MÉTODO
La investigación se basa en una metodología de investigación descriptiva y explicativa, que se centra en evaluar la eficiencia de una empresa textil mediante el Análisis Envolvente de Datos (DEA). Esta investigación, de diseño no experimental y enfoque cuantitativo, utiliza datos históricos sobre el desempeño de los equipos (entradas como el tiempo de operación, fallos, costos de mantenimiento, etc.) para analizar y comparar la eficiencia de cada equipo con una "frontera eficiente" formada por los equipos más eficientes. El objetivo es describir las características y comportamiento del equipamiento productivo, así como explicar las razones detrás de la criticidad de ciertos equipos, identificando aquellos cuya falla tendría un impacto significativo en la producción. A través del análisis comparativo, se valida la consistencia de los resultados obtenidos con el DEA, proporcionando una base sólida para la toma de decisiones en la Gestión del mantenimiento y la optimización de recursos en la empresa textil.
Para dar cumplimiento al objetivo de la investigación, se propone un procedimiento (Figura 1) que permite determinar la criticidad del equipamiento productivo en la entidad objeto de estudio, mediante la combinación de un método tradicional de clasificación con la metodología de Análisis Envolvente de Datos (DEA).
Etapa 1. Determinar eficiencia por el método DEA
La determinación de la eficiencia por el método DEA presupone realizar tres acciones fundamentales (Krejnus, 2023; Lu et al., 2022): definir variables de entrada y salida, determinar los pesos de las variables de entrada y salida, y, finalmente, calcular la eficiencia.
· Paso 1.1. Definir variables de entrada y salida
Para definir las variables de entrada y salida del procedimiento, se empleará el método de consulta a expertos, con el fin de asegurar decisiones basadas en conocimientos especializados, experiencia práctica y validación rigurosa.
Figura 1. Procedimiento para determinar criticidad del equipamiento productivo a través
del método DEA.
Elaboración: Los autores.
· Paso 1.2. Determinar los pesos de las variables de entrada y salida
Los pesos de las variables de entrada y salida se determinarán mediante el modelo matemático descrito en las ecuaciones 1, 2 y 3.
Modelo CCR-IMPUT
[1]
Sujeto a las restricciones siguientes:
[2]
j=1, 2, …, m
[3]
p = 1, 2,…, p
La solución de este modelo matemático se obtendrá utilizando alguno de los softwares disponibles para estos fines (WINQSB, Gurobi, CPLEX, Solver de Excel, Lingo, etc.).
· Paso 1.3. Calcular la eficiencia
El cálculo de la eficiencia debe realizarse a través de la ecuación 4.
[4]
Etapa 2. Definir escala de clasificación.
En esta etapa se procederá a determinar la escala que indicará la criticidad del equipamiento productivo, basada en la eficiencia de los mismos. Para ello, se proponen los pasos siguientes.
· Paso 2.1. Establecer correspondencia entre los valores de eficiencia y las clases de criticidad halladas por el método tradicional
Para el desarrollo de este paso, se proponen las acciones siguientes.
o Acción 2.1.1. Determinar criticidad por el método tradicional escogido
En este paso, primero se debe seleccionar el método tradicional a emplear. En esta investigación se decidió utilizar la propuesta realizada por Alfonso Llanes et al. (2008) (Figura 2), dado que este método ha sido aplicado en diversos estudios obteniendo resultados satisfactorios en todos los casos. Este método clasifica un conjunto de siete variables (seguridad, calidad, régimen de trabajo, afectaciones, frecuencia de fallo, tiempo de reparación y costo de reparación) en tres niveles: nivel 1, el más crítico; nivel 2, intermedio; y nivel 3, el de menos afectaciones. Como resultado, cada equipo se clasifica en una de tres categorías: A, B y C.
Las variables consideradas en el algoritmo son las siguientes:
· Seguridad: Capacidad del fallo para ocasionar daño a las personas que se encuentran en la zona donde opera el equipo o, en general, al medio ambiente.
· Calidad: Nivel de afectación a la calidad del producto que conlleva el fallo del equipo.
Figura 2. Procedimiento para el análisis de criticidad.
Fuente: Alfonso Llanes et al. (2008).
· Régimen de trabajo: Cantidad de tiempo que opera el equipo durante la jornada laboral.
· Afectaciones: Efecto del fallo del equipo en el proceso y su capacidad de interrumpirlo total o parcialmente.
· Frecuencia de fallos: Cantidad de fallos de cualquier componente del sistema por período de utilización (fallos/unidad de tiempo).
· Tiempo de reparación: Tiempo necesario para reparar el fallo.
· Costo de reparación: Costo asociado a la reposición del estado de funcionamiento del elemento que ha fallado.
o Acción 2.1.2. Establecer correspondencia entre los resultados de DEA y del método tradicional seleccionado
En esta acción, primero se ordenan los equipos de mayor a menor eficiencia, y luego se les asigna la categoría de clasificación determinada por el método tradicional.
· Paso 2.2. Decidir escala de clasificación
Para el desarrollo de este paso se proponen las acciones siguientes.
o Acción 2.2.1. Determinar escala inicial
Una vez obtenida la correspondencia entre los resultados de ambos métodos, se establecerá la escala inicial en función de los valores de eficiencia asignados a cada clase.
o Acción 2.2.2. Comprobar escala inicial
La escala obtenida se verificará utilizando el método discriminante, el cual proporcionará una mayor precisión en los límites de cada categoría.
Etapa 3. Definir clasificación de criticidad
En esta etapa, finalmente se procederá a determinar la criticidad del equipamiento productivo con base en los resultados obtenidos en las etapas anteriores.
RESULTADOS
La determinación de la eficiencia se realizó a través del modelo DEA (CCR-IMPUT). Primeramente, se definieron las variables de entrada y salida, para lo cual se conformó un grupo de expertos.
Las variables de salida recomendadas por los expertos fueron la disponibilidad del equipo y el costo de mantenimiento. Para definir las variables de entrada, primero se recopilaron las propuestas de los expertos y luego se determinó su nivel de correlación con las variables de salida mediante el software IBM SPSS Statistics, evaluando el coeficiente de correlación de Pearson. Las variables de entrada definidas fueron el régimen de trabajo, la frecuencia de fallo y el tiempo de reparación.
Los pesos y valores de las variables de entrada y de salida fueron obtenidos a través del software WINQSB. En la tabla 1, se muestran la eficiencia calculada a través de la expresión 4 para algunos de los equipos en estudio.
Tabla 1.
Eficiencia del equipamiento productivo.
|
Equipos |
Eficiencia |
Equipos |
Eficiencia |
|
Vaporizador Nº3 |
0.33 |
Telares DIANA 20 |
0.50 |
|
Encanilladoras 1 |
1.00 |
Telares DIANA 22 |
0.50 |
|
Limpiadora de canillas 5 |
0.62 |
Telares DIANA 24 |
1.00 |
|
Limpiadora de canillas 6 |
1.00 |
Telares DIANA 26 |
0.99 |
|
Enconadora duro Kamitsu 6 |
1.00 |
Telares MEDICAL 3 |
0.67 |
|
Enconadora duro 13 SRW |
1.00 |
Telares MEDICAL 5 |
1.00 |
|
Enconadora suave Kamitsu 1 |
1.00 |
Cortadoras 5 |
0.84 |
|
Enconadora suave SES 12 |
1.00 |
Torundas1 |
0.75 |
|
Telares Sulzer P7 218 |
0.50 |
Torundas2 |
0.80 |
|
Telares Sulzer P7 221 |
0.30 |
Selladoras 2 |
0.67 |
|
Telares DIANA 10 |
0.50 |
Selladoras 3 |
0.67 |
Elaboración: Los autores.
El grupo de expertos estableció los intervalos correspondientes a cada nivel de las variables estudiadas. A continuación, se describe cada nivel correspondiente a la variable régimen de trabajo, basado en el indicador “tiempo de utilización del equipo” (tu).
Nivel 1: el equipo es utilizado intensivamente (tu>14).
Nivel 2: el equipo es utilizado medianamente (7<tu≤14).
Nivel 3: el equipo es de uso ocasional o de baja utilización (tu≤7).
A partir de los intervalos definidos para cada variable se realizó la clasificación de la criticidad de cada equipo por el método tradicional utilizado. En la figura 3 se muestra, a modo de ejemplo, la clasificación del equipo Telar 2 de marca Diana, el cual es catalogado como de “Clase B”.
Figura 3. Representación gráfica de la determinación de la criticidad por el método
tradicional del equipo Telar 2 marca Diana.
Elaboración: Los autores.
Como resultado de la clasificación por el método tradicional empleado se obtuvieron ocho equipos catalogados como Clase A, 10 de Clase B y 38 de Clase C.
Acción 2.1.2. Establecer correspondencia entre los resultados del DEA y del método tradicional seleccionado.
Luego de determinar la eficiencia y criticidad de cada equipo utilizando el método tradicional, se procedió a correlacionar ambos resultados. Para ello, los datos de eficiencia fueron ordenados de mayor a menor, observándose una relación inversamente proporcional: a mayor eficiencia, menor criticidad. La escala de clasificación para la eficiencia se presenta en la tabla 2 inciso a. Posteriormente, se verificó la escala definida mediante el Análisis Discriminante, utilizando el software IBM SPSS Statistics. La escala final se muestra en la tabla 2 inciso b.
Tabla 2.
Escala de clasificación a partir de la eficiencia.
|
a) Escala de clasificación inicial |
b) Escala de clasificación inicial comprobada |
||
|
Clase |
Escala |
Clase |
Escala |
|
A |
0≤ ej ≤0.34 |
A |
0≤ ej ≤0.35 |
|
B |
0.34< ej <0.60 |
B |
0.35< ej ≤0.51 |
|
C |
0.62≤ ej ≤1.00 |
C |
0.51< ej ≤1.00 |
Elaboración: Los autores.
Utilizando los valores de eficiencia obtenidos mediante el método DEA y la escala definida, se determinó la criticidad del equipamiento productivo. En la tabla 3 se presenta la cantidad de equipos clasificados en cada una de las clases, observándose que la mayoría del equipamiento se distribuye entre las clases C (73 %) y A (20 %), mientras que la clase B representa la minoría (7 %).
Tabla 3.
Cantidad de equipos por cada clase.
|
Clase |
Escala inicial |
Escala final |
|
A |
8 |
11 |
|
B |
10 |
4 |
|
C |
38 |
41 |
Elaboración: Los autores.
La investigación demostró la efectividad de combinar un método tradicional con el Análisis Envolvente de Datos (DEA) para clasificar la criticidad del equipamiento productivo. Esta integración facilitó una clasificación más precisa y útil, contribuyendo a la optimización de la gestión de recursos y el mantenimiento.
CONCLUSIONES
La investigación confirma la existencia de una amplia base conceptual sobre la clasificación del equipamiento y sus aplicaciones en el sector industrial, específicamente en la Gestión del mantenimiento. Sin embargo, se identificaron pocos estudios en la literatura científica consultada sobre la aplicación del método de Análisis Envolvente de Datos en este sector empresarial, lo que resalta la actualidad y pertinencia del problema formulado. Además, el análisis de la situación problemática demostró la necesidad de implementar un accionar metodológico que sirva de soporte al proceso de clasificación del equipamiento productivo utilizando el método de Análisis Envolvente de Datos.
La efectividad del accionar metodológico desarrollado para la clasificación del equipamiento productivo a partir del método de Análisis Envolvente de Datos, tomando como referencia un método tradicional, quedó corroborada mediante su aplicación en la entidad objeto de estudio. Esto se evidencia en la clasificación del equipamiento mediante el método tradicional seleccionado, la definición de una escala de clasificación numérica basada en la eficiencia técnica resultante del método de Análisis Envolvente de Datos, y finalmente la clasificación del equipamiento utilizando este método.
FINANCIAMIENTO
No monetario
AGRADECIMIENTO
A todos los actores sociales involucrados en el desarrollo de la investigación.
REFERENCIAS CONSULTADAS
Alfonso Llanes, A., Granela Martín, H., y Hernández Pascual, K. (2008). Propuesta de procedimiento para determinar la política de mantenimiento a partir de análisis de criticidad del equipamiento productivo de los centrales azucareros. Revista Centro Azúcar, 35(1). https://n9.cl/bvkqkz
Alfonso Llanes, A., González Magán, D. R., y Borroto Pentón, Y. (2022). Aplicación del Mantenimiento Basado en el Riesgo a equipos de la Empresa Agroindustrial Azucarera José María Pérez Capote. Revista Centro Azúcar, 49(2), 112-121. https://n9.cl/x9rjl
Alvarado Figueroa, Y. K. (2022). Planificación estratégica y su relación con la gestión del mantenimiento en una Unidad de Gestión Educativa Local de Trujillo. [Tesis de Maestría, Universidad Cesar Vallejo]. Repositorio de la Universidad César Vallejo. https://n9.cl/aapv8
Bakri, A., Alkbir, M. F. M., Awang, N., Januddi, F., Ismail, M. A., Ahmad, A. N. A., & Zakaria, I. H. (2021). Addressing the issues of maintenance management in SMEs: towards sustainable and lean maintenance approach. Emerging Science Journal, 5(3), 367-379. https://doi.org/10.28991/esj-2021-01283
Barry, D. M. (2023). Maintenance Parts Management Excellence. A Holistic Anatomy. CRC Press. https://doi.org/10.1201/9781003344674
Barry, D. M., Campbell, J. D., Jardine, A. K. S., y McGlynn, J. (2024). Asset Management Excellence. Optimizing Equipment Life-Cycle Decisions. (3rd ed.). CRC Press. https://doi.org/10.1201/9781032679600
Costa Ferreira, F. M., & de Souza, H. A. (2021). Management for maintenance of public education. Gestão & Produção, 28, e4894. https://doi.org/10.1590/1806-9649.2020v28e4894
Chávez Cabanillas, D. L., y La Torre Alejos, M. G. (2023). Aplicación del Lean Manufacturing para mejorar el proceso de mantenimiento de máquinas en una empresa del rubro de la construcción. [Título de grado, Universidad Ricardo Palma, Perú]. Repositorio Institucional de la Universidad Ricardo Palma. https://n9.cl/j7ioey
Esquivel Guerrero, M. P., Sánchez Cruz, M. L., y Zapuche Moreno, C. O. (2021). La importancia del mantenimiento como una estrategia de competitividad en las empresas del sector minero. Revista Entorno Académico, 17(2 3), 46-51. https://n9.cl/29ni3
Feal Cuevas, N., González Suárez, E., y Santos Herrero, R. F. (2022). Procedimiento para la evaluación y mejora de la confiabilidad, mantenibilidad y disponibilidad en la industria química cubana. Revista Centro Azúcar, 49(1), 41-50. https://n9.cl/x9rjl
Indrawan, H., Cahyo, N., Simaremare, A., Aisyah, S., & Tauviqirrahman, M. (2019, October). Readiness index for Indonesian power plant toward industry 4.0. In 2019 International Conference on Technologies and Policies in Electric Power & Energy (pp. 1-6). IEEE. https://doi.org/10.1109/IEEECONF48524.2019.9102606
Jakkula, B., Mandela, G., & Chivukula, S. (2022). Reliability, availability and maintainability (RAM) investigation of Load Haul Dumpers (LHDs): a case study. Int J Syst Assur Eng Manag, 13, 504-515. https://doi.org/10.1007/s13198-021-01154-3
Krejnus, M., Stofkova, J., Stofkova, K. R., & Binasova, V. (2023). The Use of the DEA Method for Measuring the Efficiency of Electronic Public Administration as Part of the Digitization of the Economy and Society. Applied Sciences, 13(6), 3672. https://doi.org/10.3390/app13063672
Lu, M., Li, S., y Wen, M. (2022). Types of Maintenance Based on Uncertain Data Envelope Analysis. Symmetry, 14, 1429. https://doi.org/10.3390/sym14071429
Martínez Pérez, F., y Ruiz González, M. L. (2023). Una estrategia de mantenimiento. Revista Ingeniería Agrícola, 13(2), 42-47. https://n9.cl/92n3kk
Pinciroli, L., Baraldi, P., y Zio, E. (2023). Maintenance optimization in industry 4.0. Reliability Engineering and System Safety, 234, 109204. https://doi.org/10.1016/j.ress.2023.109204
Pirbalouti, R. G., Behnam, B., y Dehkordi, M. K. (2023). A risk-based approach to identify safety-critical equipment in process industries. Results in Engineering, 20, 101448. https://doi.org/10.1016/j.rineng.2023.101448
Priyanta, D., Zaman, M. B., y Semin. (2024). Maintenance priority: A literature review of equipment criticality analysis in the oil and gas industries. IOP Conference Series: Earth and Environmental Science, 1423(1), 012010. https://doi.org/10.1088/1755-1315/1423/1/012010
Singh, A. K., & Tewari, P. C. (2023). An overview of reliability, availability, maintainability, and safety strategies for complex systems in various process industries. International Journal of Performability Engineering, 19(12), 788. https://doi.org/10.23940/ijpe.23.12.p3.788796
Xue, S. (2024). Repair and Maintenance Methods of Mechanical Equipment. [Trabajo de Grado, Savonia University of Applied Science]. https://n9.cl/9r4iaz
©2025 por los autores. Este artículo es de acceso abierto y distribuido según los términos y condiciones de la licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0) (https://creativecommons.org/licenses/by-nc-sa/4.0/)