⚡ electrical engineering

Data‑Driven Manpower Optimization for Gas Turbine Major Inspections: A Case Study Using WLA, WBS, and Time–Motion Analysis

Deze studie presenteert een datagestuurd kader waarin werkbelastinganalyse, werkstructuur (Work Breakdown Structure) en tijd-bewegingsanalyse worden geïntegreerd om de personele samenstelling voor grote inspecties van gasturbines te optimaliseren, waarbij de uitvalduur succesvol werd verkort van 50 naar 46 dagen en meer dan $650.000 aan gecombineerde arbeids- en inkomstenbesparingen werd gegenereerd door specifieke disbalans in de beroepsbevolking aan te pakken.

Oorspronkelijke auteurs: Ramli Ramli, Martin Fatah

Gepubliceerd 2026-07-22

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Ramli Ramli, Martin Fatah

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je een enorme elektriciteitscentrale voor als een gigantisch, brommend hart dat een stad in leven houdt. Elke paar jaar heeft dit hart een "grote inspectie" nodig—een volledige, diepgaande controle waarbij de machines worden uit elkaar gehaald, schoongemaakt, gerepareerd en weer in elkaar wordt gezet. Dit is geen snelle olievervanging; het is alsover een openhartoperatie uitvoeren op een motor ter grootte van een gebouw. Hiervoor heb je een enorm team van werkers nodig: monteurs om zware onderdelen te tillen, elektriciens om complexe systemen te bedraden, en instrumentatie-experts om de sensoren af te stellen. De grote uitdaging is niet alleen om genoeg mensen te hebben, maar om de juiste mix van mensen op het juiste moment te hebben. Als je te veel elektriciens hebt rondstaan terwijl de monteurs verzuipen in het werk, sleept het hele project zich voort. Als je te lang wacht met het repareren van een kleine sensor, stopt het hele hart weer met kloppen. Dit is de wereld van "manpower optimalisatie", waar ingenieurs proberen een gigantische puzzel op te lossen: hoe plan je honderden werkers zodat de reparatie snel, goedkoop en veilig wordt afgerond.

Dit artikel duikt in die puzzel door een specifieke reparatie aan een gasturbine bij een elektriciteitscentrale te bestuderen. De onderzoekers hebben niet simpelweg gegokt hoeveel werkers er nodig waren; ze bouwden een datagestuurd "recept" met drie hoofdingrediënten. Ten eerste braken ze de hele klus af in piepkleine stappen (zoals een recept dat elke snij- en roerklep vermeldt). Ten tweede gebruikten ze "tijd-en-beweging"-studies—in feite keken ze naar werkers die kritieke taken uitvoerden om precies te zien hoe lang deze duurden, waarbij rekening werd gehouden met hoe moe of vaardig ze waren. Ten derde gebruikten ze een wiskundige formule genaamd "Workload Analysis" om te zien of het team te hard, te weinig of precies goed werkte. Het doel was simpel: het perfecte aantal werkers vinden om de klus in de kortste tijd te voltooien zonder dat iemand oververmoeid raakt.

De studie richtte zich op een specifiek gasturbinemodel (MHI 701F3/F4) en keek naar een echte reparatie die 46 dagen duurde. Het team bestond uit 139 werkers in totaal, een mix van de eigen werknemers van de centrale en ingehuurde externe hulp. Toen de onderzoekers de cijfers analyseerden, ontdekten ze iets verrassends. Het totale aantal werkers (139) was bijna exact wat de wiskunde voorspelde dat nodig zou zijn (ongeveer 140–141). Het leek erop dat het team perfect qua omvang was. Maar, net als bij een voetbalteam waar de spitsen uitgeput zijn terwijl de verdedigers op de bank zitten, zat de verdeling helemaal fout.

De analyse onthulde een verborgen onbalans. Het mechanische team, dat het zware werk en de zware reparaties doet, was eigenlijk overbelast. Specifiek waren de externe werkers in deze groep overbelast, terwijl de eigen mechanische staf van de centrale nog wat extra energie over had. Ondertussen hadden de elektrische en instrumentatie-teams veel te veel mensen in verhouding tot hun werklast; zij stonden vaak te wachten omdat hun taken niet zo urgent of continu waren als de taken van de monteurs. Het artikel betoogt dat de oplossing niet was om meer mensen in totaal aan te nemen (aangezien het totale aantal al bijna perfect was), maar om de kaarten opnieuw te schudden. Ze suggereerden om de "overtollige" werkers van de elektrische en instrumentatie-teams te verplaatsen om de overbelaste monteurs te helpen met niet-gespecialiseerde taken zoals het verplaatsen van gereedschap, het opruimen of het vasthouden van lampen.

Door deze kleine verschuivingen te maken in wie wat deed, slaagde het team erin de reparatie in 46 dagen te voltooien in plaats van de geplande 50 dagen. Die versnelling van vier dagen lijkt misschien klein, maar in de wereld van elektriciteitscentrales is tijd geld. De studie berekende dat deze versnelling de centrale ongeveer $30.000 aan directe arbeidskosten bespaarde (voornamelijk voor ondersteunend personeel) en $626.500 aan extra inkomsten genereerde omdat de elektriciteitscentrale vier dagen eerder dan verwacht weer elektriciteit kon gaan verkopen. Het artikel concludeert dat hoewel het hebben van het juiste totale aantal werkers belangrijk is, de echte magie gebeurt wanneer je nauwkeurig kijkt naar welke werkers welke taken uitvoeren. Het suggereert dat voor deze enorme reparaties het verbeteren van de "samenstelling" van het team—het verplaatsen van mensen van de trage banen naar de drukke banen—een slimmere, goedkopere en snellere manier is om de klus te klaren dan simpelweg meer mensen op het probleem af te gooien.

Technische Samenvatting: Datagestuurde Manpower-optimalisatie voor Grote Inspecties van Gasturbines

Probleemstelling
Grote inspecties (MI Plus) van gasturbines in gecombineerde elektriciteitscentrales zijn arbeidsintensieve operaties waarbij de personeelsplanning een cruciale determinant voor succes is. Hoewel technische procedures vaak goed gedefinieerd zijn, leiden ontoereikende arbeidscapaciteit of een mismatch in competenties tussen mechanische, elektrische en instrumentatie-functies vaak tot overschrijdingen van de planning, verminderde werkkwaliteit en een verhoogd risico. Bestaande literatuur geeft vaak prioriteit aan onderhoudstiming of voorspellend onderhoud met behulp van machine learning, maar mist empirisch gevalideerde, taakspecifieke manpower-modellen die rekening houden met divisie-specifieke arbeidslimbalansen (bijv. mechanische overbelasting versus elektrisch overschot) tijdens complexe stops.

Methodologie
De studie maakt gebruik van een beschrijvende kwantitatieve casestudy-aanpak gericht op een grote inspectie van een MHI 701F3/F4 gasturbine. Het onderzoek integreert vier analytische componenten in één verenigd framework:

Work Breakdown Structure (WBS): Het deconstrueren van de scope van de stop in gestructureerde activiteitsnetwerken om het totaal aantal manuren (TMH) te kwantificeren.
Tijd-bewegingsanalyse (Time–Motion Analysis): Het uitvoeren van veldobservaties op kritieke taken (bijv. het omhoog tillen van de turbinerotor) om standaardtijden af te leiden. Dit omvatte het berekenen van de gemiddelde cyclustijd ( $\bar{X}$ ), het aanpassen voor prestatiebeoordelingen volgens het Westinghouse-systeem, en het toepassen van toelagen voor vermoeidheid en vertragingen om de Standaardtijd ( $W_s$ ) te bepalen.
Werkbelastinganalyse (WLA): Het beoordelen van de ratio tussen het totaal aantal manuren en de beschikbare effectieve werkcapaciteit van de ingezette beroepsbevolking om benuttingsgraden te bepalen.
Resource Leveling (Capaciteitsnivellering): Het analyseren van divisie-imbalansen (Mechanisch, Elektrisch, Instrumentatie) en de compositie van organisch versus uitbesteed personeel om knelpunten te identificeren en toewijzing te optimaliseren.

De gebruikte kernformules omvatten de berekening van Normale Tijd ( $W_n = \bar{X} \times p$ ), Standaardtijd ( $W_s = W_n \times \frac{100}{100-l}$ ) en Optimale Manpower ( $M = \frac{TMH}{T \times E}$ ), waarbij $E$ de werkdoeltreffendheidsfactor vertegenwoordigt.

Belangrijkste Resultaten

Personeelsafstemming: De werkelijke stop maakte gebruik van 139 personen over 46 dagen, wat 43.893 manuren genereerde. De berekende Werkbelastinganalyse (WLA) was 85,8%, wat aangeeft dat de werkelijke beroepsbevolking nauw aansloot bij de berekende optimum van 140–141 personen (een afwijking van ongeveer 1%).
Divisie-imbalansen: Ondanks de geaggregeerde afstemming werden significante structurele onbalansen geïdentificeerd. De mechanische divisie, met name de uitbestede beroepsbevolking, kampte met een tekort van 24 personen ten opzichte van de vereisten, terwijl de elektrische en instrumentatie-divisies een substantieel overschot aan organisch personeel vertoonden.
Optimalisatiestrategie: De studie toonde aan dat het aanpassen van de resource-compositie (het herverdelen van overtollig organisch personeel om mechanische taken te ondersteunen en het versterken van uitbesteed personeel) effectiever was dan simpelweg het verhogen van de totale headcount.
Prestatie-uitkomsten: De implementatie van de geoptimaliseerde strategie droeg bij aan het voltooien van de stop in 46 dagen, een versnelling van 4 dagen ten opzichte van de geplande planning van 50 dagen.
Economische Impact: De reductie van 4 dagen leverde directe arbeid besparingen op van USD 30.000 (gebaseerd op de tarieven van hulp-personeel) en een geschatte omzetwinst van USD 626.500 door de eerdere herstart van de 283,25 MW genererende capaciteit.

Betekenis en Claims
Het artikel claimt dat het voorgestelde geïntegreerde framework een praktische, repliceerbare aanpak biedt voor "compositie-gevoelige" personeelsplanning in hoog-kritieke gasturbine-onderhoudsoperaties. De primaire bijdrage is de empirische validatie dat de duur en efficiëntie van een stop vaak niet worden beperkt door een totaal tekort aan mankracht, maar door mismatches in de samenstelling van de arbeid en de werkbelasting per divisie. Door WBS-modellering, tijd-beweging standaardtijden en resource leveling te verenigen, biedt de studie een datagestuurde methode om specifieke knelpunten (zoals tekorten in mechanische uitbesteding) te identificeren en te verzachten die traditionele betrouwbaarheidsgebaseerde planningsmodellen mogelijk over het hoofd zien. De auteurs stellen dat deze aanpak zorgt voor verbeterde toewijzing van middelen, een kortere duur van de stop en aanzienlijke economische voordelen zonder de veiligheid of kwaliteit in gevaar te brengen.

Beperkingen
De auteurs merken op dat de studie beperkt is tot een enkele grote inspectie-gebeurtenis voor een specifiek turbinemodel (MHI 701F3/F4), wat de generaliseerbaarheid naar andere turbinetypen of organisatiestructuren kan beperken. Daarnaast vertrouilt de analyse op beschikbare operationele gegevens en tijd-beweging steekproeven voor geselecteerde taken, en werd de financiële impactanalyse kwalitatief uitgevoerd in plaats van via een volledige economische simulatie.

Meer zoals dit