Altoparlante
|
Trascrizione
|
| Brad Foulkes |
Grazie per aver partecipato al mio intervento su Ma cosa devo fare adesso? Utilizzo di un modello di affidabilità per effettuare previsioni di eventi in JMP. |
| |
Molto spesso mi viene chiesto...mi viene chiesto una volta che costruisco un modello di affidabilità, cosa ci faccio concretamente? E spesso le persone dimenticano che è possibile utilizzare un modello di affidabilità per fare previsioni su quando si verificheranno effettivamente gli eventi. |
| |
E non solo il primo evento, forse il secondo, terzo o quarto evento che quel prodotto potrebbe vedere nel tempo. |
| |
Quindi un po' di me stesso. Mi chiamo Brad Foulkes. Sono il direttore tecnico di Optimal Analytics, dove collaboriamo con le aziende per cercare di aiutarle a comprendere i dati, identificare gli ostacoli e farle muovere in modo più efficiente. |
| |
Prima di quel ruolo, ho lavorato nell'ingegneria dell'affidabilità per circa nove anni, lavorando su come possiamo comprendere l'affidabilità delle parti e capire quando le parti si romperanno effettivamente nel tempo. |
| |
Uso JMP da circa otto anni, penso intorno a JMP 10. Non sono sicuro, è stato un po' di tempo fa, quindi ho dimenticato su quale versione eravamo... lo ero allora. |
| |
Nei miei strumenti JMP preferiti, mi piace usare molto la distribuzione della vita perché è lì che si trova la modellazione dell'affidabilità. Modello in forma, io uso molto frequentemente e JSL. |
| |
Lo scripting può aprire una serie di nuovi strumenti e nuovi giocattoli con cui giocare. Allora perché voglio presentarlo oggi? |
| |
Perché, il più delle volte, questa domanda sorge alla fine... alla fine della costruzione di un modello e fino a quel momento non ci si pensava. |
| |
Potresti finire un modello e avere un sacco di probabilità e poi non sapere davvero cosa fare dopo. Quindi, ecco una sorta di opzione che puoi fare quando hai costruito il tuo modello e puoi andare avanti. |
| |
Quindi, di cosa stiamo parlando oggi riguardo alla previsione degli eventi, quando costruisci il tuo modello, sei abituato a vedere spesso questo tipo di trama qui. Avrai i tuoi tempi individuali, |
| |
e forse questi sono i cicli di vita dell'hardware o del prodotto. Diciamo che è un frullatore, sai, o qualsiasi tipo di elettrodomestico da cucina o piccolo elettrodomestico da cucina che forse non dura |
| |
un tempo terribilmente lungo. Quindi alcuni di questi falliranno molto presto; alcuni falliranno molto tardi. |
| |
Ma alla fine della giornata, si finisce con una probabilità di fallimento, quando queste cose accadranno... accadranno. Quindi qui potresti venire qui e dire, ok, beh, circa il 90% dei fallimenti si verificherà entro quattro anni. |
| |
Bene, è fantastico. Questo ti aiuta a capire un primo errore e forse a mettere in campo una probabilità che le parti si guastino, ma per una persona che deve effettivamente comprare queste cose o usarle, questo non le aiuta molto. |
| |
Per un cliente che li sta effettivamente utilizzando, non gli interessa, sai, quanto durerà. Potrebbero non voler sapere quanti ne avrò bisogno per acquistare in un periodo di tempo, |
| |
magari in un ciclo di vita complessivo. Vogliono solo guardare a 10 anni, quanti di questi devo comprare in 10 anni perché sopravviva. |
| |
Quindi è qui che entra in gioco la previsione degli eventi. E ciò che è veramente la previsione degli eventi, è prendere la tua distribuzione e in qualche modo capovolgerla, quindi avere ancora la tua, sai, la tua distribuzione del tempo. |
| |
Qual è il tempo per gli eventi che hai qui, e quindi la probabilità di un evento. E così ora |
| |
puoi osservare la frequenza con cui si verificano alcuni di questi eventi. Quindi forse il primo evento si verifica qui intorno agli otto anni e mezzo, il secondo evento si verifica alle nove e mezzo, |
| |
il terzo evento...ma questo è tutto un cliente. E quindi questo è tutto un cliente, un caso d'uso, e quindi, per loro, sai, il loro tempo verso il fallimento |
| |
guarda tutte queste parti qui, guarda tutti questi intervalli e queste sostituzioni. Quindi questo qui, |
| |
sono più di 20 anni che un cliente sta effettivamente guardando questo. Potrebbero... quindi vorranno sapere... ho bisogno o per sopravvivere a quei 20 anni, avrò bisogno di almeno tre parti. |
| |
Quindi, utilizzando alcune di queste selezioni e simulazioni casuali, puoi mettere insieme una comprensione della frequenza con cui queste parti devono essere sostituite e con quale frequenza un cliente potrebbe aver bisogno di acquistare il tuo prodotto. |
| |
Allora, come è pratico? Va bene, quindi si tratta davvero di sostituzioni. |
| |
E le sostituzioni sono, con quale frequenza metti una parte nuova, o buona come una nuova parte, lì dentro? Così |
| |
un sistema riparabile e un sistema non riparabile. E un sistema riparabile è quello in cui puoi ottenere le cose solo fino al |
| |
il punto che può funzionare di nuovo, e forse non è come nuovo. Quindi diciamo che hai un buco nella gomma. Tappi la perdita e vai avanti. |
| |
Questo è riparato. Ma cosa accadrebbe se potessi riparare la gomma al punto che era come nuova e non si guasterà mai più? |
| |
Ora, con il pneumatico, forse non è così pratico, ma con altre cose, potresti sostituire una parte, o forse devi tagliare una parte di una parte e sostituire solo quella o quella parte che si è guastata. |
| |
Ottenere una parte come nuova può rendere questo sistema non riparabile. Quindi, anche se hai eseguito una riparazione, per renderlo come nuovo, |
| |
cambia un po' le cose. Questo è un avvertimento gigantesco, sai. Devi fare molte considerazioni su cosa significhi buono come nuovo, ma molto spesso, penso che una parte... o le persone si occupino di parti che |
| |
hanno riparato e riparano come nuovi e pensano, beh, questo è un sistema riparabile, ma per il mondo dell'affidabilità, non lo è. Va bene, quindi me ne vado per un po' da quella soapbox. |
| |
Torna alle sostituzioni. Quando osserviamo una specie di sistema singolo, |
| |
potresti guardare qualcosa qui e dire, ok, lo sai, |
| |
per un unico sistema, |
| |
con che frequenza si guastano le parti? Quindi, se guardiamo a un solo cliente, con quale frequenza lo acquistano? E così la prima parte qui è durata quattro anni. |
| |
Poi hanno dovuto comprarne un secondo. Quello è durato solo 1,3 anni, poi hanno dovuto comprarne un terzo, e questo è andato a ruba ed è durato otto anni. |
| |
Quindi, alla fine, hanno dovuto comprare tre parti in 12 anni, ma c'è un'ampia variazione. Quindi lo vedi con tutti i tipi di prodotti, con alcuni telefoni cellulari, con |
| |
altri prodotti per la casa. Alcune cose falliranno presto; alcune cose falliranno tardi. |
| |
Potresti semplicemente parlare con i tuoi amici e dire, ehi, ho ottenuto... ho questo orribile cellulare. Non posso credere che abbia fallito così presto. E ti parleranno dello stesso cellulare che hanno da 10 anni. Concesso probabilmente non 10 anni ma |
| |
potrebbe volerci un po'. Quindi alla fine della giornata, per questo sistema, per questo cliente, hanno dovuto sostituire una parte tre volte. |
| |
Ora, se osserviamo più sistemi, possiamo costruirci un'idea nel tempo della frequenza con cui si verificano queste cose. Così |
| |
un cliente potrebbe avere quel primo sistema, poi il secondo cliente, forse hanno avuto cinque sostituzioni o sei sostituzioni su quello... più o meno nello stesso periodo di tempo. |
| |
Quindi, se dovessimo guardare al primo sistema, potremmo dire, ok, non ci aspetteremmo alcun fallimento almeno fino al quarto anno qui. |
| |
Ma se guardiamo al secondo sistema, hanno avuto un fallimento nel primo anno. Quindi, se stiamo cercando di calcolare i fallimenti medi o il numero medio di eventi che potremmo aspettarci nel primo o nel secondo anno, |
| |
quel primo sistema non ci dice molto. Quindi questo è dove, se non hai i dati e ... ma hai la tua distribuzione nel tuo modello in cui la beta e l'eta per il tuo Weibull o qualcosa del genere, |
| |
puoi usare la simulazione per provare a stabilire con quale frequenza alcuni clienti si aspettano eventi nell'anno 1, 2, 3 e andando molto oltre i dati che hai effettivamente. |
| |
In questo modo, guardando quei sistemi multipli e guardando quella simulazione puoi in qualche modo capire e iniziare a vedere una tendenza di quanto frequentemente |
| |
queste parti saranno sostituite anno dopo anno. Quindi, sebbene questi dati qui possano essere stati costruiti solo su eventi che duravano sette anni, |
| |
per l'ora del calendario o per l'ora del cliente, ci sarà una specie di picco e poi si livellerà a una sorta di livello piatto di sostituzioni. Ora |
| |
con una simulazione, vedrai dei rimbalzi, ed è quello che vedi qui. Se avessimo una soluzione in forma chiusa a questo, avremmo una bella linea retta, ma |
| |
con la simulazione, otteniamo qualche variazione. Questo è quello che vedi qui. Quindi puoi disegnare una specie di linea e vedere che sai, in media, |
| |
una persona potrebbe aspettarsi di sostituire, sai, un terzo di questi all'anno. Quindi, dopo tre anni, potresti aspettarti di avere un sostituto, una volta che inizia. Quindi alcuni all'inizio e poi si livella. |
| |
Quindi diamo un'occhiata a un esempio di cosa intendo con questo. |
| |
Abbiamo una tabella di dati qui e qui ho un modello. E quindi questo modello è solo un Weibull casuale. Quindi, se non hai familiarità con le diverse funzioni che puoi utilizzare in JMP, |
| |
puoi usare un Weibull casuale, un quantile di Weibull, una distribuzione di Weibull, una densità di Weibull. E queste sono tutte funzioni che puoi applicare a diverse distribuzioni. |
| |
In questo caso, stiamo scegliendo un insieme casuale di punti da una particolare distribuzione. La mia distribuzione ha una beta di 1.2 e un'eta di 3. |
| |
Quindi, scegliendo questi eventi casuali... casuali qui, |
| |
questi sono tutti eventi individuali, e questo è ciò che finirebbe per entrare nel tuo modello. Cosa succederebbe se dovessi costruire un modello sui guasti delle parti, queste sono le date che di solito finiscono per andare lì. Ciò che si perde, tuttavia, è come questo influisca effettivamente sul cliente. Quindi nel tempo |
| |
il cliente forse vuole sapere quanti di questi potrei sostituire tra 20, 30, 40 anni. |
| |
Ed è qui che devi guardare i tempi totali degli eventi di sistema. E questa è solo la somma cumulativa dei tempi individuali, quindi 8.3 è il primo, 1.2 è il secondo e così via. |
| |
E così, quando vai al secondo sistema, abbiamo 1.8, 3.9, 5.9, quindi è solo un conteggio cumulativo dei tempi individuali. |
| |
La cosa da tenere a mente qui è che quando stai cercando di calcolare una media di tutto questo, |
| |
guarderesti il numero di sistema, ma poi l'anno in cui questo si è effettivamente verificato, quindi 1,8 anni si sono verificati nel secondo anno di funzionamento. |
| |
E questa è una distinzione importante da tenere... da tenere a mente qui, perché vuoi assicurarti di identificare i fallimenti nell'anno appropriato. |
| |
Quindi il tuo 0.6, mentre... se fosse il primo, sarebbe nell'anno uno, in realtà sta solo incrementando l'anno... il tempo di sistema... gli anni di sistema di uno qui. |
| |
Quindi, avendo questo potresti pensare, ok, bene, ora che abbiamo tutto questo possiamo contare il nostro numero di eventi e guardare questo sistema, l'anno ed eseguire una piccola analisi. Quindi JMP ha in realtà uno strumento carino che farà tutto questo per te. |
| |
Così |
| |
in JMP c'è uno strumento chiamato simulazione dei sistemi riparabili. |
| |
E questo strumento, |
| |
Lo so... credo che sia uscito come JMP 13, forse JMP 14. Esiste da qualche anno. |
| |
Non so se riceve la stessa pubblicità che dovrebbe, perché è uno strumento incredibilmente potente che penso che molte persone non apprezzino qui. |
| |
Quindi quello che è, è che stai guardando un sistema qui. E quindi forse, o proprio ora, ho due parti qui dentro, ma forse il mio sistema è in realtà |
| |
sette o otto parti, o è un intero cambio, o una pompa, o qualcosa del genere. E tu hai tutte queste parti che lavorano insieme, che se una di esse fallisce, |
| |
sai, l'intero sistema fallisce e quindi vuoi capire qual è l'evento, quali sono gli orari dell'evento lì. Quindi, in ognuno di questi, disporrai qual è il tuo Weibulll o qual è il tuo modello, e qui ho una beta 1.2 e un alfa di 15. |
| |
È un'unità di tempo di anni, posso certamente scegliere diverse distribuzioni se... se voglio. |
| |
E poi posso dire cosa succede se si verifica un evento. Quindi, se un blocco... quindi qui ho un errore di blocco, cosa succede se si verifica effettivamente un errore? |
| |
E il risultato è sostituire con uno nuovo, quindi voglio solo sostituire la parte. Ora ci sono molte opzioni diverse qui, forse potrei fare una riparazione minima, ma invece ho detto, voglio sostituirlo con una parte nuova di zecca, quindi questo sarà un modello come nuovo... come nuovo. |
| |
E poi puoi includere una quantità di tempi di inattività. Quindi quanto tempo per riparare questo? Qual è stato il tempo medio per riparare? Può essere un valore costante |
| |
oppure può essere... puoi dire subito, non preoccuparti nemmeno della quantità di tempo che ci vuole o puoi dargli una lista da cui scegliere. Puoi anche dargli un paio di distribuzioni qui. |
| |
Così così con questi strumenti... e ora ho costruito un sistema molto semplice qui. Ho una parte con la mia distribuzione nota o ho due parti con distribuzioni note. |
| |
Quando uno di questi fallisce, ho un tempo di sostituzione, quindi il secondo ha l'opzione di scelta. |
| |
E puoi vedere, l'hai messo qui dentro. Ora le scelte devono essere nella stessa unità di tempo della simulazione. |
| |
Quindi ho scelto anni per essere la mia simulazione. Sono passati anni, quindi il tempo per prepararsi a qualcosa potrebbe essere solo un'ora, due ore, forse un giorno. Quando lo metti negli anni, i numeri diventano davvero piccoli, quindi è quello che vedi qui. |
| |
Non ho intenzione di entrare in tutte le opzioni qui. Come puoi vedere, ci sono molte altre cose che puoi fare con uno standby, un K su N, molte di queste servono per analisi più complesse. |
| |
Bene, quindi eseguo la mia analisi e la eseguirò per 20 anni, che è elencata qui, con il numero di simulazioni pari a 100. Spesso vorrai di più, ma a scopo dimostrativo, lo imposteremo a 100 e avremo un seme di 1234. |
| |
Quindi, allora ottengo questo bel grande output qui, e l'output iniziale è sempre chiamato numero, il che è molto utile. |
| |
Ma potresti guardare questo e andare bene, cosa ci faccio con questa roba? E puoi venire qui e puoi lanciare questa analisi e |
| |
forse vuoi guardare il tempo di inattività totale per componente. Quindi questo dice, sai, come... o qual è la distribuzione dei tempi di fermo che un componente potrebbe vedere? |
| |
Ma in realtà non risponde mai alla domanda di oltre 20 anni, quante volte dovrò sostituire questa parte? |
| |
Così ho scritto uno script e così quando tu... quando scarichi questo diario, avrà tutti questi script che sono lì dentro. |
| |
L'ho impostato come un pulsante, ma lo script effettivo è tutto qui sotto come riferimento, se desideri usarlo. |
| |
Quindi farò clic sul pulsante e accadranno un sacco di cose. Quindi ora sono entrato e ho calcolato la frequenza con cui mi aspetto che questi eventi si verifichino, anno dopo anno. Quindi, dal punto di vista del sistema, |
| |
Ho inserito i miei eventi di errore e impostato il valore dell'anno. Quindi potresti ricordare che il valore dell'anno viene arrotondato per eccesso, quindi 3,8 anni è 4. |
| |
Ora questo guarda l'ora del calendario, guarda l'ora del sistema che potremmo usare. Non guarda il tempo individuale, quindi il tempo tra ognuno di questi, sai, per la riga uno per la riga due è di 1,8 anni o giù di lì. |
| |
Ma poiché stiamo esaminando il sistema, in realtà stiamo contando il 5,69. |
| |
Ora voglio trasformarlo in... voglio trasformare tutti questi valori in qualcosa di utile. |
| |
La cosa importante da ricordare, tuttavia, è che è necessario... quando si cerca un numero medio di eventi ogni anno, è necessario guardare agli anni in cui non si sono verificati eventi. Quindi in questa prima simulazione, il primo evento si verifica nel quarto anno, |
| |
ma ho bisogno di zeri per uno, due e tre, ed è quello che fa il mio script. La mia sceneggiatura va in serie a |
| |
schema di ciò che voglio guardare. Quindi voglio guardare la prima parte, voglio guardare il valore dell'anno e l'ID della simulazione, e poi guardare quando gli eventi si sono effettivamente verificati. Quindi qui puoi vedere la prima parte dell'evento che si verifica nell'anno dieci. |
| |
E quindi quando viene aggiunto qui, questo è ciò che viene aggiornato all'analisi. Se scorro fino alla seconda parte... |
| |
quando scorri verso il basso fino alla seconda parte per la simulazione uno, |
| |
lì...non ci sono eventi. |
| |
Il primo evento per la simulazione non è fino a... |
| |
fino al quarto anno. Quindi se scorro fino al quarto anno |
| |
per la seconda parte, mostrerà che ho un evento nella simulazione uno, va bene. Quindi è solo una specie di mettere in fila questi eventi per ogni possibile combinazione di anni in cui ciò potrebbe accadere. |
| |
Bene, avendo quel livello di informazioni, ora che ho quello in tutte le...tutte le simulazioni, hai visto che avevo 4.000 record, ora che sono solo tutte le possibili permutazioni di anno, simulazione e parte. |
| |
Ma davvero voglio fare la media di quelli giù. Quindi faccio la media e voglio guardare il numero di simulazioni, che erano il numero di righe, il valore dell'anno e poi la parte. Scendo a 40 righe, molto più gestibili e molto più facili da capire. |
| |
Quello che vedete qui per la seconda parte è che abbiamo quel piccolo picco all'inizio, e poi si stabilizza. e |
| |
rimbalza perché è la simulazione e abbiamo eseguito solo 100 eventi, ma... o 100 simulazioni, ma abbiamo una sorta di stato stabile di sostituzioni che potremmo vedere. |
| |
Se dovessimo provare a guardare a questo da una prospettiva cumulativa, però, questo è ciò che può dire a un cliente quanti potrebbero aspettarsi di sostituire in 10 anni. Quindi per la seconda parte, |
| |
diciamo che il cliente vuole sapere quando dovrò sostituire, sai, il primo? Qual è il qual è il primo vero? Il primo in assoluto |
| |
accadrà tra il quarto e il quinto anno, come subito dopo il quarto anno. E poi il secondo accade proprio... o verso il settimo anno. |
| |
Il terzo accade intorno all'anno 10. Quindi puoi vedere, hai una sorta di salita in cui non ci sono molti guasti in anticipo, ma poi c'è questo stato stazionario e ogni tre anni circa finisci per dover sostituire le parti. |
| |
Questo può essere molto utile per il cliente, per la pianificazione della tua attività o anche per gli sforzi della catena di approvvigionamento, se vuoi provare a fare qualcosa di simile lì. |
| |
Quindi, l'utilizzo di questa previsione degli eventi dalla simulazione dei sistemi riparabili è un modo pratico e veloce per dare quell'idea o dare quella comprensione di quante parti, non solo della probabilità di guasto e quando ciò potrebbe verificarsi. Così |
| |
una cosa... un'altra cosa di cui voglio parlare oggi è un modo per rendere un po' più semplice la simulazione dei sistemi riparabili. |
| |
E quindi potrebbe essere scoraggiante. È un nuovo strumento, potresti non sapere tutto ciò con cui stai lavorando, ma |
| |
se...se inizi con il modello, inizia con la tabella, costruire la simulazione dei tuoi sistemi riparabili può essere molto più semplice. |
| |
Quindi, alla fine, per costruire il tuo modello, hai bisogno di circa 13 dati. La maggior parte di questo accade in background a cui non penseresti nemmeno, ma se li disponi in una tabella e un modello |
| |
con queste varie colonne qui... E dico 13, in realtà hai bisogno di meno. Ho apportato alcune modifiche qui per gestire alcune piccole cose carine che potresti fare qui. |
| |
Ma in realtà hai la tua distribuzione, il tuo tipo di modello, i tuoi parametri, quale unità di tempo. Queste sono tutte cose che sono predefinite in JMP e che puoi modificare o |
| |
che sono cose che aggiungeresti. Quindi ognuno di questi ha un, sai, se il blocco fallisce, qual è la tua sostituzione con il nuovo? E questi che puoi regolare, puoi collegare questi nomi di eventi e questi processi in modo diverso. |
| |
Nel mio mondo, molte volte vedremo un cambiamento di comportamento. E forse vogliamo capire che i primi anni, questo è il tasso di sostituzione, e poi i secondi anni, ecco il tasso di sostituzione. |
| |
Oppure potresti avere modalità di errore concorrenti di cui vuoi trarre vantaggio. Quindi quello che ti mostrerò qui può gestire molto di questo. |
| |
Mi scusi, questo non è affatto perfetto. Questo |
| |
dovrebbe sicuramente essere adattato per il tuo... il tuo caso d'uso, ma, alla fine, iniziare con un modello è un modo incredibile per accelerare il tuo sviluppo e |
| |
per consentirti di effettuare regolazioni... fai piccole regolazioni al volo. Quindi, se ho questo, ho un bel piccolo script qui, dove, se clicco sullo script, produce la mia simulazione di sistemi riparabili per me. |
| |
E se guardo qui, ho la mia prima... la mia prima parte con una beta 1.86 o 826, un alpha di 153. |
| |
E in realtà è solo prendere questo tavolo e trasformarlo nella simulazione dei sistemi riparabili. Tu puoi fare |
| |
qualcosa di ancora più complesso. Quindi fammi chiudere quello. |
| |
E così qui ho 14 parti. Potrei cambiare una qualsiasi di queste distribuzioni se voglio, |
| |
ma ho altri tipi di eventi che voglio guardare qui. Voglio dividere la mia distribuzione dove |
| |
cambia o cambia forma dopo un certo numero di tempo. Forse sto cercando di modellare l'introduzione di un prodotto, sai, un aggiornamento del prodotto che sta attraversando la flotta. O forse ho una modalità di fallimento in competizione qui e voglio tenerne conto. |
| |
Quindi, se voglio, sai... usando questo modello nello script, mi permette di gestire tutto questo in un modo molto semplice. Ora hai visto quanto è stato veloce. Che cos'è, un secondo o giù di lì? |
| |
per generare questo modello? Ora, se voglio creare un altro di questi, forse, forse voglio che questo sia un |
| |
registro normale. |
| |
Posso farlo proprio qui, e poi |
| |
vieni al mio copione |
| |
e |
| |
ed eseguilo di nuovo. E ottengo un altro modello dove (vediamo, che cos'era? Parte quinta.) |
| |
la quinta parte è ora un registro normale. È davvero facile provare diverse iterazioni, provare diversi modelli e ne genera uno nuovo ogni volta, |
| |
etichettando il diagramma come la tua tabella qui. Quindi è un modo pratico per eseguire un'analisi e comprendere le previsioni degli eventi utilizzando questo modello, utilizzando lo script incorporato qui per eseguire l'analisi e comprendere le previsioni degli eventi nel tempo. |
