Traducido del inglés al español - www.onlinedoctranslator.

com

Disponible en línea en www.sciencedirect.com

CienciaDirecta

Procedimiento CIRP 57 (2016) 128 – 133

49.a Conferencia CIRP sobre sistemas de fabricación (CIRP-CMS 2016)

Análisis de factores críticos para la medición automática de OEE

ricardo hedmana*, Mukund Subramaniyánb, Peter Almströma

aDepartamento de Gestión de Tecnología y Economía, Universidad Tecnológica de Chalmers, Gotemburgo, 412 96, Suecia
bDepartamento de Desarrollo de Productos y Producción, Universidad Tecnológica de Chalmers, Gotemburgo, 412 96, Suecia

* Autor correspondiente. Tel.: +46-31-772-1312; fax: +46-31-772-3485.Dirección de correo electrónico:richard.hedman@chalmers.se

Resumen

La creciente digitalización de la industria proporciona medios para adquirir y analizar automáticamente datos de fabricación. Como consecuencia, las
empresas están invirtiendo en sistemas de ejecución de fabricación (MES), donde la medición de la eficacia general del equipo (OEE) suele ser una parte central
y una razón importante para la inversión. El propósito de este estudio es identificar los factores críticos y los peligros potenciales al operar la medición
automática de OEE. Se logra mediante el análisis de datos sin procesar utilizados para el cálculo de OEE adquiridos de un gran conjunto de datos; 23 empresas
diferentes y 884 máquinas. El promedio de OEE se calculó en 65%. Casi la mitad de las pérdidas OEE registradas no pudieron clasificarse debido a que faltaban
las categorías de pérdidas o tenían descripciones deficientes. Además, El 90% del tiempo de parada que se clasificó podría estar directamente relacionado con
las actividades de apoyo realizadas por los operadores y no con el proceso automático en sí. Los hallazgos y recomendaciones de este estudio se pueden
incorporar para aprovechar al máximo el potencial de los sistemas automáticos de adquisición de datos y obtener medidas OEE precisas que se pueden usar
para mejorar el rendimiento de fabricación.

©©220dieciséis15elTmihAmituA
0 eltuotrh.sPAGSrstu.bPAGSlitushbmiyodesbhyeducarElbsyevmies
o hola.sVes.un artículo de acceso abierto bajo la licencia CC BY-NC-ND
deciryorseBv.V
es decir.rTB
vectuonortemetrodmetro
(PAGS
horamitpmi:r/-/rCmirevaitmiiw s/boyF-norteSCC-inortemidnorte/t4i.F0i/C).comité de la 49ª Conferencia CIRP sobre Sistemas de Manufactura (CIRP-CMS 2016).
ejemornortemiss.opagsrogramonorte/lsicibesIllinoissimity
Revisión por pares bajo la responsabilidad del comité científico de la 49ª Conferencia CIRP sobre Sistemas de Fabricación

Palabras clave:Eficiencia general del equipo; influencia del operador; clasificación de pérdidas; medición del desempeño

1. Introducción Saenz de Ugarte, Artiba [10], la tecnología puede asegurar la disponibilidad

La eficacia general del equipo (OEE) es un indicador de rendimiento
ampliamente utilizado en las industrias manufactureras de todo el
mundo. Se inició cuando Nakajima [1] introdujo el concepto de
mantenimiento productivo total (TPM), donde el objetivo principal es
mejorar y mantener la eficiencia del equipo. La mayor parte de la
investigación que involucra la medida OEE está, por lo tanto,
relacionada con el mantenimiento [2, 3], pero también con áreas como
la medición del rendimiento [4-6] y las mejoras de productividad [7-9].
La creciente digitalización de la industria proporciona medios para
adquirir y analizar automáticamente datos de fabricación. Como
consecuencia, las empresas están invirtiendo en sistemas de ejecución
de fabricación (MES), donde la medición de OEE suele ser una parte
central y una razón importante para la inversión. Sin embargo, la
validez y utilidad de las medidas de OEE dependen en gran medida de
la recopilación de datos y, como afirma
de los datos pero no garantizar que los datos sean precisos.
El propósito de este documento es identificar los factores críticos y los
peligros potenciales al operar la medición automática de OEE. Se ha logrado
mediante el análisis de un gran conjunto de datos sin procesar utilizados
para el cálculo de OEE, proporcionados por una empresa de software
industrial especializada en el seguimiento de la producción en tiempo real y
el manejo de perturbaciones. El documento se inicia con una revisión de la
literatura sobre la medida OEE. es seguido por
modelado y análisis del conjunto de datos empíricos. Conclusiones
se dibujan con implicaciones tanto para la teoría como para la práctica, así como
para futuras investigaciones.
2. Eficacia general del equipo
La medida OEE se considera más adecuada para procesos de
fabricación semiautomáticos y automáticos [11] y tiene su origen
en la industria de semiconductores altamente automatizada [12].
Se define como la relación entre el tiempo dedicado a

2212-8271 © 2016 Los autores. Publicado por Elsevier BV Este es un artículo de acceso abierto bajo la licencia CC BY-NC-ND (
http://creativecommons.org/licenses/by-nc-nd/4.0/).
Revisión por pares bajo la responsabilidad del comité científico de la 49.ª Conferencia CIRP sobre sistemas de fabricación
doi:10.1016/j.procir.2016.11.023
 Richard Hedman et al. / Procedimiento CIRP 57 (2016) 128 – 133 129

producir bienes de calidad aprobada en el tiempo de producción 3. Descripción de datos

programado (tiempo de carga) [1]. Una de las razones principales
de la aplicación generalizada de OEE, tanto entre investigadores El conjunto de datos empíricos incluye datos de seguimiento de
como profesionales, es que es una medida simple, pero producción de 23 empresas manufactureras y 884 máquinas. Cubre un
completa, de eficiencia interna [5]. En particular, la medida se período de seis meses de producción, desde octubre de 2013 hasta
incorpora como un importante impulsor de iniciativas de mejora marzo de 2014. Todas las empresas participantes están ubicadas en
[4, 7]. La fórmula básica para Suecia y operan el mismo sistema para la medición automática de OEE.
calcular OEE se escribe como: Los datos se han clasificado en cuatro grupos industriales basados en
la naturaleza delas compañías'
(1) sistema de producción y los productos que fabrican (Cuadro
1). No se proporcionó información específica de la empresa
donde la disponibilidad se define como una relación entre el tiempo de aparte del tipo de industria y la cantidad de máquinas.
producción planificado menos el tiempo de inactividad (averías y cambios)
Tabla 1. Número de empresas y máquinas en cada grupo industrial.
sobre el tiempo de producción planificado. La eficiencia del rendimiento es
el tiempo de ciclo ideal multiplicado por la cantidad de productos Otro
polimérico
producidos durante el tiempo de ejecución real. La tasa de calidad es la Industria Comida y Mecánico automatizado
(Goma y
grupo Bebida Taller Discreto
relación entre los productos aceptados sobre el número de productos Plástica)
Producción
producidos. Estos tres factores pretenden capturar lo que Nakajima [1]
Contar
define como las seis grandes pérdidas en la producción. 7 9 4 3
compañías

Contar
Pérdidas por tiempo de inactividad: 244 364 119 157
máquinas
1) Las fallas del equipo se clasifican como pérdidas de tiempo
cuando se reduce la productividad y pérdidas de cantidad Los datos se adquirieron como un solo archivo de MS Excel con

causadas por productos defectuosos. descripciones de pérdida y duraciones de tiempo de pérdida

2) Las pérdidas de tiempo de instalación y ajuste son el resultado del correspondientes para cada máquina. En total, hubo 499 descripciones

tiempo de inactividad y los productos defectuosos que ocurren individuales de tiempos perdidos, que se agruparon en ocho categorías:

cuando finaliza la producción de un artículo y el equipo se ajusta tiempo de inactividad planificado

para cumplir con los requisitos de otro artículo. tiempo de configuración

Pérdidas de velocidad: Medición y ajuste Fallo del

3) El ralentí y las pérdidas de parada menores ocurren cuando la
equipo
producción se interrumpe por un mal funcionamiento temporal o
Ralentí y paradas menores Otras
cuando una máquina está en ralentí.
pérdidas por tiempo de inactividad
4) Las pérdidas de velocidad reducidas se refieren a la diferencia entre la
velocidad de diseño del equipo y la velocidad operativa real. Chatarra/Reelaboración

Pérdidas de calidad: Pérdidas no clasificadas

5) El rendimiento reducido ocurre durante las primeras etapas de
producción desde el arranque de la máquina hasta la estabilización. La proporción del tiempo de inactividad planificado constituye tiempo no
6) Los defectos de calidad y las reelaboraciones son pérdidas de calidad provocadas por programado (por ejemplo, fines de semana y cierre por falta de pedidos),
el mal funcionamiento del equipo de producción. mantenimiento programado, uso de I+D, tiempo de ingeniería, descansos,
reuniones y capacitación de operadores. Dado que el OEE se define en
En consecuencia, las pérdidas por tiempo de inactividad se utilizan función del tiempo de producción planificado, estas pérdidas por tiempo de
para calcular el factor de disponibilidad, las pérdidas por velocidad inactividad planificado se excluyeron del cálculo. La categoría pérdidas no
determinan la eficiencia de rendimiento del equipo y las pérdidas por clasificadas incluye las causas de pérdida que fueron descritas como no
calidad se incorporan para calcular la tasa de calidad. clasificadas (es decir, “sin categorizar”, “sin código de razón”, “otras”) y
Investigaciones anteriores han demostrado que, aunque OEE está pérdidas que no pudieron agruparse en ningún de las otras categorías ya
bien definido en la literatura, la interpretación de sus factores de que o bien carecían o tenían una descripción deficiente que no podía ser
pérdida subyacentes es una razón común para las variaciones entre interpretada.
empresas [7]. Una medida OEE precisa es, como se indicó,
determinada por las empresasla capacidad de recopilación de datos y
el nivel de precisión necesario [4, 5]. Sin embargo, dado que la
eficiencia del equipo se ve afectada por el entorno circundante, la
medida OEE también depende de las acciones de los operadores, así
como de las políticas de control y planificación de la producción de la
empresa [12, 13]. El recordatorio de este documento presenta un
análisis de cómo estos temas son relevantes en el contexto de la
medición automática de OEE. Además de identificar los factores
críticos y los peligros potenciales, también se investiga cuánto tiempo
de pérdida total está influenciado por el operador y cómo esto, a su
vez, afecta la medida OEE.
130 Richard Hedman et al. / Procedimiento CIRP 57 (2016) 128 – 133
4. Resultados
4.1. Cálculo de OEE
Las medidas OEE calculadas representan el rendimiento agregado
de varias máquinas. No se pudieron identificar las máquinas de cuello
de botella ya que no había una descripción disponible de la empresa.
flujos de producción de es. Figura 1 representa la distribución del
rendimiento en OEE en todos los grupos industriales con un nivel de
confianza del 95 %. Como puede verse, la distribución no es simétrica
y, por lo tanto, el uso de valores promedio no reflejará el promedio
real, ya que está significativamente influenciado por los valores
atípicos. El OEE medio general de las 23 empresas es del 70 %,
mientras que el OEE medio es del 65 %, lo que indica un rendimiento
positivamente sesgado con una mayor dispersión en la región del
cuartil inferior. El desempeño más alto se encuentra en el grupo
industrial de alimentos y bebidas con un OEE medio y promedio del 74
%, mientras que el grupo industrial de producción discreta
automatizada tiene el OEE medio y promedio más bajo del 59 %.
Figura 1. Comparación de OEE entre los diferentes grupos industriales.
Las empresas no habían registrado información sobre la velocidad
de diseño del equipo o la velocidad de funcionamiento real de ninguna
de las máquinas. Por lo tanto, no fue posible calcular la eficiencia del
rendimiento como el tiempo de ciclo ideal multiplicado por la cantidad
de productos producidos durante el tiempo de ejecución real. Sin
embargo, para las empresas fue posible definir una tasa de
rendimiento para cada máquina. Durante el análisis, se encontró que
la tasa de rendimiento registrada para 702 de 884 máquinas tenía el
valor del 100 %, lo que implica que casi el 80 % de las máquinas
estaban operando con una eficiencia de rendimiento del 100 %.
Además, la tasa de calidad no se pudo calcular como la relación
entre los productos aceptados y el número de productos producidos,
ya que esta información no estaba disponible. En cambio, las
empresas podrían definir valores de eficiencia de calidad para cada
máquina. Se encontró que 796 de 884 máquinas tenían un valor
registrado del 100 %, lo que implica que el 90 % de las máquinas
estaban operando con un índice de calidad del 100 %.
4.2. Distribución de pérdidas
Los tiempos de pérdida registrados fueron en forma de tiempos transcurridos y
no tiempos de eventos. Como se puede ver en la Figura 2, las pérdidas no
clasificadas representan alrededor del 19% del tiempo de producción programado
para todas las máquinas. Esto corresponde a más de la mitad de la
proporción total de tiempo perdido registrado. Las dos segundas pérdidas
principales son las fallas de los equipos (5 %) y otras pérdidas por tiempo de
inactividad (5 %), seguidas de cerca por las pérdidas por configuración (4 %).
La baja presencia de pérdidas remanentes es consistente con los altos
índices de eficiencia de los factores de desempeño y calidad.
Figura 2. Distribución de pérdidas para todos los grupos industriales [%].
4.3. Tiempo perdido influenciado por el operador
La cantidad de tiempo de pérdida influenciado por el operador se
determinó clasificando sistemáticamente cada una de las categorías de
pérdida, según su descripción en el archivo de datos, como 'tiempo de
pérdida influido por el operador', 'puede ser tiempo de pérdida influido por
el operador' o 'no operativoErator influyó en el tiempo de pérdida.
Naturalmente, hubo que excluir la proporción de pérdidas no clasificadas,
que carecían de descripciones adecuadas. Es importante tener en cuenta
que la influencia del operador en los tiempos de pérdida no establece que
las pérdidas sean causadas por los operadores, sino que se refiere al hecho
de que los operadores son factores cruciales que influyen en la duración del
tiempo de pérdida [14, 15]. Los tres niveles de influencia del operador se
definieron de la siguiente manera:
Tiempo perdido influenciado por el operador; Pérdidas
donde la duración del tiempo de inactividad, desde que ocurre
una falla hasta el punto en que el equipo vuelve a funcionar,
depende de las actividades realizadas por los operadores (es
decir, detección y reparación). Esto también incluye
actividades manuales realizadas durante el tiempo de
inactividad del equipo, como cambios, mediciones y ajustes.
Puede ser tiempo de pérdida influenciado por el operador;
pérdidas en las que la duración del tiempo de inactividad puede
depender de las actividades realizadas por los operadores. Se trata
principalmente de categorías relacionadas con la escasez de
material y el tiempo de espera. En esos casos, no es posible
determinar si el equipo está inactivo esperando la atención de un
operador (es decir, reponer material o atender el bloqueo/inanición
de la máquina) o si el tiempo de inactividad está más influenciado
por otros factores que el operador. Por ejemplo, causado por un
falta general de material en el inventario o pérdidas de
compensación debido al diseño del sistema de producción.
Tiempo de pérdida no influido por el operador;pérdidas
donde la duración del tiempo de inactividad es independiente
de las actividades realizadaspor operadores. Por ejemplo, falta
de material del proveedor, entregas externas, etc.
 Richard Hedman et al. / Procedimiento CIRP 57 (2016) 128 – 133 131

constituía la mayor proporción de operadores influenciados tiempo de

La clasificación del tiempo de pérdida en niveles de influencia del operador dio como
resultado la distribución que se muestra en la Figura 3. Allí se puede ver que
aproximadamente el 90% del tiempo de inactividad registrado (excluyendo las pérdidas no
clasificadas) puede estar directamente relacionado con las actividades de apoyo realizadas
por los operadores y no con el tiempo de inactividad registrado. proceso automático en sí.
Como se ve en la Figura 4, el tiempo de configuración
inactividad para los grupos industriales 'Taller mecánico' y 'Otra
producción discreta automatizada'. Considerando que los 'Alimentos y
bebidas' y 'Polímeros (caucho y plásticos)' los grupos de la industria
tuvieron fallas en los equipos ya que la mayor proporción del tiempo
de inactividad influido por el operador.

Figura 3. . Clasificación del tiempo perdido en niveles de influencia del operador.

Figura 4. Distribución del 'Tiempo perdido influenciado por el operador' entre grupos industriales [%].

Se encontró que más del 80% de las máquinas, según se informa,

5. Discusión
Nuestros resultados muestran que, aunque la medición
automática de OEE facilita la adquisición de grandes cantidades de
datos detallados, el grado en que las medidas de OEE resultantes
realmente reflejan que el equipo está haciendo lo que se supone
que debe hacer depende directamente de qué tan bien las
empresas puedan interpretar y definir los factores subyacentes de
la OEE. Esto se refiere a los tres factores principales de eficiencia de
rendimiento de disponibilidad y tasa de calidad en general, y sus
causas de pérdida subyacentes en particular.
tenían una eficiencia de rendimiento del 100%. Esto significa que están
operando a la velocidad de diseño del equipo o que las empresas no
miden los tiempos de ciclo. Análogamente, alrededor del 90 % de las
máquinas tenían un índice de calidad informado del 100 %, lo que sugiere
que no hay desperdicio o que las empresas no miden la cantidad de
productos aceptados por máquina. Desde nuestro punto de vista, no es
probable que una proporción tan grande de máquinas esté operando a
índices de eficiencia total. Esto puede verse reforzado por el hecho de que
el '100%' constituye el valor predeterminado para estos factores en el
sistema de medición. Incluso en condiciones ideales es un índice de
calidad de
132 Richard Hedman et al. / Procedimiento CIRP 57 (2016) 128 – 133
100% no es realista en la práctica [1, 5]. Además, con respecto a la
eficiencia de la velocidad, investigaciones previas pueden confirmar
que muchas empresas se abstienen de operar funciones
relacionadas con datos de tiempo y, en consecuencia, no miden
tiempos de ciclo ni tienen conocimiento suficiente sobre el
rendimiento máximo teórico [16, 17].
Las medidas agregadas de OEE revelaron diferencias de
desempeño entre los grupos de la industria. Sin embargo,
como afirman Andersson y Bellgran [7], lo más importante no
es la cifra real de OEE, sino cómo se puede utilizar para
mejorar. Dado que las causas de más de la mitad del tiempo
perdido medido no se pudieron clasificar, tendrá una influencia
negativa en el valor de los datos para dirigir las iniciativas de
mejora. Por supuesto, es posible que los operadores y los
técnicos de producción que pasan tiempo en los talleres sepan
y puedan interpretar cuáles son las pérdidas inclasificables de
sus máquinas. Sin embargo, para los tomadores de decisiones
de más alto nivel en la organización, que son responsables de
priorizar e invertir en iniciativas de mejora, gran parte del
potencial de mejora permanecerá oculto cuando no se
comuniquen las causas de las pérdidas.
Además, nuestros hallazgos están alineados con investigaciones
anteriores que afirman que, a pesar de que se supone que OEE
mide la eficiencia de los equipos individuales, se ve afectada por el
entorno circundante [5, 12, 13]. Esto a menudo se refiere al manejo
de materiales, amortiguadores y preguntas. Con el análisis de la
influencia del operador, hemos demostrado que para mejorar la
eficiencia del equipo, también se requiere enfocar la atención y los
esfuerzos principalmente en cómo se planifican y ejecutan las
actividades de apoyo realizadas por los operadores. La medida OEE,
en consecuencia, captura los resultados de las actividades de apoyo,
pero se limita a la hora de representar las áreas de mejora para
estas tareas de trabajo manual. Las diferencias identificadas en la
distribución del tiempo influido por el operador entre los grupos
industriales se reflejan en las características de los diferentes
sistemas de producción.
En resumen, cuando los factores de eficiencia en el desempeño y
tasa de calidad se dejan en valores predeterminados y una gran
cantidad de pérdidas quedan sin clasificar, se puede cuestionar si
las empresas realmente están midiendo elgeneral eficiencia del
equipo o simplemente la disponibilidad. Esto también plantea la
pregunta de qué tan adecuada es la medida OEE para comparar la
eficiencia del equipo cuando no es obvio cómo las empresas
individuales interpretan y definen los factores OEE. Es difícil
determinar la eficiencia de la velocidad [5] y las empresas podrían
considerar registrar la tasa de calidad por máquina como
demasiado detallada. Sin embargo, el sistema técnico para la
medición automática sí tiene la capacidad y la capacidad de manejar
estos problemas. Sin embargo, para aprovechar al máximo el
potencial de estos tipos de sistemas automáticos de adquisición de
datos, se requiere que las empresas inviertan tiempo y esfuerzo en
definir con precisión los datos centrales.
6. Conclusión
La investigación presentada en este documento ha identificado
factores críticos que afectan directamente la precisión y
aplicabilidad de las medidas OEE cuando se operan sistemas para la
medición automática de datos de fabricación. Ha sido
encontró que cuando la medición está automatizada, es
aún más importante que las empresas no se distancien de
administrar las características detalladas de sus procesos
de fabricación.
Los profesionales pueden incorporar los resultados para
aprovechar al máximo el potencial de los sistemas automáticos de
adquisición de datos y derivar medidas precisas de OEE que se
pueden utilizar para mejorar el rendimiento de fabricación. Los
hallazgos también son relevantes para los académicos cuando
utilizan grandes conjuntos de datos de fabricación, derivados de
sistemas de medición automáticos, para modelado y análisis.
Los esfuerzos de investigación futuros sugeridos incluyen
investigar el nivel de conciencia entre los tomadores de decisiones
con respecto a la medición de OEE y cómo afecta sus decisiones
políticas.
Agradecimientos
Esta investigación se lleva a cabo dentro de la Iniciativa de
Producción Sostenible y el Área de Producción de Avance en la
Universidad Tecnológica de Chalmers. El apoyo es agradecido
por los autores. También nos gustaría agradecer a Mikael
Persson, director ejecutivo de Good Solutions AB, quien
proporcionó el conjunto de datos y fue de gran ayuda para
responder preguntas y brindar conocimientos expertos.
Referencias
[1] Nakajima, S., Introducción a TPM: mantenimiento productivo
total. 1988: Prensa de productividad Cambridge, MA.
[2] Muchiri, P., et al., Desarrollo del marco e indicadores de medición
del desempeño de la función de mantenimiento. Revista
Internacional de Economía de la Producción, 2011. 131(1): p.
295-302.
[3] Chan, F., et al., Implementación del mantenimiento productivo total: un
estudio de caso. Revista Internacional de Economía de la Producción,
2005. 95(1): p. 71-94.
[4] Muchiri, P. y L. Pintelon, Medición del desempeño utilizando la
efectividad general del equipo (OEE): revisión de la literatura y
discusión de aplicación práctica. Revista Internacional de
Investigación de Producción, 2008. 46(13): p. 3517-3535.
[5] Jonsson, P. y M. Lesshammar, Evaluación y mejora de los
sistemas de medición del rendimiento de fabricación: el
papel de OEE. Revista internacional de gestión de
operaciones y producción, 1999. 19(1): p. 55-78.
[6] Tangen, S., Una descripción general de las medidas de rendimiento de uso
frecuente. Estudio del Trabajo, 2003. 52(7): pág. 347-354.
[7] Andersson, C. y M. Bellgran, Sobre la complejidad del uso de medidas de
rendimiento: mejora de la capacidad de mejora de la producción
sostenida mediante la combinación de OEE y productividad. Revista de
Sistemas de Fabricación, 2015. 35: p. 144-154.
[8] Almström, P. y A. Kinnander, El método de evaluación del potencial
de productividad: evaluación y evaluación comparativa del
potencial de mejora en los sistemas de fabricación a nivel de
planta. Revista Internacional de Gestión de la Productividad y el
Desempeño, 2011. 60(7): p. 758-770.
[9] Huang, SH, et al., Modelado de sistemas de fabricación para la
mejora de la productividad. Journal of Manufacturing Systems,
2002. 21(4): pág. 249-259.
[10] Sáenz de Ugarte, B., A. Artiba y R. Pellerin, Sistema de ejecución de la
manufactura: una revisión de la literatura. Planificación y control de la
producción, 2009. 20(6): pág. 525-539.
[11] Jeong, KY y DT Phillips, Medición de la eficacia y la eficiencia
operativa. Revista internacional de gestión de operaciones y
producción, 2001. 21(11): p. 1404-1416.
[12] De Ron, A. y J. Rooda, Eficacia del equipo: OEE
 Richard Hedman et al. / Procedimiento CIRP 57 (2016) 128 – 133 133

revisado Semiconductor Manufacturing, IEEE Transactions on, 2005.

18(1): pág. 190-196.
[13] Mathur, A., et al., Medición del rendimiento en la fabricación
automatizada. Medición de la excelencia empresarial, 2011. 15(1): pág.
77-91.
[14] Stecke, KE y JE Aronson, Revisión de los modelos de interferencia
del operador/máquina. International Journal of Production
Research, 1985. 23(1): p. 129-151.
[15] Haque, L. y MJ Armstrong, Una revisión del problema de la
interferencia de la máquina. European Journal of Operational
Research, 2007. 179(2): p. 469-482.
[16] Kuhlang, P., et al., Morfología de la gestión de datos de tiempo:
diseño sistemático de procesos de gestión de datos de tiempo
como desafío fundamental en la ingeniería industrial. Revista
Internacional de Ingeniería Industrial y de Sistemas, 2014. 16(4):
p. 415-432.
[17] Almström, P. y M. Winroth. ¿Por qué hay un desajuste entre los tiempos de
operación en los sistemas de planificación y los tiempos en la realidad?
en Actas de APMS2010. 2010.