analisis del efecto aprendizaje

Análisis del efecto aprendizaje en un programa de mantenimiento predictivo en
un Hospital
Mª Carmen CARNERO
Universidad de Castilla-La Mancha, ETS Ingenieros Industriales, 13071 Ciudad Real, España
y
Raúl RUIZ DE LA HERMOSA
Universidad de Castilla-La Mancha, ETS Ingenieros Industriales, 13071 Ciudad Real, España
RESUMEN
El efecto aprendizaje se basa en que cada vez que se duplica
el número de unidades producidas en serie, el tiempo medio
de trabajo empleado por unidad de producto disminuye en un
porcentaje constante. Este efecto ha sido ampliamente
analizado en la literatura, sin embargo, no existen precedentes
del cálculo de las tasas de experiencia en la política de
mantenimiento más tecnológica, como es el caso del
mantenimiento predictivo.
En este artículo se muestra la evolución experimentada en la
adquisición de datos predictivos termográficos realizados en
un programa piloto desarrollado en un Hospital. Con ello, se
espera conocer los tiempos normalizados necesarios para
realizar estas actividades, su factor de aprendizaje y delimitar
aquellos factores que alteran o dificultan la obtención de una
mejor tasa de aprendizaje durante la implantación de un
programa de mantenimiento predictivo.
Palabras Clave: Mantenimiento
Aprendizaje, Hospital.
Predictivo,
Efecto
Sin embargo, en el ámbito del mantenimiento industrial, el
número de aportaciones es más limitado, entre ellas se pueden
destacar [9] dónde se evalúa la decisión de realizar
mantenimiento interno o subcontratado, considerando cuantas
unidades pueden ser reparadas internamente para minimizar
el coste total del mantenimiento, considerando que el tiempo
por unidad reparada decrece a medida que se incrementan los
elementos reparados. En [15] se aplica un modelo de
predicción de la tasa de aprendizaje a un programa de
mantenimiento productivo total; este modelo depende del
tamaño de la empresa, ventas, certificación ISO y premios
obtenidos en el año. En [14] se analiza el efecto aprendizaje
sobre el mantenimiento subcontratado; se considera que la
empresa subcontratada es responsable de la programación y
ejecución de las actividades de mantenimiento preventivo y
de efectuar reparaciones cuando el proceso se para por fallos
de maquinaria. Se supone que el aprendizaje tiene lugar
cuando la empresa subcontratada realiza actividades
preventivas que disminuyen tanto el tiempo como el coste. Se
muestra como la subcontrata induce a adoptar una
programación de mantenimiento que maximiza los beneficios
de la empresa fabricante.
1. INTRODUCCIÓN
El efecto aprendizaje se basa en el concepto de que una
actividad puede realizarse de forma más eficiente a medida
que se incrementa el número de repeticiones de la misma.
Existen numerosas contribuciones en la literatura que
analizan el efecto aprendizaje (ver [2], [7], [8], [10] y [16]).
En la aplicación de nuevas tecnologías, especialmente
tecnologías de la información, se pueden destacar las
contribuciones de [13] que muestran la existencia de un factor
de aprendizaje en la instalación de software comprendida
entre el 6 y el 36%. En [4] se presenta un modelo de
programación entera mixta que proporciona la estrategia con
costes más bajos para la aplicación de tecnologías avanzadas,
considerando el efecto aprendizaje y características de olvido
del personal y de envejecimiento de equipos. [11] y [12]
analizan como el efecto aprendizaje puede contribuir a la
mejora de la gestión de proyectos de implantación de
Enterprise Resource Planning (ERP).
Sin embargo, no se han encontrado aportaciones que analicen
el efecto aprendizaje en la aplicación de la política de
mantenimiento más tecnología, como es el caso del
mantenimiento predictivo. Por ello, en este artículo se
muestra la evolución experimentada en la adquisición de
datos predictivos termográficos realizados en un programa
piloto desarrollado en un Hospital. Con ello, se espera
conocer los tiempos normalizados necesarios para realizar
estas actividades, su factor de aprendizaje y delimitar
aquellos factores que alteran o dificultan la obtención de una
mejor tasa de aprendizaje durante la implantación de un
programa de Mantenimiento Predictivo.
En la sección 2 se incluye una introducción al efecto
aprendizaje. En la sección 3 se describe el programa de
Mantenimiento Predictivo implantado en el Hospital. En la
sección 4 se exponen los resultados obtenidos. En la sección
5 se incluyen los agradecimientos y en la sección 6 las
referencias bibliográficas.
variables independientes y el cese del aprendizaje y
comienzo del fenómeno son tenidos en cuenta.
2. EL EFECTO APRENDIZAJE
Existen numerosos ejemplos de diferentes tipos de industria
(ver [6]) en las que se aprecia que cada vez que se duplica el
número de unidades producidas en serie, el tiempo medio de
trabajo empleado por unidad de producto disminuye en un
porcentaje constante.
Las curvas de aprendizaje se pueden emplear para distintos
objetivos:
a) Análisis de costes y presupuestos.
b) Planificación financiera.
c) Estimación de necesidades de recursos humanos.
El efecto aprendizaje es cuantificable, existiendo diferentes
modelos que lo explican [3]:
• Modelo logarítmico. Es el más confirmado
empíricamente y el más aplicado debido a su buen ajuste
a los datos empíricos y a que se trata de un modelo
sencillo [8]; este modelo emplea la Ec. (1).
kn = k1 nb
(1)
donde k1 son las horas de mano de obra necesarias para la
fabricación de la primera unidad, kn son las horas de
mano de obra requeridas para fabricar la enésima unidad,
n es la cantidad acumulada de unidades producidas y b se
define como se muestra en la Ec. (2).
b = log φ/log 2
(2)
siendo φ la tasa de aprendizaje.
Para aplicar este modelo, los tiempos necesarios para
elaborar la primera y la enésima unidad son conocidos.
En primer lugar se estima el valor de b a partir de la Ec.
(1) y a partir de este valor se calcula la tasa de
aprendizaje φ de la Ec. (2). Los valores de φ se
encuentran comprendidos entre 0,6 y 1 (60% y 100%).
Entre las limitaciones de este modelo se encuentran [8]:
a) El fenómeno de aprendizaje continúa indefinidamente
a diferencia de la curva típica del modelo.
b) Se supone que todas las unidades fabricadas tienen
una calidad aceptable.
•
El modelo DeJong. Consiste en una modificación del
modelo logarítmico introduciendo un parámetro
denominado factor de compresibilidad. En este modelo se
considera que el decrecimiento de los tiempos de
ejecución de una actividad es asintótico a un valor
determinado. El factor de compresibilidad permite
suponer que cada actividad tiene dos componentes, uno
que está sujeto a mejora y otro que no lo está.
•
El modelo S. En este modelo la mejora de los tiempos es
lenta al comienzo, cuando el operario se está
familiarizando con la actividad, se incrementa al
acostumbrarse a las condiciones de trabajo y finalmente
se mantiene a medida que hay menos ocasiones de reducir
errores y mejorar los movimientos. El tiempo o el número
acumulativo de productos pueden seleccionarse como
Es habitual encontrar en las curvas de aprendizaje un efecto
meseta, debido a que a partir de un determinado número de
repeticiones, las reducciones de tiempos se hacen
prácticamente nulas. Esto indica que a partir de ese momento
no se mejoran los tiempos con la repetición de las
operaciones. Este punto se toma como referencia para los
cálculos de tiempos estandarizados de operaciones [1]. Sin
embargo, el efecto meseta puede desaparecer mediante la
inversión en nuevas máquinas, nuevos procedimientos de
actuación, rediseño del producto o mayor formación de los
recursos humanos. Se ha sugerido que este estancamiento
puede estar asociado a la finalización del trabajo o a no
realizar inversiones en mejoras técnicas para permitan
continuar con el proceso de aprendizaje [16].
Sin embargo, las curvas de aprendizaje son difíciles de aplicar
debido a los siguientes aspectos [5]:
a) A veces es imposible desarrollar estimaciones de las
horas de mano de obra necesarias para la obtención de la
primera unidad o el cálculo de la tasa de aprendizaje.
b) Diferentes trabajadores tienen asociadas tasas de
aprendizaje distintas.
c) Actualmente, la cantidad de innovación que incorporan
los productos es limitada. Por tanto, el desarrollo de
actividades asociadas a nuevos productos presenta un
aprendizaje latente que se aplica a ellos. A medida que se
reducen los tamaños de lote se producen lotes más
frecuentes y pequeños, por lo que es complejo cuantificar
que cantidad de aprendizaje se transfiere de un lote al
siguiente; además, el cálculo de la primera unidad es un
concepto más difícil de cuantificar.
Generalmente se supone que el efecto aprendizaje es
independiente de la actividad de fabricación de un producto,
de forma que se puede considerar una curva de aprendizaje
común para todas las actividades relacionadas con un
producto. Sin embargo, en las aplicaciones reales, la mejora
de tiempos con la repetición de una actividad, depende de
ésta o de su posición en el proceso de producción [10].
Independientemente de la forma de la curva de aprendizaje,
existe siempre una proporción de olvido que comienza
cuando un operario deja de realizar una actividad. El olvido
es una función de la cantidad de aprendizaje realizado y de la
duración de la interrupción. Las interrupciones de corto plazo
en la producción ocurren cuando se dividen los trabajos o
cuando un trabajo urgente interrumpe otro en fase de
realización. Las interrupciones a largo plazo requieren
obtener de nuevo el conocimiento y la destreza, el ritmo, las
condiciones de trabajo y los servicios de apoyo (equipo,
mantenimiento, etc.) que se han perdido. En estas
interrupciones también pueden presentarse cambios en
personal y transferencia de equipo e instalaciones para otras
aplicaciones.
El olvido total no tiene lugar en interrupciones de cortos
periodos de tiempo; se aprecian disminuciones iniciales
rápidas del rendimiento seguidas por una estabilización
gradual en función del intervalo de la interrupción. La rapidez
y la proporción de olvido disminuyen a medida que se
termina un número mayor de unidades antes de que se
produzca una interrupción.
3. CARACTERÍSTICAS DEL PROGRAMA DE
MANTENIMIENTO PREDICTIVO
Es conocido los importantes beneficios que un programa de
Mantenimiento Predictivo puede reportar a una empresa en
aspectos relativos a costes, calidad, seguridad y
disponibilidad. Sin embargo, aunque esta política de
mantenimiento ha sido ampliamente aplicada en empresas de
manufactura, en el caso de empresas de servicios existen
escasos precedentes, que son inexistentes en el caso de un
hospital.
Las máquinas y equipos que se analizan en el Hospital objeto
de estudio son: motores, cuadros eléctricos y otros
dispositivos como transformadores, terminales y tableros de
transformadores, interruptores y fusibles magnéticos, bancos
capacitares, pares galvánicos, cables de salida de
interruptores y bandas motrices.
La periodicidad en la adquisición de datos predictivos es
bimensual. Para ello, se dispone de un técnico encargado de
la adquisición de datos, análisis y diagnóstico de los
equipamientos. Las mediciones se realizan dentro de dos
áreas diferentes del Hospital: electromedicina e instalaciones
eléctricas y alumbrado. Cada área dispone de diferentes
recursos humanos que deben acompañar al técnico para
preparar los dispositivos para la adquisición de los datos y
garantizar la seguridad del técnico. Esta diferencia de
recursos humanos tiene una influencia importante en el
tiempo de adquisición de los registros predictivos.
Las primeras adquisiciones de datos predictivos se realizan de
manera aleatoria, es decir, sin ningún criterio preestablecido.
Posteriormente se introducen variaciones ya que es
conveniente realizar termografías de todo elemento
independientemente de sus condiciones (en muchos casos las
máquinas, centros de transformación, baterías, etc. no están
en funcionamiento y sólo se percibe la temperatura ambiente
del lugar en el que están situados). Debido a esto, la
identificación de las termografías es compleja por lo que cada
termografía se acompaña de su correspondiente fotografía.
Se han diseñados dos rutas para la adquisición de datos, una
para las instalaciones de electromedicina y otra para las
instalaciones eléctricas y de alumbrado. La periodicidad en la
adquisición de registros se amplió a trimestral cuando se
recopiló un archivo histórico superior a un año y medio y se
confirmó el control de la técnica por parte del técnico. Cada
grupo de mediciones se realiza en periodos de 5 días en los
que, junto con la imagen termográfica, se realiza una
fotográfica que sirve para corroborar situaciones de evidente
deterioro, mal funcionamiento, suciedad, etc. Hasta el
momento actual, se recopila una media superior a 1.600
archivos termográficos y fotográficos por grupo de
mediciones.
En algunos casos, el seguimiento de la ruta no se puede hacer
de manera estricta, puesto que las mediciones están sujetas a
cuestiones de seguridad del paciente. Se estipula no
manipular ningún elemento durante intervenciones
quirúrgicas u operaciones de riesgo por parte del personal
sanitario, esperando a la finalización inmediata de éstas para
la revisión del equipo o instalación. Estas precauciones
también se tienen en cuenta cuando se trabaja con los equipos
TAC y PET-TAC, ya que, aunque la criticidad de las pruebas
no es tan alta como la de una intervención quirúrgica, los
equipos tienen especial relevancia en el servicio asistencial
proporcionado. De igual manera, se establecen otras
condiciones de seguridad, esta vez en relación con el técnico,
requiriéndose que las rutas predictivas se hagan en compañía
de técnicos cualificados, que son los que se encargan de la
apertura y cierre de elementos que tienen asociado riesgo
eléctrico.
Se está aplicando la norma ISO para la evaluación de los
defectos encontrados en las rutas de inspección eléctrica. Por
tanto, se emplea los siguientes niveles de prioridad para
catalogar, según el nivel de importancia, los defectos
encontrados y asignarles una orden de reparación. Para ello,
se emplean los siguientes niveles de prioridad:
Prioridad RI: componente > 35ºC con respecto a su
adyacente. Reparación inmediata (en las próximas 48
horas).
Prioridad RPP: componente > 10ºC y < 35ºC con
respecto a su adyacente. Reparación de parada
programada (en los próximos 3 meses).
Prioridad S: componente < 10ºC con respecto a su
adyacente. No es necesario reparar (se recomienda
realizar un seguimiento de temperatura en el equipo).
Para determinar la anormalidad de una temperatura para un
motor, se aplica la clasificación de temperaturas en un
sistema de aislamiento para un motor según la norma IEEE
117-2000 basada en una temperatura ambiente de 40 ºC.
3. RESULTADOS
A continuación se muestran los resultados obtenidos del
estudio de tiempos en una serie de elementos que se
consideran especialmente interesantes, debido a que se
encuentran localizados en los quirófanos y, por tanto, pueden
tener influencia directa en la asistencia al paciente o bien
debido a que son los elementos sobre los que se dedica mayor
tiempo en la medición de registros predictivos. Estos
elementos son:
•
Sistemas de alimentación ininterrumpida (SAI) de
quirófanos. Se trata de un total de 12 SAIs bajo la
responsabilidad del área de instalaciones eléctricas y
alumbrado. De las figuras 1 a 12 se muestran los datos
resultantes de la adquisición de datos predictivos y
fotografías en cada SAI. Se puede apreciar que en la
mayor parte de los SAIs de quirófano disminuye el
tiempo destinado a la adquisición de datos predictivos y
fotografías hasta la penúltima medición realizada en
octubre de 2009. A partir de esta fecha, se decide
incrementar el espacio de tiempo entre adquisiciones,
apareciendo un ligero efecto de olvido como se puede
apreciar en el último dato de las figuras 1, 2, 5, 8, 10, 11 y
12. Por tanto, el porcentaje de experiencia se ha calculado
considerando los datos hasta octubre de 2009 en todos los
SAIs.
70
60
50
TIEMPO (s)
En la tabla 1 se muestran los resultados obtenidos al
aplicar el modelo logarítmico. Se puede apreciar que las
tasas de aprendizaje tienen valores comprendidos entre el
47 % y el 80 % y, por tanto, los resultados son muy
positivos. Sólo en el caso de los registros de fotografía en
los SAIs de los quirófanos 4 y 9 no se aprecia efecto
aprendizaje.
40
TIEMPO DE
FOTOGRAFÍA (s)
TIEMPO DE
TERMOGRAFÍA (s)
TIEMPO TOTAL (s)
30
20
10
40
TIEMPO DE
TERMOGRAFÍA (s)
30
TIEMPO TOTAL (s)
0
Figura 5. Tiempos de adquisición de datos en el SAI del
quirófano 5.
20
10
100
90
80
FECHA
m
ay
ju -08
nju 0 8
a g l -0
8
o
se -0
p 8
o c -0 8
no t-0
v 8
d -0 8
enic-0
e- 8
fe 09
m b-0
a 9
abr-09
m r-0
ay 9
ju -09
nju 0 9
a g l -0
9
seo-0
p 9
o c -0 9
no t-0
v 9
d -0 9
enic-0
e- 9
fe 10
b10
0
FECHA
ay
ju -08
nju 0 8
a g l -0
8
o
se -0
p 8
oc-08
no t-08
v
d - 08
enic-0
e- 8
fe 09
m b-0
ar 9
ab -09
m r-0
ay 9
ju -09
nju 0 9
a g l -0
9
seo-0
p 9
oc-09
t
no 0
v 9
d - 09
enic-0
e- 9
fe 10
b10
TIEMPO DE
FOTOGRAFÍA (s)
m
50
Figura 1. Tiempos de adquisición de datos en el SAI del
quirófano 1.
TIEMPO (s)
TIEMPO (s)
60
70
60
50
TIEMPO DE
FOTOGRAFÍA (s)
TIEMPO DE
TERMOGRAFÍA (s)
TIEMPO TOTAL (s)
40
30
20
10
80
0
TIEMPO DE
FOTOGRAFÍA (s)
50
TIEMPO DE
TERMOGRAFÍA (s)
40
TIEMPO TOTAL (s)
FECHA
ay
ju -08
nj u 08
ag l-0
8
o
se -0
p 8
oc - 08
no t-08
v
d - 08
enic-0
e- 8
fe 09
m b-0
ar 9
ab -09
m r-0
ay 9
ju -09
nj u 09
ag l-0
9
seo-0
p 9
oc - 09
t
no -09
v
di - 09
en c-0
e 9
fe -10
b10
TIEMPO (s)
60
m
70
Figura 6. Tiempos de adquisición de datos en el SAI del
quirófano 6.
30
20
70
10
60
FECHA
ay
ju -08
nj u 08
ag l -0
8
o
se -0
p 8
o c - 08
no t-08
v
d -08
enic-0
e- 8
fe 09
m b- 0
a 9
abr-09
m r-0
ay 9
ju -09
nj u 09
ag l -0
9
seo-0
p 9
o c - 09
t
no 09
v
d -09
enic-0
e- 9
fe 10
b10
m
50
Figura 2. Tiempos de adquisición de datos en el SAI del
quirófano 2.
TIEMPO (s)
0
40
TIEMPO DE
FOTOGRAFÍA (s)
TIEMPO DE
TERMOGRAFÍA (s)
TIEMPO TOTAL (s)
30
20
50
25
20
TIEMPO DE
TERMOGRAFÍA (s)
0
Figura 7. Tiempos de adquisición de datos en el SAI del
quirófano 7.
TIEMPO TOTAL (s)
15
10
5
80
70
FECHA
Figura 3. Tiempos de adquisición de datos en el SAI del
quirófano 3.
60
TIEMPO (s)
m
a
ju y-0
n 8
j -0
agul-08
seo-0 8
p 8
o -0
noct-08
8
d v-0
enic-08
8
e
fe -0
m b-09
ar 9
a -0
m br-09
a 9
ju y-0
n- 9
0
agjul- 9
0
seo-0 9
p- 9
oc 09
no t-0
v 9
d -0
enic-09
e
fe -1 9
b- 0
10
0
FECHA
ay
ju -08
nju 0 8
a g l -0
8
o
se -0
p- 8
oc 08
no t-0
v 8
d -0 8
enic-0
e- 8
fe 09
m b-0
ar 9
ab -09
m r-0
ay 9
ju -09
nju 0 9
a g l -0
o- 9
se 0 9
p
oc-09
no t-0
v 9
d -0 9
enic-0
e- 9
fe 10
b10
TIEMPO (s)
40
35
30
10
TIEMPO DE
FOTOGRAFÍA (s)
m
45
TIEMPO DE
FOTOGRAFÍA (s)
50
TIEMPO DE
TERMOGRAFÍA (s)
40
TIEMPO TOTAL (s)
30
20
10
40
TIEMPO (s)
30
0
TIEMPO DE
FOTOGRAFÍA (s)
25
TIEMPO DE
TERMOGRAFÍA (s)
20
TIEMPO TOTAL (s)
15
10
5
FECHA
m
ay
ju -08
nju 0 8
ag l -0
8
seo-0
p 8
o c - 08
no t-08
v
di -08
en c-0
e- 8
fe 09
m b- 0
a 9
abr-09
m r-0
ay 9
ju -09
nju 0 9
ag l -0
9
seo-0
p 9
o c - 09
t
no 09
v
d -09
enic-0
e- 9
fe 10
b10
0
Figura 4. Tiempos de adquisición de datos en el SAI del
quirófano 4.
FECHA
m
ay
ju -08
nju 0 8
ag l - 0
o 8
se -08
p
oc-08
no t-08
v
di -08
en c-0
e- 8
fe 09
m b- 0
ar 9
ab -09
m r-0
ay 9
ju -09
nju 0 9
ag l - 0
9
seo-0
p 9
oc-09
t
no 09
v
d -09
enic-0
e 9
fe -10
b10
35
Figura 8. Tiempos de adquisición de datos en el SAI del
quirófano 8.
TIEMPO (s)
30
25
TIEMPO DE
FOTOGRAFÍA (s)
20
TIEMPO DE
TERMOGRAFÍA (s)
15
TIEMPO TOTAL (s)
10
5
FECHA
m
ay
ju -08
nj u 08
ag l-0
o- 8
se 0 8
p
oc -0 8
n o t-0 8
v
d - 08
enic-0
e- 8
fe 0 9
m b -0
ar 9
a b -09
m r-0
ay 9
ju -09
nj u 09
ag l-0
9
o
se -0
p 9
oc -0 9
t
n o -0 9
v
di - 09
en c-0
e 9
fe -1 0
b10
0
Figura 9. Tiempos de adquisición de datos en el SAI del
quirófano 9.
TIEMPO (s)
60
50
TIEMPO DE
FOTOGRAFÍA (s)
40
TIEMPO DE
TERMOGRAFÍA (s)
30
TIEMPO TOTAL (s)
20
10
FECHA
m
ay
j u -08
nj u 08
ag l-0
o 8
se -0 8
p
oc - 08
n o t-0
v 8
di -0 8
en c-0
e- 8
fe 0 9
m b -0
ar 9
a b -09
m r-0
ay 9
j u -09
nj u 09
ag l-0
9
o
se -0
p 9
oc - 09
t
n o -09
v
di -0 9
en c-0
e- 9
fe 1 0
b10
0
Figura 10. Tiempos de adquisición de datos en el SAI del
quirófano 10.
80
TIEMPO (s)
70
60
TIEMPO DE
FOTOGRAFÍA (s)
50
TIEMPO DE
TERMOGRAFÍA (s)
40
TIEMPO TOTAL (s)
30
20
10
FECHA
m
ay
ju -08
nj u 08
ag l-0
8
seo -0
p 8
o c-08
n o t-0 8
v
d -0 8
enic-0
e- 8
fe 0 9
m b -0
a 9
a br-09
m r-0
ay 9
ju -09
nj u 09
ag l-0
o- 9
se 0 9
p
o c-09
n o t-0 9
v
d -0 9
enic-0
e 9
fe -1 0
b10
0
Figura 11. Tiempos de adquisición de datos en el SAI del
quirófano 11.
40
TIEMPO (s)
35
Factor de aprendizaje (φ
φ) (%)
Registros de
Registros de
fotografía
termografía
SAI quirófano 01
59,66
57,28
SAI quirófano 02
52,65
52,46
SAI quirófano 03
76,48
61,59
SAI quirófano 04
63,59
SAI quirófano 05
79,10
54,95
SAI quirófano 06
66,34
62,77
SAI quirófano 07
47,11
63,91
SAI quirófano 08
73,07
46,16
SAI quirófano 09
73,71
SAI quirófano 10
65,38
49,11
SAI quirófano 11
52,08
47,11
SAI quirófano 12
79,66
64,35
Tabla 1. Resultados de las tasas de aprendizaje en los SAIs de
quirófano.
Dispositivo
30
TIEMPO DE
FOTOGRAFÍA (s)
25
TIEMPO DE
TERMOGRAFÍA (s)
20
TIEMPO TOTAL (s)
•
El cuadro del panel de neonatos. Este dispositivo se
encuentra bajo la responsabilidad del área de
electromedicina. En este caso se adquieren datos
correspondientes a 75 elementos distribuidos de la
siguiente manera:
• Puerta 1: 10 elementos.
• Puertas 2, 3, 4, 5 y 6: 13 elementos.
En la figura 13 se muestran las curvas de experiencia para
el cuadro del panel de neonatos. La forma irregular con
respecto a las clásicas curvas de aprendizaje se debe a que
existe un primer periodo de colaboración entre el técnico
y el equipo encargado de la preparación de los
dispositivos para la adquisición de datos. Posteriormente,
el técnico se tuvo que encargar personalmente de la
preparación de los dispositivos y a continuación realizar
las mediciones, lo que ralentizaba el proceso. Finalmente,
a partir de las mediciones de abril de 2009, se inicia de
nuevo la colaboración con el equipo. Por tanto,
considerando esta problemática, se ha considerado como
valor inicial el de abril de 2009 calculándose el efecto
aprendizaje a partir de los datos obtenidos en esa fecha.
En la tabla 2 se muestran los factores de aprendizaje
obtenidos aplicando el modelo logarítmico. Se puede
apreciar que se encuentran próximos al 80%, resultando
por tanto valores muy buenos, considerando la
complejidad por el número de elementos incluidos en este
cuadro.
15
10
m
Figura 12. Tiempos de adquisición de datos en el SAI del
quirófano 12.
TIEMPO DE
FOTOGRAFÍA (s)
5000
4000
3000
TIEMPO DE
TERMOGRAFÍA (s)
2000
TIEMPO TOTAL (s)
1000
0
ju
nj u 08
a g l -0
o 8
se -08
poc 08
no t-08
v
d i -0 8
c
e n -0 8
e
fe -09
m b -0
ar 9
ab -09
m r-0
ay 9
ju -09
nj u 09
a g l -0 9
o
se -0
p- 9
oc 09
no t-09
v
d i -0 9
c09
FECHA
ay
ju -08
nju 0 8
a g l-0
o 8
s e -0
p- 8
oc 0 8
no t-0
v 8
di -08
e n c-0
e- 8
fe 09
m b- 0
ar 9
ab -09
m r-0
ay 9
ju -09
nju 0 9
a g l-0
o 9
s e -0
p 9
oc-0 9
no t-0
v 9
dic -09
e n -0
e 9
fe -10
b10
0
TIEMPO (s)
6000
5
FECHA
Figura 13. Tiempos de adquisición de datos en el cuadro del
panel de neonatos.
Factor de aprendizaje (φ
φ) (%)
Registros de
Registros de
fotografía
termografía
Dispositivo
Cuadro del panel
de neonatos
81,12
75,35
6. REFERENCIAS
[1]
Tabla 2. Factores de aprendizaje correspondientes al cuadro
del panel de neonatos.
[2]
Los factores técnicos han afectado decisivamente a los
resultados del factor aprendizaje. Un aspecto fundamental es
la ubicación de los cuadros eléctricos. Cuanto más alto están
colocados, más difícil es obtener una medida fiable cuando no
se dispone de una escalera de mano (esta incidencia suele ser
muy recurrente en los quirófanos). Esto se debe a que si no se
realiza la adquisición de datos a una determinada altura, el
objetivo de la cámara termográfica se inclina y cuando la
inclinación supera un ángulo de 45 grados, la calidad de los
registro termográficos puede disminuir.
En algunos cuadros de la zona de Urgencias del Hospital, se
realizó un cambio de ubicación de los cuadros, bajándose de
posición, lo que ayuda en el proceso de adquisición de datos
y, por tanto, mejora el efecto aprendizaje.
Aspectos como la colocación de cubos de basura, material
sanitario o carritos con toallas delante de los cuadros
eléctricos crea falta de espacio que influye en la acumulación
de temperatura en determinadas áreas. Por tanto, la
adquisición de datos predictivos debe realizarse eliminando
los elementos que interfieren y realizar la adquisición de
datos rápidamente a continuación; si se realizase la
adquisición de datos con el procedimiento normal, se estaría
favoreciendo la refrigeración de los cuadros y los valores
predictivos no serían los que se corresponden con la situación
habitual en la que se encuentran dichos cuadros eléctricos.
Algo similar ocurre con los cuadros eléctricos situados en los
sótanos. En ciertos puntos del techo hay sistemas de aire que
refrigeran las superficies de los cuadros pero no su interior.
Por tanto, las mediciones se realizan inmediatamente al abrir
el cuadro eléctrico, ya que en caso contrario el aire alcanza el
interior del dispositivo, disminuyendo su temperatura.
Otros aspectos técnicos muy comunes que pueden
incrementar el tiempo de adquisición de datos predictivos son
los reflejos, especialmente en cuadros eléctricos en los que
existen muchos componentes metálicos. Se tiene que buscar
el ángulo adecuado de medición para evitar reflejos; también
el enfoque tiene que ser regulado en cada adquisición de
datos predictivos.
También debe considerarse que la adquisición de datos se
realiza bimensualmente por lo que existe un cierto efecto de
olvido, que se pone de manifiesto en los cuadros con un
mayor número de elementos por medir, sobre todo, cuando el
técnico se tiene que encargar de nuevas actividades como la
apertura de los dispositivos, aspecto sobre el que no tiene
ninguna experiencia.
[3]
[4]
[5]
[6]
[7]
[8]
[9]
[10]
[11]
[12]
[13]
[14]
[15]
[16]
5. AGRADECIMIENTOS
Los autores agradecen a la Junta de Comunidades de CastillaLa Mancha por su financiación para la realización del
proyecto PCI08-0042-6312.
J. A. Domínguez, Mª J.Álvarez, M A. Domínguez,
Dirección de Operaciones, aspectos estratégicos en la
producción y los servicios, McGraw-Hill, Madrid,
1995.
J. R. Dorroh, T. R. Gulledge, N. K. A Womer,
“Generalization of the learning curve”, European
Journal of Operational Research, Vol. 26, 1986, pp.
205-216
E. Fernández, L. Avella, M. Fernández, Estrategia de
producción, McGraw-Hill, Madrid, 2003.
R. J. Gagnon, C. Sheu, “The impact of learning,
forgetting and capacity profiles on the acquisition of
advanced technology”, Omega, Vol. 28, 2000, pp. 5176.
N. Gaither, G. Frazier, Administración de producción y
operaciones, International Thomson Editores, México,
2000.
J. Heizer, B. Render, Dirección de la Producción,
Prentice-Hall, 2001.
M.Y. Jaber, A. L. Guiffrida, “Learning curves for
processes generating defects requiring reworks”,
European Journal of Operational Research, Vol. 159,
No. 3, 2004, pp. 663-672.
M. Y. Jaber, A. Guiffrida, “Learning curves for
imperfect production processes with reworks and
process restoration interruptions”, European Journal of
Operational Research, Vol. 189, 2008, pp. 93-104.
W. J. Kennedy, “Modeling in-house vs. contract
maintenance, with fixed costs and learning effects”,
International Journal of Production Economics, Vol. 32,
1993, pp. 277-283.
G. Mosheiov, J. B. Sidney, “Scheduling with general
job-dependent learning curves”, European Journal of
Operational Research, Vol. 147, 2003, pp. 665–670.
M. Plaza, K. Rohlf, “Learning and performance in ERP
implementation projects: A learning-curve model for
analyzing and managing consulting costs”, International
Journal of Production Economics, Vol. 115, 2008, pp.
72- 85.
M. Plaza, O. K. Ngwenyama, K. Rohlf, “A comparative
analysis of learning curves: Implications for new
technology implementation management”, European
Journal of Operational REsearch, Vol. 200, 2010, pp.
518–528.
S. P. Saraswat, J. T. Gorgone, “Organizational learning
curve in software installation: An empirical
investigation”, Information & Management, Vol. 19,
1990, pp. 53-59.
H. Tarakci, K. Tang, S. Teyarachakul, “Learning
effects on maintenance outsourcing”, European Journal
of Operational Research, Vol. 192, 2009, pp. 138–150.
F. K. Wang, W. Lee, “Learning curve analysis in total
productive maintenance”, Omega, Vol. 29, 2001, pp.
491-499.
L. E. Yelle, “Industrial life cycles and learning curves:
Interaction of marketing and production”, Industrial
Marketing Management, Vol. 9, No. 4, 1980, pp. 311–
318.