dc.contributor.advisor | Eirinakis, Pavlos | |
dc.contributor.advisor | Ειρηνάκης, Παύλος | |
dc.contributor.author | Tsemperlides, Ioannis | |
dc.contributor.author | Τσεμπερλίδης, Ιωάννης | |
dc.date.accessioned | 2025-06-23T06:25:17Z | |
dc.date.available | 2025-06-23T06:25:17Z | |
dc.date.issued | 2025-05 | |
dc.identifier.uri | https://dione.lib.unipi.gr/xmlui/handle/unipi/17869 | |
dc.description.abstract | Η επιχειρησιακή ετοιμότητα ενός στόλου ελικοπτέρων εξαρτάται από το πόσο γρήγορα και σωστά λαμβάνεται η απόφαση για εκδήλωση ενεργειών επισκευής ή προμήθειας για τα κρίσιμα συγκροτήματα των οποίων οι αστοχίες είναι από τη φύση τους απρόβλεπτες.
Ανταποκρινόμενη στις καθημερινές προκλήσεις της εφοδιαστικής αλυσίδας της αεροπορικής βιομηχανίας, η παρούσα εργασία παρουσιάζει ένα μοντέλο προσομοίωσης διακριτών γεγονότων τύπου Monte Carlo, υλοποιημένο σε λογιστικό φύλλο Excel, που
μετατρέπει τα ιστορικά δεδομένα συντήρησης σε εργαλείο λήψης προληπτικών αποφάσεων. Το μοντέλο καταγράφει κάθε γεγονός αντικατάστασης μαζί με τα αβέβαια στοιχεία που προηγούνται, όπως: διάστημα μεταξύ αντικαταστάσεων, ποσοστό επιτυχίας
επισκευής, χρόνος ολοκλήρωσης επισκευής, χρόνος προμήθειας καθώς και τις αντίστοιχες χρηματοροές, εστιάζοντας στο ίδιο το συμβάν και όχι στο τεχνικό του αίτιο.
Για να αναδειχθεί η προσέγγιση, εξετάζεται ένα υποθετικό σενάριο: το πρόβλημα της «Captain-Planet Company», βασισμένο σε πραγματικά αλλά απόρρητα δεδομένα ελικοπτέρων. Το σενάριο περιγράφει ένα τμήμα logistics που πρέπει να διατηρήσει σε
επιχειρησιακή κατάσταση ένα Boeing Vertol 234 Chinook για συγκεκριμένο συνολικό χρόνο πτήσης, ακολουθώντας προκαθορισμένες παραμέτρους. Όλοι οι στοχαστικοί παράγοντες μοντελοποιούνται με εμπειρικές ή τριγωνικές κατανομές και
δειγματοληπτούνται στο Microsoft Excel, επιτρέποντας την αναπαραγωγή του μοντέλου χωρίς εξειδικευμένο λογισμικό. Η διερεύνηση εναλλακτικών ρυθμών χρήσης αποκαλύπτει πώς μεταβάλλονται ο αναμενόμενος αριθμός αντικαταστάσεων, το
περιθώριο προώθησης για επισκευή και το πλάνο χρηματοδότησης, αποτυπώνοντας έτσι τη σχέση μεταξύ διαθεσιμότητας και κόστους.
Πέρα από τα αριθμητικά ευρήματα, το μοντέλο θα μπορούσε να υποστηρίξει τη διοίκηση σε διάφορα επίπεδα. Στις διαπραγματεύσεις συμβάσεων προσφέρει τεκμηριωμένες εκτιμήσεις ποσοτήτων και δαπανών ανταλλακτικών. Στον σχεδιασμό του
προϋπολογισμού διευκρινίζει ποια οικονομικά έτη αναμένεται να επιβαρυνθούν από το κόστος των επισκευών. Παράλληλα, στις καθημερινές λειτουργίες logistics, η σύνδεση των γεγονότων αντικατάστασης με τις ροές υλικών βοηθά στον υπολογισμό
χωρητικότητας αποθηκών και στελέχωσης. Επιπρόσθετα επειδή το πλαίσιο δεν εξαρτάται από συγκεκριμένο σχεδιασμό εξαρτημάτων ή πολιτική συντήρησης, μπορεί να προσαρμοστεί σε κάθε στόλο με βασικά ιστορικά δεδομένα αντικαταστάσεων, από
φορτηγά εξόρυξης μέχρι ατμοστρόβιλους ηλεκτροπαραγωγής. Συμπερασματικά, αυτή η απλή προσέγγιση Monte Carlo θα δείξει πως τα ιστορικά δεδομένα μπορούν να μετατραπούν σε χρήσιμες οδηγίες για την ισορροπία κόστους και επιχειρησιακής
ετοιμότητας. | el |
dc.format.extent | 98 | el |
dc.language.iso | en | el |
dc.publisher | Πανεπιστήμιο Πειραιώς | el |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.title | Optimizing helicopter support : a simulation framework based on historical data analysis for effective order timing and quantity planning | el |
dc.title.alternative | Βελτιστοποίηση εφοδιαστικής υποστήριξης ελικοπτέρων : πλαίσιο προσομοίωσης βασισμένο σε ανάλυση ιστορικών δεδομένων για αποτελεσματικό προγραμματισμό παραγγελιών | el |
dc.type | Master Thesis | el |
dc.contributor.department | Σχολή Ναυτιλίας και Βιομηχανίας. Tμήμα Βιομηχανικής Διοίκησης και Tεχνολογίας | el |
dc.description.abstractEN | Fleet readiness in rotor-wing operations relies on timely decisions about whether to repair or procure high-value assemblies whose failure behavior is inherently uncertain.
Motivated by everyday challenges faced by logistics managers, this thesis proposes a spreadsheet-based, discrete-event Monte Carlo simulation that transforms historical records into a forward-looking decision-support tool. The conceptual model maps each
replacement event, its preceding uncertainties and time-between-replacements, repair yield, turnaround time, lead time and the budget flows that follow, deliberately focusing on the occurrence of a replacement rather than its technical cause.
Moreover, to demonstrate the approach, a hypothetical case study: the Captain-Planet Company problem is constructed with real but confidential helicopter data. The scenario frames a logistics department that must sustain a single Boeing Vertol 234
Chinook over finite flight-hour horizons while operating under fixed parameters. All stochastic drivers are parameterized with empirical or triangular distributions and sampled through Microsoft Excel, allowing the model to be replicated without specialized
software. Scenario experimentation highlights how alternative utilization rates reshape the envelope of expected replacements, buffer times and funding profiles, thus clarifying the trade-off between availability and cost.
Beyond the numerical results, the model could assist managers in several areas. In contract negotiations, it might offer objective estimates of spare‐part quantities and likely costs. For multi-year budgeting, it could clarify when expenditures are most likely to
occur. In logistics operations, linking replacement schedules with material flows may help determine warehouse capacity and workforce needs. Because the framework is independent of specific designs or maintenance policies, it could be adapted to any asset class that keeps basic replacement records from mining trucks to power-plant turbines.
Overall, this lightweight Monte Carlo approach has the potential to turn historical data into guidance for balancing readiness and cost. | el |
dc.contributor.master | Βιομηχανική Διοίκηση και Τεχνολογία | el |
dc.subject.keyword | Discrete-event simulation | el |
dc.subject.keyword | Monte Carlo sampling | el |
dc.subject.keyword | Aviation logistics | el |
dc.subject.keyword | Repairable inventory | el |
dc.subject.keyword | Buffer time | el |
dc.subject.keyword | Fleet availability | el |
dc.date.defense | 2025-05-21 | |