Vocero
|
Transcripción
|
| Brad Foulkes |
Gracias por asistir a mi charla sobre Pero, ¿qué hago ahora? Uso de un modelo de confiabilidad para realizar predicciones de eventos en JMP. |
| |
Con mucha frecuencia me preguntan ... Me preguntan una vez que construyo un modelo de confiabilidad, ¿qué hago realmente con él? Y muchas veces la gente olvida que puede usar un modelo de confiabilidad para hacer predicciones sobre cuándo ocurrirán los eventos. |
| |
Y no solo el primer evento, tal vez el segundo, tercer o cuarto evento que ese producto pueda ver con el tiempo. |
| |
Así que un poco sobre mí. Mi nombre es Brad Foulkes. Soy el director de ingeniería de Optimal Analytics, donde trabajamos con empresas para tratar de ayudarlas a comprender sus datos, identificar obstáculos y hacer que se muevan de manera más eficiente. |
| |
Antes de ese puesto, trabajé en ingeniería de confiabilidad durante aproximadamente nueve años, trabajando en cómo podemos entender la confiabilidad de las piezas y averiguar cuándo las piezas realmente se romperán con el tiempo. |
| |
He estado usando JMP durante unos ocho años, creo que alrededor de JMP 10. No estoy seguro, fue hace un tiempo, así que olvido en qué versión estábamos ... yo estaba entonces. |
| |
En mis herramientas JMP favoritas, me gusta usar mucho la distribución de vida porque ahí es donde se encuentra el modelado de confiabilidad. Modelo de ajuste, uso con mucha frecuencia y JSL. |
| |
Las secuencias de comandos pueden abrir toda una serie de herramientas y juguetes nuevos para que juegues. Entonces, ¿por qué quiero presentar esto hoy? |
| |
Porque, la mayoría de las veces, esta pregunta surge al final ... al final de la construcción de un modelo y no se había pensado realmente hasta ese momento. |
| |
Es posible que termine un modelo y tenga un montón de probabilidades y luego no sepa realmente qué hacer a continuación. Así que aquí hay una especie de opción que puede hacer a medida que ha construido su modelo y puede continuar. |
| |
Entonces, de lo que estamos hablando hoy sobre la predicción de eventos, cuando construye su modelo, está acostumbrado a ver con frecuencia este tipo de trama aquí. Tendrás tus tiempos individuales |
| |
y tal vez se trate de ciclos de vida de productos o hardware. Digamos que es una licuadora, ya sabes, o cualquier tipo de electrodoméstico de cocina o pequeño electrodoméstico de cocina que tal vez no dure. |
| |
una cantidad de tiempo terriblemente larga. Así que algunos de estos van a fallar muy pronto; algunos fallarán muy tarde. |
| |
Pero al final del día, terminas con una probabilidad de falla, cuando estas cosas van a ... van a ocurrir. Entonces aquí podría venir aquí y decir, está bien, bueno, alrededor del 90% de las fallas ocurrirán en cuatro años. |
| |
Bueno, eso es genial. Eso le ayuda a entender una primera falla y tal vez a poner una probabilidad de fallas en las piezas en el campo, pero para una persona que realmente tiene que comprar estas cosas o usarlas, esto no les ayuda mucho. |
| |
Para un cliente que realmente los usa, no les importa cuánto tiempo van a durar. Es posible que no quieran saber cuántos tendré que comprar durante un período de tiempo, |
| |
tal vez en un ciclo de vida general. Solo quieren ver 10 años, ¿cuántos de estos necesito comprar en 10 años para que sobreviva? |
| |
Así que ahí es donde entra en juego la predicción de eventos. Y lo que realmente es la predicción de eventos es tomar su distribución y darle la vuelta, de modo que aún tenga su, ya sabe, su distribución de tiempo. |
| |
¿Cuál es el tiempo para los eventos que tiene aquí, y luego la probabilidad de que ocurra un evento? Y ahora |
| |
puede ver la frecuencia con la que ocurren algunos de estos eventos. Entonces, tal vez el primer evento ocurra aquí alrededor de ocho años y medio, el segundo evento ocurra a los nueve y medio, |
| |
el tercer evento ... pero todo esto es un cliente. Entonces, todo esto es un cliente, un caso de uso, por lo que, para ellos, ya sabes, su tiempo para fallar |
| |
examina todas estas piezas aquí, examina todos estos intervalos y estos reemplazos. Así que esto de aquí |
| |
Son más de 20 años de tiempo que un cliente está mirando esto. Ellos pueden ... entonces ellos querrán saber ... Necesito o para sobrevivir esos 20 años, voy a necesitar al menos tres partes. |
| |
Y así, con el uso de parte de esta selección y simulación aleatorias, puede comprender la frecuencia con la que se deben reemplazar estas piezas y la frecuencia con la que un cliente podría necesitar comprar su producto. |
| |
Entonces, ¿cómo es esto práctico? Muy bien, todo se reduce a reemplazos. |
| |
Y los reemplazos son, ¿con qué frecuencia está colocando una pieza nueva, o una pieza tan buena como nueva, allí? Entonces |
| |
un sistema reparable y un sistema no reparable. Y un sistema reparable es aquel en el que puede hacer que las cosas estén a la altura |
| |
el punto de que puede ejecutarse de nuevo, y tal vez no sea tan bueno como nuevo. Digamos que tiene un agujero en la llanta. Tapones la fuga y sigues adelante. |
| |
Eso está reparado. Pero, ¿qué pasaría si pudieras reparar el neumático hasta el punto de que estuviera como nuevo y nunca más volviera a fallar? |
| |
Ahora, con el neumático, tal vez no sea tan práctico, pero con otras cosas, es posible que esté reemplazando una parte, o tal vez necesite cortar una parte de una parte y reemplazar solo esa o aquella parte que falló. |
| |
Hacer que una pieza esté tan buena como nueva puede hacer que este sea un sistema no reparable. Entonces, aunque realizó una reparación, para que quede como nueva, |
| |
cambia un poco las cosas. Eso es una gran advertencia, ya sabes, tienes que tener muchas consideraciones en cuanto a qué significa tan bueno como nuevo, pero con mucha frecuencia, creo que parte ... o la gente se ocupa de partes que |
| |
han reparado y reparan como nuevos y piensan, bueno, este es un sistema reparable, pero para el mundo de la confiabilidad, no lo es. Muy bien, me voy de esa tribuna por un tiempo. |
| |
Volver a reemplazos. Cuando miramos una especie de sistema único, |
| |
puede que estés mirando algo aquí y digas, está bien, ya sabes, |
| |
para un solo sistema, |
| |
¿Con qué frecuencia fallan las piezas? Entonces, si solo miramos a un cliente, ¿con qué frecuencia los compra? Y entonces la primera parte duró cuatro años aquí. |
| |
Luego tuvieron que comprar una segunda. Ese solo duró 1.3 años, luego tuvieron que comprar un tercero, y este se volvió loco y duró ocho años. |
| |
Entonces, al final del día, han tenido que comprar tres partes en 12 años, pero hay una gran variación. Entonces ves esto con todo tipo de productos, con algunos teléfonos móviles, con |
| |
otros productos para el hogar. Algunas cosas fallarán temprano; algunas cosas fallarán tarde. |
| |
Puede que estés hablando con tus amigos y digas, hey, tengo ... Tengo este horrible teléfono celular. No puedo creer que haya fallado tan temprano. Y te hablarán sobre el mismo teléfono celular que han tenido durante 10 años. Concedido probablemente no 10 años pero |
| |
podría ser un tiempo. Entonces, al final del día, para este sistema, este cliente, han tenido que reemplazar una pieza tres veces. |
| |
Ahora, si observamos varios sistemas, podemos construir una idea a lo largo del tiempo de la frecuencia con la que ocurren estas cosas. Entonces |
| |
un cliente podría tener ese primer sistema, luego el segundo cliente, tal vez tuvieron cinco reemplazos o seis reemplazos sobre eso ... durante aproximadamente el mismo período de tiempo. |
| |
Entonces, si miráramos el primer sistema, podríamos decir, está bien, no esperaríamos fallas hasta al menos el cuarto año aquí. |
| |
Pero si miramos el segundo sistema, tuvieron una falla en el primer año. Entonces, si estamos tratando de calcular el promedio de fallas o el número promedio de eventos que podríamos esperar en el año uno o en el año dos, |
| |
ese primer sistema no nos dice mucho. Así que aquí es donde, si no tiene los datos y ... pero tiene su distribución en su modelo donde está la beta y la eta para su Weibull o algo así, |
| |
puede usar la simulación para tratar de establecer la frecuencia con la que algunos clientes esperan eventos en el año 1, 2, 3 y que se alejen mucho más allá de los datos que realmente tiene. |
| |
Al hacer eso, al observar esos múltiples sistemas y observar esa simulación, puede comprender y comenzar a ver una tendencia de la frecuencia con la que |
| |
estas piezas serán reemplazadas año tras año. Entonces, si bien estos datos aquí solo pueden haberse construido a partir de tiempos de eventos que duraron siete años, |
| |
ya que para el tiempo del calendario o para el tiempo del cliente, habrá una especie de pico y luego se nivelará a una especie de nivel fijo de reemplazos. Ahora |
| |
con una simulación, verás algunos rebotes, y eso es lo que ves aquí. Si tenemos una solución de forma cerrada para esto, tendríamos una bonita línea recta, pero |
| |
con la simulación, obtenemos algunas variaciones. Eso es lo que ves aquí. Así que puedes dibujar una especie de línea y ver que sabes, en promedio, |
| |
una persona podría esperar reemplazar, ya sabes, un tercio de estos por año. Entonces, después de tres años, podría esperar tener un reemplazo, una vez que esté en funcionamiento. Así que algunos al principio y luego se nivelan. |
| |
Así que veamos un ejemplo de lo que quiero decir con esto. |
| |
Aquí tenemos una tabla de datos y aquí tengo un modelo. Y entonces este modelo es solo un Weibull aleatorio. Entonces, si no está familiarizado con las diferentes funciones que puede usar en JMP, |
| |
puede utilizar un Weibull aleatorio, un cuantil de Weibull, distribución de Weibull, densidad de Weibull. Y todas estas son funciones que puede aplicar a diferentes distribuciones. |
| |
En este caso, elegimos un conjunto aleatorio de puntos de una distribución particular. Mi distribución tiene una beta de 1.2 y una eta de 3. |
| |
Entonces, al elegir estos eventos aleatorios ... aleatorios aquí, |
| |
todos estos son eventos individuales, y esto es lo que terminaría entrando en su modelo. ¿Qué terminaría si construyeras un modelo sobre fallas en las piezas? Estas son las fechas que generalmente terminan entrando allí. Sin embargo, lo que se pierde es cómo esto afecta realmente al cliente. Así que con el tiempo |
| |
el cliente tal vez quiera saber cuántos de estos podría reemplazar en 20, 30, 40 años. |
| |
Y ahí es donde debe observar los tiempos de eventos totales del sistema. Y esta es solo la suma acumulada de tiempos individuales, por lo que 8.3 es el primero, 1.2 es el segundo y así sucesivamente. |
| |
Entonces, cuando pasa al segundo sistema, tenemos 1.8, 3.9, 5.9, por lo que es solo un recuento acumulativo de los tiempos individuales. |
| |
Lo que hay que tener en cuenta aquí es que cuando intentas calcular un promedio de todo esto, |
| |
estaría mirando el número del sistema, pero luego en el año en que esto realmente ocurrió, entonces 1.8 años ocurrieron en el segundo año de operación. |
| |
Y esa es una distinción importante a tener en cuenta ... para tener en cuenta aquí, porque quiere asegurarse de que está identificando las fallas en el año apropiado. |
| |
Entonces, su 0.6, mientras que ... si ese fuera el primero, sería en el año uno, en realidad solo está incrementando el año ... el tiempo del sistema ... los años del sistema en uno aquí. |
| |
Entonces, teniendo esto, podría pensar, está bien, bueno, ahora que tenemos todo esto, podemos contar nuestro número de eventos y mirar este sistema, el año y realizar un pequeño análisis. Así que JMP tiene una buena herramienta que hará todo eso por ti. |
| |
Entonces |
| |
en JMP existe una herramienta llamada simulación de sistemas reparables. |
| |
Y esta herramienta |
| |
Lo sé ... creo que surgió como JMP 13, tal vez JMP 14. Ha existido durante algunos años. |
| |
No sé si recibe tanta publicidad como debería, porque es una herramienta increíblemente poderosa que creo que mucha gente no aprecia aquí. |
| |
Entonces, lo que es, es que estás viendo un sistema aquí. Y entonces tal vez, o ahora mismo, tenga dos partes aquí, pero tal vez mi sistema sea en realidad |
| |
siete u ocho partes, o es una caja de cambios completa, o una bomba, o algo así. Y tienes todas estas partes que funcionan juntas, que si alguna de ellas falla, |
| |
ya sabes, todo el sistema falla, por lo que quieres entender cuál es el evento, cuáles son los tiempos del evento allí. Entonces, en cada uno de estos, establecería cuál es su Weibulll o cuál es su modelo, y aquí tengo una beta 1.2 y una alfa de 15. |
| |
Es una unidad de tiempo de años, ciertamente puedo elegir diferentes distribuciones si ... si quisiera. |
| |
Y luego puedo decir qué sucede si ocurre un evento. Entonces, si un bloque ... así que aquí tengo una falla de bloque, ¿qué sucede si realmente ocurre una falla? |
| |
Y el resultado es reemplazarlo por uno nuevo, así que solo quiero reemplazar la pieza. Ahora hay muchas opciones diferentes aquí, tal vez podría hacer una reparación mínima, pero en cambio dije, quiero reemplazar esto con una pieza nueva, así que este será un modelo como nuevo ... como nuevo. |
| |
Y luego puede incluir una cantidad de tiempo de inactividad. Entonces, ¿cuánto tiempo para reparar esto? ¿Cuál fue el tiempo medio para reparar? Puede ser un valor constante |
| |
o puede ser ... puede decir de inmediato, ni siquiera se preocupe por la cantidad de tiempo que lleva o puede darle una lista para elegir. También puedes darle un par de distribuciones aquí. |
| |
Así que con estas herramientas ... y ahora he construido un sistema muy simple aquí. Tengo una parte con mi distribución conocida o tengo dos partes con distribuciones conocidas. |
| |
Cuando alguno de estos falla, tengo un tiempo de reemplazo, por lo que el segundo tiene la opción de opciones. |
| |
Y puedes ver, lo pones aquí. Ahora las opciones deben estar en la misma unidad de tiempo que su simulación. |
| |
Así que elegí años para ser mi simulación. Esto es en años, por lo que el tiempo para prepararse para algo podría ser solo una hora, dos horas, tal vez sea un día. Cuando pones eso en épocas de años, los números se vuelven realmente pequeños, así que eso es lo que ves aquí. |
| |
No voy a entrar en todas las opciones aquí. Como puede ver, hay muchas otras cosas que puede hacer con un modo de espera, una K de N, muchas de ellas son para análisis más complejos. |
| |
Muy bien, ejecuto mi análisis y voy a ejecutar esto durante 20 años, que se enumera aquí, con el número de simulaciones como 100. A menudo querrá más que eso, pero para fines de demostración, lo estableceremos en 100 y tendremos una semilla de 1234. |
| |
Entonces, obtengo este gran resultado aquí, y el resultado inicial siempre se llama número, lo cual es muy útil. |
| |
Pero puedes mirar esto y estar bien, ¿qué hago con cualquiera de estas cosas? Y puede venir aquí y puede iniciar este análisis y |
| |
tal vez desee ver el tiempo de inactividad total por componente. Entonces, esto dice, ya sabes, ¿cómo ... o cuál es la distribución de los tiempos de inactividad que podría ver un componente? |
| |
Pero en realidad nunca responde la pregunta de más de 20 años, ¿cuántas veces voy a necesitar reemplazar esta pieza? |
| |
Así que escribí un guión y cuando tú ... cuando descargues este diario, tendrá todos estos guiones que están ahí. |
| |
Lo configuré como un botón, pero el script real está bien debajo de aquí para su referencia, si desea usarlo. |
| |
Así que voy a hacer clic en el botón y sucederán un montón de cosas. Así que ahora he entrado y calculado con qué frecuencia espero que ocurran estos eventos, año tras año. Entonces, desde la perspectiva del sistema, |
| |
He subconjunto mis eventos de falla y establecí el valor de mi año. Entonces, quizás recuerde que el valor del año se redondea hacia arriba, por lo que 3.8 años es 4. |
| |
Ahora, esto mira la hora del calendario, esto mira la hora del sistema que podríamos estar usando. No tiene en cuenta el tiempo individual, por lo que el tiempo entre cada uno de estos, ya sabe, para la fila uno a la fila dos es de aproximadamente 1,8 años. |
| |
Pero debido a que estamos mirando el sistema, en realidad estamos contando los 5.69. |
| |
Ahora quiero convertir eso en ... Quiero convertir todos estos valores en algo útil. |
| |
Sin embargo, lo importante que debe recordar es que debe ... cuando busca un número promedio de eventos cada año, debe observar los años en los que no ocurrieron eventos. Entonces, en esta primera simulación, el primer evento ocurre en el año cuatro, |
| |
pero necesito ceros para uno, dos y tres, y eso es lo que hace mi guión. Mi guión va en conjuntos |
| |
patrón de lo que quiero ver. Así que quiero ver la parte uno, quiero ver el valor del año y el ID de la simulación, y luego ver cuándo ocurrieron realmente los eventos. Así que aquí puede ver que el evento de la primera parte uno ocurre en el año diez. |
| |
Entonces, cuando eso se agrega aquí, eso es lo que se actualiza al análisis. Si me desplazo hacia la segunda parte ... |
| |
cuando se desplaza hacia abajo a la parte dos para la simulación uno, |
| |
allí ... no hay eventos. |
| |
El primer evento de simulación uno no es hasta ... |
| |
hasta el cuarto año. Entonces, si me desplazo hasta el cuarto año |
| |
para la segunda parte, mostrará que tengo un evento en la simulación uno, de acuerdo. Así que en realidad es una especie de alineación de estos eventos para cada combinación posible de años en que esto podría ocurrir. |
| |
Bueno, teniendo ese nivel de información, ahora que tengo eso en todas las ... todas las simulaciones, vieron que tenía 4.000 registros, ahora que son solo todas las posibles permutaciones de año, simulación y parte. |
| |
Pero realmente quiero promediarlos. Así que lo promedío y quiero ver el número de simulaciones, que fueron el número de filas, el valor del año y luego la parte. Llego a 40 filas, mucho más manejable y mucho más fácil de entender. |
| |
Lo que ves aquí en la segunda parte es que tenemos ese pequeño aumento al principio, y luego se estabiliza. Y |
| |
rebota porque es la simulación y solo ejecutamos 100 eventos, pero ... o 100 simulaciones, pero tenemos una especie de estado estable de reemplazos que podríamos ver. |
| |
Sin embargo, si intentáramos ver esto desde una perspectiva acumulativa, esto es lo que puede decirle a un cliente cuántos podrían esperar reemplazar en 10 años. Entonces, para la segunda parte, |
| |
digamos que el cliente quiere saber cuándo tendré que reemplazar, ya sabes, ¿el primero? ¿Cuál es el cuál es el primero? El primero |
| |
va a suceder entre los años cuatro y cinco, como justo después del año cuatro. Y luego ocurre el segundo ... o alrededor del año siete. |
| |
El tercero ocurre alrededor del año 10. Como puede ver, tiene esta escalada en la que no hay muchas fallas al principio, pero luego está este estado estable y cada tres años más o menos termina necesitando reemplazar las piezas. |
| |
Esto puede ser muy útil para el cliente, para la planificación de su negocio o incluso para los esfuerzos de la cadena de suministro, si desea intentar hacer algo como esto allí. |
| |
Por lo tanto, usar esta predicción de eventos de la simulación de sistemas reparables es una forma práctica y rápida de dar esa idea o dar esa comprensión de cuántas piezas, no solo la probabilidad de falla y cuándo podría ocurrir. Entonces |
| |
una cosa ... otra cosa de la que quiero hablar hoy es una forma de hacer que la simulación de sistemas reparables sea un poco más fácil. |
| |
Por tanto, puede resultar abrumador. Es una herramienta nueva, es posible que no sepa todo con lo que está trabajando, pero |
| |
si usted ... si comienza con la plantilla, comienza con la tabla, construir su simulación de sistemas reparables puede ser mucho más fácil. |
| |
Entonces, al final, para construir su modelo, necesita aproximadamente 13 piezas de datos. La mayor parte de esto ocurre en el fondo que ni siquiera pensarías, pero si los colocas en una tabla y una plantilla |
| |
con estas varias columnas aquí ... Y digo 13, en realidad necesitas menos. He hecho algunas modificaciones aquí para manejar algunas pequeñas cosas interesantes que podrías hacer aquí. |
| |
Pero realmente tienes tu distribución, tu tipo de modelo, tus parámetros, qué unidad de tiempo. Estas son todas las cosas que están predeterminadas en JMP que puede cambiar o |
| |
que son cosas que agregarías. Entonces, cada uno de estos tiene un, ya sabes, si el bloque falla, ¿cuál es tu reemplazo por nuevo? Y estos se pueden ajustar, se pueden conectar estos nombres de eventos y estos procesos de manera diferente. |
| |
En mi mundo, muchas veces veremos un cambio de comportamiento. Y tal vez queremos entender que los primeros años, esta es la tasa de reemplazo, y luego los segundos años, aquí está la tasa de reemplazo. |
| |
O puede tener modos de falla en competencia que quiera aprovechar. Entonces, lo que les voy a mostrar aquí puede manejar mucho de eso. |
| |
Disculpe, esto de ninguna manera es perfecto. Esta |
| |
definitivamente debería adaptarse a su propio ... su propio caso de uso, pero, al final del día, comenzar con una plantilla es una manera increíble de acelerar su desarrollo y |
| |
para permitirle realizar ajustes ... realizar pequeños ajustes sobre la marcha. Entonces, si tengo esto, tengo un pequeño script agradable aquí, donde, si hago clic en el script, produce mi simulación de sistemas reparables para mí. |
| |
Y si miro aquí, tengo mi primera ... mi primera parte con una beta 1.86 u 826, un alfa de 153. |
| |
Y realmente se trata simplemente de tomar esta tabla y convertirla en la simulación de sistemas reparables. Tu puedes hacer |
| |
algo aún más complejo. Así que déjame cerrar ese. |
| |
Y aquí tengo 14 partes. Podría cambiar cualquiera de estas distribuciones si quisiera, |
| |
pero tengo otros tipos de eventos que quiero ver aquí. Quiero dividir mi distribución donde |
| |
cambia o cambia de forma después de un cierto número de tiempo. Tal vez estoy tratando de modelar una introducción de producto, ya sabes, una actualización de producto que se realiza en toda la flota. O tal vez tengo un modo de falla competitivo aquí y quiero tener eso en cuenta. |
| |
Entonces, si quiero, ya sabes ... usar esta plantilla en el script, me permite ir y manejar todo esto de una manera muy simple. Ahora viste lo rápido que fue. ¿Qué es eso, un segundo más o menos para |
| |
para generar este modelo? Ahora, si quiero crear otro de estos, tal vez, tal vez quiera que este sea un |
| |
log normal. |
| |
Puedo hacer eso aquí mismo, y luego |
| |
ven a mi guion |
| |
y |
| |
y simplemente ejecute eso de nuevo. Y me sale otro modelo donde (veamos, ¿qué era? Quinta parte.) |
| |
la quinta parte es ahora un registro normal. Es muy fácil probar diferentes iteraciones, probar diferentes modelos y genera uno nuevo cada vez, |
| |
etiquetar el diagrama como su mesa aquí. Por lo tanto, es una forma práctica de realizar un análisis y comprender sus predicciones de eventos utilizando esta plantilla, utilizando el script que está incorporado aquí para realizar el análisis y comprender sus predicciones de eventos a lo largo del tiempo. |
