En la gestión de flotas, las aeronaves se someten a inspecciones de fase para maximizar su disponibilidad. Un avión se inmoviliza en tierra tras alcanzar un umbral máximo de horas de vuelo acumuladas desde su última inspección de fase. Para gestionar este proceso, los planificadores utilizan un índice distribuido en el tiempo para realizar un seguimiento del ciclo de fase de cada avión y mantener los aviones respectivamente en fase. A medida que los aviones se rompen y las líneas de mantenimiento se atascan, la disponibilidad de los aviones disminuye; se pierde el efecto deseado para la misión, y el uso constante de aviones de repuesto invita a futuros riesgos de programación. En este ejemplo, los planificadores se enfrentan constantemente a la determinación de horarios con varios factores aleatorios y de riesgo. El modelo presentado aquí a través de Simio es una simulación de planificación y programación basada en el riesgo para identificar el riesgo y tener en cuenta la aleatoriedad en los ciclos de fases. El resultado de este modelo ofrece a los planificadores la oportunidad de introducir un calendario real en el sistema, evaluar el estado de la flota y realizar análisis hipotéticos.
El ciclo de mantenimiento de fase de una flota se determina conceptualmente dividiendo el umbral de restricción -máximo de horas de vuelo permitidas acumuladas desde la última inspección de fase- por el número total de aeronaves de la flota. Como ejemplo, una flota con 20 aviones y 400 horas de restricción tendrá como objetivo ideal 20 horas entre mantenimientos de fase por avión. Se suele utilizar una distribución indexada por tiempo como representación gráfica para mostrar el objetivo de tiempo entre fases de cada avión. Este concepto, cuando se representa gráficamente, sirve como técnica de cuenta atrás para que un planificador determine qué avión debe programar idealmente a continuación para el mantenimiento por fases y dónde se encuentra un avión en su ventana de fase proyectada. En el gráfico también se superpondrá un diagrama de dispersión de las horas de vuelo reales acumuladas por avión. A efectos del presente documento, este valor se denominará "delta de fase" (el error con respecto al objetivo de fase ideal para cada avión).
Los aviones están programados para misiones de entrenamiento (ritmo planificado de antemano), mantenimiento por fases (de 1 a 3 semanas, dependiendo de las condiciones de trabajo), mantenimiento rutinario/programado (de unas horas a unos días o unas semanas), mantenimiento de depósito (dura varios meses) y actividades no relacionadas con el vuelo (día a día). Las operaciones/despliegues, el mantenimiento no programado debido a "roturas duras" son eventos clave que ocurren aleatoriamente y con poca frecuencia. Los planificadores pueden optar por "canibalizar" un avión y despojarlo de sus piezas para atender las necesidades de otros aviones averiados, a fin de evitar retrasos más prolongados por pedidos de piezas con plazos de entrega largos (2-4 semanas).
Principalmente, las misiones de entrenamiento representan la gran mayoría de las actividades de vuelo. Una sola misión de vuelo puede durar entre 1 y 3 horas, y los aviones suelen programarse en grupos, y los grupos suelen realizar vuelos consecutivos. Por ejemplo, para un día, un planificador programará 10 aviones para realizar una misión, repostar, los mismos 10 aviones completarán otra misión, entonces de esos aviones, 2 se quedarán en la estación de origen, y los 8 restantes continuarán realizando otra misión. Los aviones no volarán más de 5 misiones consecutivas. Cuanto más vuele un avión en poco tiempo antes de pasar a mantenimiento, mayor será la probabilidad de que se produzca una "rotura dura". De los aviones que vuelan cada semana (normalmente 10-14), entre 5-10 misiones ocurren cada uno. 2 repuestos por semana pueden volar entre 5-8 misiones combinadas de media. Esto no implica que se produzcan 5-8 roturas cada semana.
Se modeló una simulación en Simio para desarrollar una herramienta de programación visual para los planificadores de vuelos que requieren la capacidad de adaptarse a requisitos en constante cambio. Para simular este caso, una "entidad" se representa como una "Task-ing Order" o "Request" dependiendo del caso. Cada avión se define con las características de un "trabajador", pero se han aplicado propiedades especiales a cada avión para hacer un seguimiento de las diferentes asignaciones/estados en los que entra y sale cada avión. Al inicio de la simulación, se han asignado estadísticas ficticias a cada avión, que representan una distribución estándar del flujo de fases con errores menores. Las misiones de entrenamiento, las operaciones, el mantenimiento programado/no programado, el mantenimiento por fases, el mantenimiento de depósito, el canibalizado, las piezas de repuesto y los eventos de no vuelo se representan como estaciones "servidoras".
A medida que los aviones son ocupados por las diferentes órdenes/solicitudes de asignación de tareas, los aviones se organizan de forma como un problema básico de asignación. Este enfoque permite recopilar y almacenar fácilmente la información en tablas, diagramas de Gantt, gráficos de control y gráficos. Cada estación posee criterios de selección detallados sobre qué avión se elegirá en función del delta por fases, las horas de vuelo o alguna condición de estado elegida (es decir, restringido, disponible, etc.). Se crea una tabla de llegadas por fecha para introducir datos reales en el modelo.
La fiabilidad del F-16 posee intrínsecamente una propiedad "sin memoria", de forma que un avión puede volar 20 misiones en 4 días y ser muy susceptible a "roturas duras" (por ejemplo, probabilidad de fallo>10%), pero el mismo avión puede volar 20 misiones en 10 días y estar en condiciones normales (probabilidad de fallo <3%). Para modelizar este concepto de fiabilidad, se aplicaron cadenas de Markov asignando a cada avión un vector-variable de estado que registra constantemente el número de vuelos que cada avión ha realizado cada día, sólo durante los últimos siete días, descartando los datos antiguos. La probabilidad de que se produzca una avería grave se evalúa después de cada vuelo utilizando la suma de este vector de fiabilidad (RV), y depende de un porcentaje de que se produzca una "avería grave" en condiciones normales (por ejemplo, RV <20) o dado que un avión ha acumulado un número umbral de vuelos cada semana (RV>=20).
Dentro del modelo, se crea una tabla de datos para 1) establecer el trabajo en curso equivalente (WIP) y permitir que el modelo comience en estado estacionario con estadísticas y ubicaciones para cada avión, 2) inicializar y actualizar las variables de estado en tiempo real 3) proporcionar información para alimentar gráficos/informes que muestren el riesgo y los efectos en el ciclo de fases en el escenario dado.
En la pestaña de características de planificación del modelo se incluye un diagrama de Gantt que puede visualizarse desde la perspectiva de cada plano o de cada "Orden de asignación de tareas".
El índice de distribución temporal (izquierda) se representa gráficamente en tiempo real dentro del modelo. Esto permite al planificador evaluar la salud de la flota y ver fácilmente los resultados de un determinado escenario hipotético. Además, se muestran umbrales ficticios en el gráfico de control (derecha) para visualizar el error de fase (horas actuales respecto al objetivo de fase).
En el modelo original, los planificadores segregan semanalmente los aviones disponibles para volar, no volar o ser repuestos en caso de ruptura dura. Debido al elevado número de interrupciones que pueden producirse, el análisis muestra que los aviones de repuesto pueden utilizarse con tanta frecuencia como los aviones programados normalmente en determinadas situaciones. Un análisis más detallado proporcionará una cantidad óptima de aviones de repuesto necesarios en las condiciones actuales para que los planificadores puedan equilibrar los vuelos. Al utilizar una expresión ponderada y normalizada para seleccionar el mejor avión, los planificadores podrán ahora cuantificar el riesgo.
El algoritmo utilizado en este modelo permite a los planificadores dar prioridad a los aviones que tengan un riesgo menor o aceptable (es decir, que se cumpla el tiempo de descanso adecuado entre vuelos). Se espera que el uso de este algoritmo aumente la disponibilidad de las aeronaves entre un 10 y un 15%. El algoritmo utilizado en el modelo devuelve una distribución "buena" para la flota según las normas de la Guía de Mantenimiento del Ejército del Aire.
En lo que respecta a los sucesos de no vuelo, las aeronaves pueden quedar fuera de la reserva de aeronaves disponibles durante días. Debido a ello, los aviones utilizables no están listos como repuestos y parecen disminuir el tiempo de descanso admisible entre vuelos para los aviones por término medio. Los criterios de selección de los aviones elegidos para no volar no deben ser aleatorios, ya que se trata de una oportunidad para equilibrar el error de fase cuando el avión está adelantado o para hacer descansar al avión cuando se acerca a un riesgo inaceptable.
Por último, parece que la política actual de hacer volar persistentemente aviones que no han descansado adecuadamente mantendrá constantemente en peligro la fiabilidad de los aviones de este sistema actual. Para que los aviones descansen adecuadamente, hay que estudiar y definir el periodo de descanso. La línea de mantenimiento dicta actualmente la rapidez con la que los aviones están disponibles. Un estudio de la eficacia del mantenimiento y del inventario disponible (es decir, reducir la necesidad de canibalizar aviones durante demasiado tiempo) es un medio posible para mejorar la disponibilidad de los aviones.
Se construyó un modelo del proceso de mantenimiento de las fases del F-16 con datos proporcionados por la Dirección de Análisis del HQ USAFE-AFAFRICA. El análisis está todavía en curso para determinar el mejor curso de acción con lo que la política permitirá. Actualmente la lógica de fiabilidad, experimentación con aviones de repuesto y aviones en reposo. debe ser estudiada más antes de proporcionar una recomendación final. El modelo actual representa condiciones normales, pero utiliza datos ficticios a efectos de este estudio de caso académico.