, teniendo en cuenta que finalmente el pronóstico
proviene de un modelo probabilístico.
162
BIBLIOGRAFÍA
ANTONIOL, Giuliano. Assessing staffing needs for a software maintenance

project through queuing simulation. IEEE Transaction on software engineering,
VOL. 30, No.1, January 2004.
ABESOFT TECHNOLOGIES. Esaymint, Matriz de funcionalidad. [En línea],

2011, [consultado el 16-01-2012]. Disponible en: http://www.abe-
soft.com/EasyMaint/Matriz_de_Funcionalidad_EasyMaint_Software_de_Mante
nimiento..pdf
ANDERSON, D. R.; SWEENEY, D. J. and WILLIAMS, T. A. Statistics for

business and economics. Edition 11. South-Western: Cengage Learning, 2011.
ASUG AMERICAS' SAP USERS' GROUP. Plant Maintenance User Group

meeting. [En línea], 2002, [consultado el 19-01-2012]. Disponible en:
http://www.meridium.com/news_events/pdfs/Banff-DuPont_presentation.pdf
AZARANG M. R. y GARCIA E. D. Simulación y análisis de modelos

estocásticos, 2 ED. México: Mc Graw Hill, 1998.
BANKER, R. D. and SLAUGTHER, S. A. Afiel study of scale economies in

software maintenance. Manager. Sci. 43(12): 1709-1725. 1997.
BARUA, A. and MUKHOPADHAY, A cost analysis of the software dilemma: to

maintain or replace. Proceedings of the 22nd Hawaii International Conference
on System Sciences, Kailua-Kona. Hawaii 1989.
CENICAÑA, “Diagrama de Obtención de Azúcar”, [en línea], Valle del Cauca,

2004. [Consultado el 18-12-2011] disponible en:
http://www.cenicana.org/pop_up/fabrica/diagrama_obtencion.php
CHAN, T., S. and Chung, T. Ho. An economic model to estimate software

rewriting and replacements times. p. 580-598, 1996. IEEE Trans. Software.
163
COCHRAN, W. G. The X2 test of goodness of fit. Annals of Mathematical
Statistics, 25, (1952), p. 315-345.
FENG, Q.; MOOKERJEE, V. and SETHI, S. P. Optimal policies for the sizing
and timing of software maintenance projects. Eur. J. Oper. Res. 173(3): 1047 –
1066. 2006.
FIVES CAIL, Report of cane Bagasse diffuser uses, [Online], 2006, [cited 15-
04-2011] Available in: www.fivesgroup.com.
GUTIÉRREZ, Humberto y VARA Salazar, Román de la. Control estadístico de

calidad y seis sigma. Segunda Edición. México: Mc Graw Hill, 2009 pag.22.
ISBN 978-970-10-6912-7.
HEYMAN, D., M. J. SOBEL. Stochastic models in operations research. VOL. II,

McGraw-Hill, New York. 1984.
INCAUCA S.A. Caracterización del proceso. Definición de objetivos. Gerencia

de fábrica. El Ortigal, 2011.
INCAUCA S.A. Cantidad de planes de mantenimiento existentes. Transacción

IP15, listado de planes de mantenimiento. SAP-PM. Enero 2012.
INCAUCA S.A. Informe tarifas de mantenimiento por departamento de servicio

2011, Departamento de Costos y Presupuestos de Fabrica. El Ortigal, 2011.
INCAUCA S.A. Caracterización del mantenimiento. Política de atraso.

Departamento de mantenimiento, El Ortigal, 2011.
INCAUCA S.A. Informe anual de proyectos. Proyectos instalados 2007 – 2011,

Departamento de Proyectos. El Ortigal, 2012.
164
INCAUCA S.A. Gestión del informe Semanal de Órdenes de Mantenimiento.
Cantidad de Ordenes, Diciembre 2011. El Ortigal, Enero 2012.
INCAUCA S.A. Informe Semanal de Órdenes de Mantenimiento. Indicador de

Porcentaje (%) de Atraso de las Órdenes de Mantenimiento, Diciembre 2011.
El Ortigal, Enero 2012.
INCAUCA S.A. Informe de Costos de Mantenimiento Mensual. Indicador de

Porcentaje (%) de Planeación de los Recursos, Diciembre 2011. Enero 2012.
INCAUCA S.A. Informe Mensual de Producción. Sección Fabrica, Indicador

horas hábiles perdidas por fábrica, Diciembre 2011. El Ortigal: Enero 2012.
INCAUCA S.A. Informe de costos de órdenes de mantenimiento acumulado

2011, El Ortigal: Enero 2012.
INCAUCA S.A. Listado de ordenes de mantenimiento, [Base de datos en red]

transacción IW38 SAP PM, parámetros: ordenes PMF1 – Correctivas y PMF2 –
preventivas, ubicaciones técnicas molinos, fecha inicio extremo 01.01.2007 –
31.12.2011.
INCAUCA S.A. Modulo PM, [Base de datos en red], [consultado en Enero

2012]. Obtenido por medio de las transacciones: IP12-Visualizacion estrategias
de mantenimiento; IA06-Visualizacion hojas de ruta; IP03-Visualización plan de
mantenimiento; IP15-Listado de planes de mantenimiento; IP30-Programación
de planes de mantenimiento; IP19-Visualización de programación del
mantenimiento; IW32-Vizualización de una orden de mantenimiento; IW42-
Ingreso de una notificación; IW43 – Visualización de notificación de una orden
de mantenimiento e IW3D-Impresión de una orden de mantenimiento. El
Ortigal: 2012.
INCAUCA S.A. Sistemas de Gestión de Calidad: Manual de mantenimiento, P-

940-001, El Ortigal: 2005.
165
INCAUCA S.A. Sistemas de Gestión de Calidad: Molienda de Caña, R612003,
El Ortigal: 2005.
INGENIO SAN CARLOS, Información Estadística, [en línea], 2002, [consultado

el 15-12-2011], disponible en: www.ingeniosancarlos.com.co.
INSOLCA. Descripción de Software para el mantenimiento Sysman. [En línea],

2009, [consultado el 16-01-2012]. Disponible en: http://www.insolca.com.
ISOGRAPH Ltd. Availability Workbench. [En línea], 2011, [consultado el 18-01-

2012]. Disponible en: http://www.isograph-software.com/
KULKARNI, V.G, KUMAR, Subodha, MOOKERJEE, Vijay S. Optimal allocation

of effort to software maintenance: a queuing theory approach, production and
operations management, VOL. 18, No. 5, September–October 2009, Pag. 506-
515. ISSN 1059-1478.
KULKARNI, V.G. Modeling and analysis of stochastic system. CRC Press, New
York 1995.
MICROSOFT CORPORATION. Microsoft Office Excel TM. [En línea], 2012,

[consultado el 15-03-2012] disponible en: http://office.microsoft.com/es-
es/excel/
MICROSOFT OFFICE EXCEL TM. Utilización de macros para automatización

de funciones. [En línea], 2012, [consultado el 15-03-2012] disponible en:
http://office.microsoft.com/es-es/excel-help/ahorrar-tiempo-creando-y-
ejecutando-macros-en-excel-2010-RZ102337714.aspx
MICROSOFT OFFICE EXCEL TM. Tablas dinámicas y sus funciones. [En

línea], 2012, [consultado el 15-03-2012] disponible:
http://office.microsoft.com/es-hn/excel-help/informes-de-tabla-dinamica-101-
HA001034632.aspx
166
MICROSOFT OFFICE EXCEL TM. Generación de números aleatorios. [En
línea], 2012, [consultado el 15-03-2012] disponible en:
http://office.microsoft.com/es-es/excel-help/aleatorio-
HP005209229.aspx?CTT=1
NOSEK, J. T. P. PALVIA, Software maintenance management: changes in the

last decade. J software Maint. Res. Pract. 2(3): 157-174. 1990.
ORREGO BARRERA, Juan Carlos. Backlog: Acumulación de trabajo. [En

línea]. 2008. [consultado el 10-01-2012]. Disponible en:
http://www.mantonline.com
SAP AG. PLM300 Business Process in Plant Maintenance. Notification of

Maintenance Requirements. Germany: 2005.
SAP AG. PLM310 Preventive Maintenance and Service. Maintenance Planning

Requirements. Germany: 2005.
SOBEL, M. J. OPTIMAL Average-cost policy for a queue with start up and shut-
down costs. Oper. Res. 17 (1):145-162. 1969.
TAN, Y., V. S. MOOKERJEE. Comparing uniform and flexible policies for

software maintenance and replacement. IEEE Trans. Software Eng. 31(3): 238
– 255. 2005.
WOOD GROUP COLOMBIA S.A., Nuestra Experiencia: Casos de Éxito, [en

línea], 2006, [consultado el 18-12-2011] disponible en www.woodgroup.com.co
XV CONGRESO INTERNACIONAL DE CONTADURÍA, ADMINISTRACIÓN E

INFORMÁTICA, El Estado y su Impacto en Competitividad en la Industria
Azucarera, Monterey, Instituto Tecnológico y de Estudios Superiores de
Monterrey, 2004.
167
ZAMORA, J., y FERNANDEZ, E. Regresión Lineal Simple con SPSS. [En
línea], 2008, [consultado el 24-03-2012] disponible en:
http://www.cicma.una.ac.cr/CICMA2008/REPOSITORIO/REGRESION%20LIN
EAL%20SIMPLE%20CON%20SPSS.pdf
168
ANEXOS
Anexo A. Tabla Chi-Cuadrado
169
Anexo A. Tabla Chi-Cuadrado (Continuación)
170

Tid00959 PDF

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tid00959 PDF

Caricato da

Copyright:

Formati disponibili

METODOLOGÍA PARA OPTIMIZAR ESTRATEGIAS DE MANTENIMIENTO EN

EL ÁREA DE MOLIENDA DE INCAUCA S.A.

JOHN JAIRO RAMÍREZ DOMÍNGUEZ

UNIVERSIDAD AUTÓNOMA DE OCCIDENTE

JOHN JAIRO RAMÍREZ DOMÍNGUEZ

PROYECTO DE GRADO PARA OPTAR POR EL TITULO DE

UNIVERSIDAD AUTÓNOMA DE OCCIDENTE

Santiago de Cali, 31 de Julio de 2012

En primera instancia agradezco a Dios por darme la oportunidad de culminar mis

Agradezco a mis tías y mi hermano por su apoyo, formación y comprensión, para

Agradezco a mi jefe el Ingeniero Milton Sánchez quien siempre me apoyó, para

Agradezco al Dr. Jesús Hernando Lugo, siendo la persona que confió en mí en

Agradezco a la Dra. Marcela Castro aportando académicamente en el desarrollo

Agradezco a la familia Sánchez y Acosta, por su apoyo incondicional en todo

1. PLANTEAMIENTO DEL PROBLEMA 20

5.1 MODELO PROBABILÍSTICO DE LAS LLEGADAS DE LAS ÓRDENES DE

5.2 NIVEL DE SERVICIO DE LAS CUADRILLAS DE MANTENIMIENTO 44

5.3 DESCRIPCIÓN DE UN MODELO INICIAL ASISTIDO POR TEORÍA DE

5.5 MODELO INTEGRADO A TRAVÉS DE HERRAMIENTA

6. ESTADO ACTUAL: ESTRUCTURACIÓN DEL MANTENIMIENTO 47

6.1 ESPECIFICACIÓN DE LAS ÓRDENES DE TRABAJO PREVENTIVAS

6.2 ESPECIFICACIÓN ÓRDENES DE TRABAJO PREVENTIVAS

6.3 ESPECIFICACIÓN ÓRDENES DE TRABAJO CORRECTIVAS (OTC) 62

7. ESTADO ACTUAL: ANÁLISIS DE LAS LLEGADAS DE LAS ÓRDENES

8. ESTADO ACTUAL: ANÁLISIS DE LOS TIEMPOS DE SERVICIO DE LAS

9. DESARROLLO DE HERRAMIENTA COMPUTACIONAL ASISTIDO POR

10. ANÁLISIS DE LA INCIDENCIA DE LA OPORTUNIDAD DE

11. PLANIFICACIÓN DE MANTENIMIENTO PARA EL ÁREA DE MOLIENDA

11.1 PROCESO DE PLANEACIÓN E INGRESO DE DATOS 121

11.2 RESULTADOS FINALES 131

11.3 MANUAL DE USUARIO 132

11.3.2 Planeación del mantenimiento. 140

11.3.3 Resultados. 151

11.3.4 Informes. 153

12. RECOMENDACIONES 158

13. CONCLUSIONES 160

Figura 1. Árbol de problemas, daños en los equipos de molienda

Figura 2 Extracción de jugo de caña, área de molienda 29

Figura 3. Módulos de SAP 30

Figura 4. Estrategias de Mantenimiento INCAUCA S.A. 48

Figura 5. Simulación de estrategias de mantenimiento INCAUCA S.A. 49

Figura 6. Proceso de planeación de mantenimiento 50

Figura 7. Configuración y funcionamiento de una Hoja de Ruta 51

Figura 8. Ejemplo de hoja de ruta, cambio de Molino 52

Figura 9. Plan de mantenimiento, datos principales 53

Figura 10. Programación del Plan de Mantenimiento 54

Figura 11. Pantalla de programación de planes de mantenimiento 55

Figura 12. Calendario de programación de planes de mantenimiento. 56

Figura 13. Orden de mantenimiento preventiva OTPP 57

Figura 14. Ciclo de una orden de mantenimiento programada 58

Figura 15. Cantidad de planes de mantenimiento activos. 59

Figura 16. Orden de mantenimiento preventiva extraordinaria OTPE 60

Figura 17. Fechas de una orden preventiva extraordinaria. 61

Figura 19. Orden de mantenimiento correctiva OTC. 63

Figura 20. Campos de órdenes de mantenimiento 64

Figura 21. Diagrama de frecuencias de llegadas de órdenes cada dos

Figura 22. Diagrama de frecuencias de llegadas de órdenes cada dos

Figura 23. Diagrama de frecuencias de llegadas de órdenes cada dos

Figura 24. Diagrama de frecuencias de llegadas de órdenes cada dos

Figura 25. Diagrama general de tiempos de una orden de mantenimiento. 83

Figura 26. Formato de reporte de mantenimiento en SAP-PM 84

Figura 27. Formato tipo impresión de orden de mantenimiento

Figura 28. Histórico de notificación de la orden de mantenimiento. 86