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. |
| |
Muy frecuentemente me preguntan... Una vez que construyo un modelo de confiabilidad, ¿qué hago realmente con él? Y muchas veces la gente olvida que se puede utilizar un modelo de confiabilidad para hacer predicciones sobre cuándo ocurrirán realmente los eventos. |
| |
Y no solo el primer evento, tal vez el segundo, tercer o cuarto evento que ese producto podría experimentar con el tiempo. |
| |
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 lograr que avancen de manera más eficiente. |
| |
Antes de ocupar ese puesto, trabajé en ingeniería de confiabilidad durante aproximadamente nueve años, trabajando en cómo podemos entender la confiabilidad de las piezas y determinar 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 olvidé en qué versión estábamos... Yo estaba en entonces. |
| |
En mis herramientas JMP favoritas, me gusta mucho usar la distribución de vida porque ahí es donde se ubica el modelado de confiabilidad. Modelo apto, lo uso con mucha frecuencia y JSL. |
| |
Las secuencias de comandos pueden abrir todo tipo de nuevas herramientas y nuevos juguetes con los que jugar. 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 ha pensado realmente en ella hasta ese momento. |
| |
Es posible que termines un modelo y tengas un montón de probabilidades y luego no sepas realmente qué hacer a continuación. Así que aquí hay una opción que puede hacer mientras construye su modelo y puede continuar hacia adelante. |
| |
Entonces, de lo que estamos hablando hoy sobre la predicción de eventos, cuando construyes tu modelo, estás acostumbrado a ver con frecuencia este tipo de gráfico aquí. Tendrás tus tiempos individuales, |
| |
y tal vez estos sean ciclos de vida del hardware o del producto. Digamos que es una licuadora, ya sabes, o cualquier tipo de electrodoméstico de cocina o pequeño electrodoméstico que tal vez no dure. |
| |
una cantidad de tiempo terriblemente larga. Así que algunos de ellos van a fallar muy pronto; algunos fracasarán muy tarde. |
| |
Pero al final del día, terminas con una probabilidad de fracaso, cuando estas cosas van a... van a ocurrir. Así que uno podría venir y decir, bueno, alrededor del 90% de las fallas ocurrirán dentro de cuatro años. |
| |
Bueno, eso es genial. Eso le ayuda a comprender una primera falla y tal vez a poner en práctica la probabilidad de que las piezas fallen, pero para una persona que realmente tiene que comprar estas cosas o usarlas, esto no le ayuda mucho. |
| |
A un cliente que realmente los usa, no le importa cuánto durará. Es posible que no quieran saber cuántos necesitaré comprar durante un período de tiempo. |
| |
tal vez en un ciclo de vida general. Solo quieren mirar dentro de 10 años, ¿cuántos de estos necesito comprar en 10 años para que sobreviva? |
| |
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, para seguir teniendo su distribución de tiempo. |
| |
¿Cuáles son los tiempos de los eventos que tienes aquí y luego la probabilidad de un evento? Y ahora |
| |
Puede observar la frecuencia con la que ocurren algunos de estos eventos. Así que tal vez el primer evento ocurra aquí alrededor de ocho años y medio, el segundo evento ocurra alrededor de nueve años y medio, |
| |
El tercer evento... pero todo esto es un solo cliente. Y todo esto es un cliente, un caso de uso, y para ellos, ya sabes, su tiempo hacia el fracaso. |
| |
Mira todas estas partes aquí, mira todos estos intervalos y estos reemplazos. Entonces esto aquí, |
| |
Son más de 20 años los que un cliente realmente mira esto. Es posible que... entonces querrán saber... que necesito para sobrevivir esos 20 años, necesitaré al menos tres partes. |
| |
Y así, al utilizar parte de esta selección aleatoria y simulación, puede comprender con qué frecuencia es necesario reemplazar estas piezas y con qué frecuencia un cliente podría necesitar comprar su producto. |
| |
Entonces, ¿cómo es esto práctico? Muy bien, todo se reduce a reemplazos. |
| |
Y siendo los reemplazos, ¿con qué frecuencia coloca allí una pieza nueva o una pieza que está como nueva? Entonces |
| |
un sistema reparable y un sistema no reparable. Y un sistema reparable es aquel en el que puedes hacer que las cosas estén a la altura. |
| |
el punto es que puede funcionar nuevamente, y tal vez no esté tan bien como nuevo. Entonces digamos que tienes un agujero en tu llanta. Tapas la fuga y continúas. |
| |
Eso está reparado. Pero, ¿qué pasaría si pudieras reparar el neumático hasta el punto de que estuviera como nuevo y nunca volviera a fallar? |
| |
Ahora bien, con el neumático, tal vez eso no sea tan práctico, pero con otras cosas, es posible que esté reemplazando una pieza, o tal vez necesite cortar una porción de una pieza y reemplazar solo esa o esa pieza que falló. |
| |
Obtener una pieza como nueva puede hacer que este sea un sistema no reparable. Entonces, aunque haya realizado una reparación, para dejarlo como nuevo, |
| |
cambia un poco las cosas. Ahora bien, esa es una gran advertencia, ya sabes. Hay que tener muchas consideraciones sobre lo que significa "como nuevo", pero muy frecuentemente, creo que parte... o la gente trata con partes que |
| |
Lo han reparado y lo reparan como nuevo y piensan, bueno, este es un sistema reparable, pero para el mundo de la confiabilidad, no lo es. Muy bien, entonces me voy de esa tribuna por un tiempo. |
| |
Volver a los reemplazos. Cuando miramos una especie de sistema único, |
| |
es posible que estés mirando algo aquí y digas, está bien, ya sabes, |
| |
para un solo sistema, |
| |
¿Con qué frecuencia fallan las piezas? Entonces, si miramos a un solo cliente, ¿con qué frecuencia lo compra? Y así la primera parte duró aquí cuatro años. |
| |
Luego tuvieron que comprar uno segundo. Ese solo duró 1,3 años, luego tuvieron que comprar un tercero, y este fue un éxito y duró ocho años. |
| |
Entonces, al final del día, han tenido que comprar tres piezas en 12 años, pero hay una gran variación. Esto se ve con todo tipo de productos, con algunos teléfonos móviles, con |
| |
otros productos para el hogar. Algunas cosas fallarán temprano; Algunas cosas fallarán tarde. |
| |
Podrías simplemente estar hablando con tus amigos y decir: "Oye, tengo... tengo este horrible teléfono celular". No puedo creer que haya fallado tan temprano. Y te estarán hablando del mismo celular que tienen desde hace 10 años. Probablemente no sean 10 años, pero |
| |
podría pasar un tiempo. Entonces, al final del día, para este sistema, este cliente, tuvieron que reemplazar una pieza tres veces. |
| |
Ahora, si analizamos varios sistemas, podemos hacernos una idea de con qué frecuencia ocurren estas cosas a lo largo del tiempo. Entonces |
| |
un cliente podría tener ese primer sistema, luego el segundo cliente, tal vez tuvo cinco reemplazos o seis reemplazos durante ese... durante aproximadamente el mismo período de tiempo. |
| |
Entonces, si miráramos el primer sistema, podríamos decir, está bien, no esperaríamos ninguna falla hasta al menos el cuarto año aquí. |
| |
Pero si miramos el segundo sistema, tuvieron una falla en el primer año. Entonces, si intentamos calcular el promedio de fallas o el número promedio de eventos que podríamos esperar en el año uno o dos, |
| |
Ese primer sistema no nos dice mucho. Entonces aquí es donde, si no tienes los datos y... pero tienes tu distribución en tu modelo donde están la beta y eta para tu Weibull o algo así, |
| |
Puede utilizar la simulación para intentar establecer la frecuencia con la que algunos clientes esperan eventos en el año 1, 2, 3 y mucho más allá de los datos que realmente tiene. |
| |
Al hacer eso, al observar esos múltiples sistemas y esa simulación, puedes entender 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 pueden haber sido construidos a partir de tiempos de eventos que duraron siete años, |
| |
Para el tiempo del calendario o para el tiempo del cliente, habrá una especie de pico y luego se nivelará a un 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 alguna variación. 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 al año. Entonces, después de tres años, podría esperar tener un reemplazo, una vez que esté en funcionamiento. Algunos al principio y luego se nivela. |
| |
Así que veamos un ejemplo de lo que quiero decir con esto. |
| |
Tenemos una tabla aquí de datos y aquí tengo un modelo. Y entonces este modelo es solo un Weibull aleatorio. Y si no estás familiarizado con las diferentes funciones que puedes usar en JMP, |
| |
puede utilizar un Weibull aleatorio, un cuantil de Weibull, una distribución de Weibull y una densidad de Weibull. Y todas estas son funciones que puedes 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 a partir de fallas de piezas? Estas son las fechas que generalmente terminan ahí. Sin embargo, lo que se pierde es cómo esto afecta realmente al cliente. Entonces con el tiempo |
| |
El cliente tal vez quiera saber cuántos de estos podría reemplazar en 20, 30 o 40 años. |
| |
Y ahí es donde hay que mirar los tiempos totales de eventos del sistema. Y esto es sólo la suma acumulativa de tiempos individuales, por lo que 8,3 es el primero, 1,2 es el segundo y así sucesivamente. |
| |
Y entonces, cuando pasas al segundo sistema, tenemos 1,8, 3,9, 5,9, por lo que es sólo 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 el año en que esto realmente ocurrió, por lo que ocurrieron 1,8 años en el segundo año de operación. |
| |
Y esa es una distinción importante a tener en cuenta aquí, porque hay que asegurarse de identificar las fallas en el año apropiado. |
| |
Entonces tu 0.6, mientras... 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, podrían pensar, bueno, ahora que tenemos todo esto, podemos contar nuestro número de eventos y observar este sistema, el año y realizar un pequeño análisis. Entonces, JMP realmente tiene una buena herramienta que hará todo eso por usted. |
| |
Entonces |
| |
En JMP existe una herramienta llamada simulación de sistemas reparables. |
| |
Y esta herramienta, |
| |
Lo sé... Creo que surgió como en JMP 13, tal vez en JMP 14. Ha existido desde hace algunos años. |
| |
No sé si recibe tanta publicidad como debería, porque es una herramienta increíblemente poderosa que creo que mucha gente aquí no aprecia. |
| |
Entonces, lo que es, estás viendo un sistema aquí. Y entonces tal vez, o ahora mismo, tengo dos partes aquí, pero tal vez mi sistema en realidad esté |
| |
siete u ocho piezas, o es una caja de cambios completa, o una bomba, o algo así. Y tienes todas estas partes que funcionan juntas, de modo que si alguna de ellas falla, |
| |
ya sabes, todo el sistema falla, por lo que quieres entender cuál es el evento, cuáles son los horarios de los eventos allí. Entonces, en cada uno de estos, establecerías cuál es tu Weibulll o cuál es tu 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 hay un bloque... entonces aquí tengo una falla en el 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 lugar de eso dije, quiero reemplazar esto con una pieza nueva, así que este será un modelo como nuevo... como nuevo. |
| |
Y luego puedes incluir una cantidad de tiempo de inactividad. Entonces, ¿cuánto tiempo se tarda en reparar esto? ¿Cuál fue el tiempo medio para reparar? Puede ser un valor constante |
| |
o puede ser... puedes decirlo inmediatamente, ni siquiera te importa la cantidad de tiempo que lleva o puedes darle una lista para elegir. También puedes darle un par de distribuciones aquí. |
| |
Así es 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 cualquiera de estos falla, tengo un tiempo de reemplazo, por lo que el segundo tiene la opción de elegir. |
| |
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 que sean mi simulación. Esto es en años, por lo que el tiempo para prepararse para algo puede ser sólo una hora, dos horas, tal vez sea un día. Sin embargo, cuando lo pones en tiempos de años, los números se vuelven muy 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, un K de N, muchas de ellas son para análisis más complejos. |
| |
Muy bien, realizo mi análisis y lo haré durante 20 años, que se enumeran aquí, con un número de simulaciones de 100. A menudo querrás 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 decir: ¿Qué hago con todo esto? Y puedes venir aquí y lanzar 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 experimentar un componente? |
| |
Pero en realidad nunca responde a la pregunta de más de 20 años: ¿cuántas veces tendré que reemplazar esta pieza? |
| |
Así que escribí un guión y cuando tú... cuando descargues este diario, tendrá todos estos guiones que están allí. |
| |
Lo configuré como un botón, pero el script real está debajo 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 entré y calculé con qué frecuencia espero que ocurran estos eventos, año tras año. Entonces, desde la perspectiva del sistema, |
| |
Subdividí mis eventos de falla y establecí el valor de mi año. Como recordarás, el valor del año se redondea hacia arriba, por lo que 3,8 años son 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 sabes, desde la fila uno hasta la fila dos es aproximadamente 1,8 años. |
| |
Pero como estamos mirando el sistema, en realidad estamos contando el 5,69. |
| |
Ahora quiero convertir eso... 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 establece un |
| |
patrón de qué es lo que quiero mirar. Entonces quiero ver la primera parte, quiero ver el valor del año y el ID de la simulación, y luego ver cuándo ocurrieron realmente los eventos. Aquí puedes ver la primera parte: un evento ocurre en el año diez. |
| |
Y cuando eso se agrega aquí, eso es lo que se actualiza en el análisis. Si me desplazo hacia abajo a la segunda parte... |
| |
cuando te desplazas hacia abajo a la segunda parte para la simulación uno, |
| |
ahí...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, está bien. Así que en realidad se trata de alinear estos eventos para cada combinación posible de años en los que esto podría ocurrir. |
| |
Bueno, teniendo ese nivel de información, ahora que lo tengo en todas las... todas las simulaciones, vieron que tenía 4000 registros, ahora que son solo todas las permutaciones posibles de año, simulación y parte. |
| |
Pero realmente quiero promediarlos. Así que lo promediaré y quiero ver el número de simulaciones, que fueron el número de filas, el valor del año y luego la pieza. Llego a 40 filas, mucho más manejables y mucho más fáciles de entender. |
| |
Lo que ven aquí en la segunda parte es que tenemos ese pequeño pico 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 podría 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 primero? El primero |
| |
Va a suceder entre los años cuatro y cinco, como justo después del cuarto año. Y luego el segundo ocurre justo... o alrededor del año siete. |
| |
El tercero ocurre alrededor del año 10. Como puede ver, hay una especie de ascenso en el que no hay muchas fallas al principio, pero luego hay un estado estable y aproximadamente cada tres años terminas 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. |
| |
Entonces, usar esta predicción de eventos a partir de la simulación de sistemas reparables es una forma práctica y rápida de dar esa idea o comprender 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 manera de hacer un poco más fácil la simulación de sistemas reparables. |
| |
Y por eso puede resultar desalentador. Es una herramienta nueva, es posible que no sepas todo con lo que estás trabajando, pero |
| |
Si... si empiezas con la plantilla, empiezas con la tabla, construir tu simulación de sistemas reparables puede ser mucho más fácil. |
| |
Entonces, al final, para construir su modelo, necesita aproximadamente 13 datos. La mayor parte de esto sucede en un segundo plano que ni siquiera se te ocurriría, pero si lo organizas en una tabla y una plantilla |
| |
con estas diversas columnas aquí... Y digo 13, en realidad necesitas menos. He realizado algunas modificaciones aquí para manejar algunas pequeñas cosas interesantes que puedes 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 y que usted puede cambiar o |
| |
que esas son cosas que agregarías. Entonces, cada uno de estos tiene, ya sabes, si el bloque falla, ¿cuál es el reemplazo por uno 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 queramos entender que los primeros años, esta es la tasa de reemplazo, y luego, en los segundos años, esta es la tasa de reemplazo. |
| |
O es posible que tenga modos de falla competitivos que desee aprovechar. Entonces, lo que les voy a mostrar aquí puede manejar mucho de eso. |
| |
Disculpe, esto de ninguna manera es perfecto. Este |
| |
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 poder hacer ajustes...hacer pequeños ajustes sobre la marcha. Entonces, si tengo esto, tengo un pequeño script aquí, donde, si hago clic en el script, produce mi simulación de sistemas reparables. |
| |
Y si miro hacia aquí, tengo mi primera... mi primera parte con una beta 1.86 o 826, una alfa de 153. |
| |
Y en realidad se trata simplemente de tomar esta tabla y convertirla en una simulación de sistemas reparables. Tu puedes hacer |
| |
algo aún más complejo. Así que déjenme cerrar eso. |
| |
Y aquí tengo 14 partes. Podría cambiar cualquiera de estas distribuciones si quiero, |
| |
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 está implementando en toda la flota. O tal vez tengo un modo de falla competitivo aquí y quiero tenerlo en cuenta. |
| |
Entonces, si lo hago, ya sabes... usar esta plantilla en el script, me permite manejar todo esto de una manera muy simple. Ahora viste lo rápido que fue eso. ¿Qué es eso? Un segundo más o menos para |
| |
para generar este modelo? Ahora, si quiero crear otro de estos, tal vez quiera que este sea un |
| |
registro normal. |
| |
Puedo hacerlo aquí mismo y luego |
| |
ven a mi guión |
| |
y |
| |
y simplemente ejecútelo de nuevo. Y me sale otro modelo donde (a ver ¿cuál era? Quinta parte.) |
| |
La quinta parte ahora es un registro normal. Es realmente fácil probar diferentes iteraciones, probar diferentes modelos y genera uno nuevo cada vez. |
| |
etiquetando el diagrama como su tabla aquí. Por lo tanto, es una forma práctica de realizar un análisis y comprender sus predicciones de eventos usando esta plantilla, usando el script que está integrado aquí para realizar el análisis y comprender sus predicciones de eventos a lo largo del tiempo. |
