Optimization of Maintenance Strategies for Leased Equipment Considering Learning Effects and Spare Parts Inventory

Dans le monde moderne de l'industrie lourde et de la construction, les machines massives comme les excavatrices et les grues sont souvent trop coûteuses pour être achetées directement. Au lieu de cela, les entreprises les louent, créant ainsi un partenariat entre le propriétaire de la machine et l'entreprise qui l'utilise. Cet arrangement ne fonctionne bien que si l'équipement reste opérationnel. Lorsqu'une machine tombe en panne, l'utilisateur perd de l'argent car son travail s'arrête, tandis que le propriétaire perd de l'argent car il doit payer pour les réparations. Le défi central de cette relation est de décider de la fréquence à laquelle on doit entretenir la machine avant qu'elle ne tombe en panne. Si le propriétaire l'entretient trop rarement, la machine tombe souvent en panne, ce qui mécontente l'utilisateur. S'il l'entretient trop souvent, la machine reste inactive trop longtemps, gaspillant du temps et de l'argent pour les deux parties. De plus, lorsqu'une réparation est nécessaire, la rapidité de l'intervention dépend de la présence ou non des pièces de rechange appropriées et du niveau de compétence acquis par l'équipe de réparation grâce à l'expérience.

Des chercheurs de l'Université de technologie d'Anhui ont entrepris de résoudre ce casse-tête complexe en construisant un modèle détaillé du fonctionnement de ces relations de location. Ils se sont concentrés sur deux facteurs spécifiques qui sont souvent négligés dans la planification traditionnelle : l'« effet d'apprentissage » et la gestion de l'inventaire des pièces de rechange. L'effet d'apprentissage décrit comment une équipe de réparation devient plus rapide et plus efficace à mesure qu'elle répare le même type de machine, simplement parce qu'elle gagne en expérience. L'inventaire des pièces de rechange fait référence au stock de composants de remplacement qu'un bailleur garde prêt pour s'assurer qu'une machine en panne puisse être réparée immédiatement sans attendre une expédition. Les chercheurs voulaient savoir comment ces deux facteurs interagissent et comment ils peuvent être utilisés pour aligner les intérêts du propriétaire de la machine et du locataire, garantissant que les deux parties prennent des décisions qui bénéficient à l'ensemble du système plutôt qu'à elles-mêmes uniquement.

L'étude a commencé par cartographier les réalités financières pour les deux parties. Le propriétaire de la machine veut minimiser le coût des réparations et le temps passé à réparer, tandis que le locataire veut maximiser le temps pendant lequel la machine fonctionne réellement pour générer des revenus. Dans un contrat de location typique, ces objectifs s'affrontent. Le propriétaire peut retarder la maintenance pour économiser de l'argent, mais cela augmente le risque de pannes qui nuisent au locataire. Pour comprendre la meilleure approche, les chercheurs ont créé deux scénarios différents. Dans le premier, le propriétaire et le locataire prennent des décisions de manière indépendante, chacun essayant de maximiser son propre profit. Dans le second, ils agissent comme une seule équipe, prenant des décisions pour maximiser le profit total du partenariat.

Lorsque les chercheurs ont simulé le scénario indépendant, ils ont constaté que les deux parties choisissaient naturellement des calendriers de maintenance différents. Le locataire, préoccupé par la minimisation de la consommation de temps et de la charge de coût associée à la maintenance, avait tendance à choisir une fréquence de maintenance nettement inférieure. En revanche, le propriétaire, équilibrant les coûts de maintenance et les gains de fiabilité, optait pour une fréquence beaucoup plus élevée. Ce désalignement signifiait que la machine n'était pas entretenue au niveau optimal pour l'ensemble du système ; plus précisément, la fréquence préférée du locataire était bien en dessous de l'optimum du système, tandis que celle du propriétaire était bien au-dessus. Cependant, lorsque les chercheurs ont introduit l'effet d'apprentissage dans le modèle, la situation a changé. À mesure que l'équipe de réparation gagnait en expérience, le temps et le coût requis pour chaque tâche de maintenance diminuaient. Cette amélioration rendait plus attractif pour le propriétaire d'effectuer la maintenance plus fréquemment, ce qui améliorait la fiabilité de la machine et augmentait les profits du locataire. L'étude a montré qu'à mesure que le niveau de compétence de l'équipe augmentait, le nombre optimal de contrôles de maintenance augmentait, et le profit total pour tout le monde augmentait également.

Les chercheurs ont également examiné le rôle des pièces de rechange. Ils ont découvert que le fait de disposer d'un stock de pièces de rechange réduisait considérablement le risque de longs délais lorsqu'une machine tombait en panne. Cette disponibilité permettait des réparations plus rapides, ce qui signifiait moins de temps d'arrêt pour le locataire et une meilleure continuité opérationnelle. Curieusement, la présence de pièces de rechange modifiait la stratégie de maintenance. Avec des pièces prêtes à l'emploi, le locataire ressentait moins de pression pour exiger des contrôles préventifs fréquents, ce qui entraînait une légère réduction du nombre d'événements de maintenance programmés. Cependant, le propriétaire, sachant que les pièces étaient prêtes, était plus disposé à augmenter la fréquence de la maintenance pour maintenir la machine en excellent état. Ce changement a créé une nouvelle dynamique où les avantages de la disponibilité des pièces étaient partagés, mais où les coûts de détention de cet inventaire étaient initialement supportés uniquement par le propriétaire.

Pour corriger le désalignement des intérêts, l'étude a proposé deux stratégies spécifiques pour ramener le propriétaire et le locataire à un accord. La première stratégie, appelée politique de limitation des défaillances, fixe un plafond strict sur le nombre de fois qu'une machine peut tomber en panne pendant la période de location. Si la machine dépasse cette limite, le propriétaire paie une pénalité. Cela force le propriétaire à investir davantage dans la maintenance pour éviter la pénalité, alignant ainsi ses actions sur le besoin de fiabilité du locataire. La seconde stratégie, le bonus de temps de disponibilité, fonctionne dans le sens inverse. Ici, le locataire promet un bonus financier au propriétaire si la machine reste opérationnelle pendant un certain temps. Cela récompense le propriétaire pour le maintien de la machine en état de marche, l'encourageant à effectuer la maintenance de manière proactive.

Les simulations ont révélé que les deux stratégies pouvaient réussir à coordonner la chaîne d'approvisionnement, alignant les décisions indépendantes du propriétaire et du locataire sur le résultat optimal pour l'ensemble du système. Le choix entre les deux dépend de la situation spécifique. Si la machine est sujette à des défaillances fréquentes et que le coût d'une panne est élevé, la politique de limitation des défaillances est la plus efficace. Si la machine est utilisée intensément et que le coût de l'indisponibilité est la préoccupation primaire, le bonus de temps de disponibilité est plus efficace. L'étude a également souligné que le locataire devrait partager la charge financière de l'inventaire des pièces de rechange. En fournissant un subside au propriétaire pour le stockage des pièces, le locataire garantit que le propriétaire dispose des ressources nécessaires pour maintenir une haute disponibilité, ce qui conduit finalement à des profits plus élevés pour les deux parties.

Les chercheurs ont testé leur modèle avec divers scénarios, en modifiant des facteurs tels que l'intensité d'utilisation de la machine et la durée de la période de location. Ils ont découvert que des périodes de location plus longues entraînaient généralement des profits plus élevés pour tout le monde, car les bénéfices de l'apprentissage et de la maintenance s'accumulaient au fil du temps. Inversement, si la machine était utilisée de manière très intense, le taux de défaillance augmentait brusquement, et les profits commençaient à chuter pour les deux parties, à moins que la maintenance ne soit augmentée de manière significative. L'étude a confirmé que l'effet d'apprentissage et l'inventaire des pièces de rechange ne sont pas de simples détails ; ce sont des leviers puissants qui, lorsqu'ils sont gérés correctement, peuvent transformer une relation de location conflictuelle en un partenariat hautement efficace. En comprenant comment l'expérience et l'inventaire interagissent, les entreprises peuvent s'éloigner des règles de maintenance rigides et uniformes pour adopter des stratégies dynamiques qui s'adaptent aux performances réelles de leurs équipements.