| Conférencier |
Transcription |
| Brad Foulkes |
Merci d'avoir assisté à ma conférence intitulée « Mais que dois-je faire maintenant ? » Utiliser un modèle de fiabilité pour prédire des événements dans JMP. |
| |
On me demande très souvent… Une fois que j'ai construit un modèle de fiabilité, qu'en fais-je concrètement ? Et on oublie souvent qu'un modèle de fiabilité permet de prédire le moment où les événements se produiront. |
| |
Et pas seulement le premier événement, mais peut-être le deuxième, le troisième ou le quatrième événement que ce produit pourrait connaître au fil du temps. |
| |
Alors, un peu de moi. Je m'appelle Brad Foulkes. Je suis directeur de l'ingénierie chez Optimal Analytics, où nous accompagnons les entreprises pour les aider à comprendre leurs données, identifier les obstacles et les rendre plus efficaces. |
| |
Avant d'occuper ce poste, j'ai travaillé dans l'ingénierie de fiabilité pendant environ neuf ans, en cherchant à comprendre comment nous pouvons comprendre la fiabilité des pièces et déterminer quand les pièces vont réellement se casser au fil du temps. |
| |
J'utilise JMP depuis environ huit ans, je pense que c'était vers JMP 10. Je ne suis pas sûr, c'était il y a un moment, donc j'oublie sur quelle version nous étions... J'étais dessus à l'époque. |
| |
Dans mes outils JMP préférés, j'utilise souvent la distribution de durée de vie, car c'est là que réside la modélisation de la fiabilité. J'utilise très souvent le modèle d'ajustement et JSL. |
| |
Le scripting peut vous ouvrir de nouveaux outils et de nouvelles possibilités. Alors, pourquoi vous présenter cela aujourd'hui ? |
| |
Parce que, le plus souvent, cette question se pose à la fin... à la fin de la construction d'un modèle et n'y a pas vraiment pensé jusqu'à ce moment-là. |
| |
Vous pouvez terminer un modèle avec de nombreuses probabilités et ne pas vraiment savoir quoi faire ensuite. Voici donc une option que vous pouvez utiliser une fois votre modèle construit et continuer à progresser. |
| |
Ce dont nous parlons aujourd'hui, c'est de prédiction d'événements. Lorsque vous construisez votre modèle, vous avez l'habitude de voir fréquemment ce type de tracé. Vous aurez vos temps individuels, |
| |
Il peut s'agir de cycles de vie matériels ou de produits. Prenons l'exemple d'un mixeur, ou de tout autre appareil électroménager de cuisine, même de petit électroménager, qui ne dure pas très longtemps. |
| |
Un laps de temps extrêmement long. Certains échoueront très tôt, d'autres très tard. |
| |
Mais au final, on se retrouve avec une probabilité d'échec, lorsque ces événements vont… vont se produire. On pourrait donc venir ici et dire : « Bon, environ 90 % des échecs vont se produire d'ici quatre ans. » |
| |
Eh bien, c'est très bien. Cela permet de comprendre une première panne et d'évaluer la probabilité de défaillance des pièces sur le terrain, mais pour quelqu'un qui doit acheter ou utiliser ces produits, cela n'est pas très utile. |
| |
Pour un client qui les utilise réellement, la durée de vie ne l'intéresse pas. Il ne veut peut-être pas savoir combien il devra en acheter sur une période donnée. |
| |
Peut-être sur un cycle de vie global. Ils veulent juste examiner un horizon de 10 ans : combien de ces appareils dois-je acheter en 10 ans pour assurer leur survie ? |
| |
C'est là qu'intervient la prédiction d'événements. Et ce qu'est réellement la prédiction d'événements, c'est de prendre votre distribution et de l'inverser, afin de toujours conserver votre distribution du temps. |
| |
Quels sont les délais d'occurrence des événements, et leur probabilité ? |
| |
Vous pouvez observer la fréquence de certains de ces événements. Le premier événement se produit peut-être ici vers huit ans et demi, le second vers neuf ans et demi. |
| |
Le troisième événement… mais il s'agit d'un seul client. Il s'agit donc d'un seul client, d'un seul cas d'utilisation, et donc, pour eux, c'est un délai avant l'échec. |
| |
Regardez toutes ces pièces ici, regardez tous ces intervalles et ces remplacements. Donc, ceci ici, |
| |
Il y a plus de 20 ans qu'un client consulte ce produit. Il se peut donc qu'il veuille savoir si, pour survivre à ces 20 ans, il lui faudra au moins trois pièces. |
| |
Ainsi, en utilisant une partie de cette sélection aléatoire et de cette simulation, vous pouvez comprendre à quelle fréquence ces pièces doivent être remplacées et à quelle fréquence un client peut avoir besoin d'acheter votre produit. |
| |
Alors, comment est-ce pratique ? Bon, tout se résume à des remplacements. |
| |
Et pour les remplacements, à quelle fréquence installez-vous une pièce neuve, ou presque neuve ? |
| |
un système réparable et un système non réparable. Un système réparable est un système où l'on peut obtenir des résultats à la hauteur de la |
| |
Le moment où il peut à nouveau rouler, même s'il n'est peut-être pas comme neuf. Imaginons que vous ayez un trou dans votre pneu. Vous bouchez la fuite et vous continuez. |
| |
C'est réparé. Mais que se passerait-il si vous pouviez réparer le pneu pour qu'il soit comme neuf et ne tombe plus jamais en panne ? |
| |
Maintenant, avec le pneu, ce n'est peut-être pas très pratique, mais avec d'autres choses, vous devrez peut-être remplacer une pièce, ou peut-être devrez-vous couper une partie d'une pièce et remplacer uniquement celle-ci ou la pièce qui est défectueuse. |
| |
Remettre une pièce en état neuf peut rendre le système irréparable. Ainsi, même si vous avez effectué une réparation, pour la remettre en état, |
| |
Cela change un peu les choses. C'est une énorme mise en garde, vous savez. Il faut prendre en compte de nombreux éléments pour déterminer ce que signifie « comme neuf », mais très souvent, je pense que les pièces… ou les gens ont affaire à des pièces qui |
| |
Ils ont réparé, et ils réparent comme neuf, et ils pensent que c'est un système réparable, mais pour le monde de la fiabilité, ce n'est pas le cas. Bon, je m'arrête là pour un moment. |
| |
Revenons aux remplacements. Quand on envisage un système unique, |
| |
vous pourriez regarder quelque chose ici et dire, d'accord, vous savez, |
| |
pour un seul système, |
| |
À quelle fréquence les pièces tombent-elles en panne ? Si l'on considère un seul client, à quelle fréquence les achète-t-il ? La première partie a donc duré quatre ans. |
| |
Ils ont ensuite dû en acheter un deuxième. Celui-ci n'a duré que 1,3 an, puis un troisième, et celui-ci a fait un tabac et a duré huit ans. |
| |
Au final, ils ont dû acheter trois pièces en 12 ans, mais la variation est importante. On le constate avec toutes sortes de produits, certains téléphones portables, |
| |
Autres produits pour la maison. Certains produits tomberont en panne tôt, d'autres tard. |
| |
Vous pourriez juste parler à vos amis et leur dire : « Tiens, j'ai… J'ai un horrible téléphone portable. Je n'arrive pas à croire qu'il soit tombé en panne si tôt. » Et ils vous parleront du même téléphone qu'ils ont depuis 10 ans. Certes, probablement pas 10 ans, mais |
| |
Cela pourrait prendre un certain temps. Au final, pour ce système, pour ce client, ils ont dû remplacer une pièce trois fois. |
| |
Maintenant, si nous observons plusieurs systèmes, nous pouvons nous faire une idée de la fréquence à laquelle ces événements se produisent au fil du temps. |
| |
un client peut avoir ce premier système, puis le deuxième client, peut-être qu'ils ont eu cinq ou six remplacements au cours de cette période... sur à peu près la même période de temps. |
| |
Donc, si nous devions examiner le premier système, nous pourrions dire, d'accord, nous ne nous attendons pas à des échecs avant au moins la quatrième année ici. |
| |
Mais si l'on examine le deuxième système, il a connu une défaillance la première année. Donc, si l'on cherche à déterminer le nombre moyen de défaillances ou le nombre moyen d'événements auxquels on peut s'attendre la première ou la deuxième année, |
| |
Ce premier système ne nous dit pas grand-chose. C'est donc là que, si vous n'avez pas les données et… mais que vous avez votre distribution dans votre modèle, où les valeurs bêta et êta de votre Weibull, ou quelque chose comme ça, |
| |
vous pouvez utiliser la simulation pour essayer de déterminer la fréquence à laquelle certains clients s'attendent à des événements au cours des années 1, 2, 3 et bien plus loin que les données dont vous disposez réellement. |
| |
En faisant cela, en examinant ces multiples systèmes et en examinant cette simulation, vous pouvez en quelque sorte comprendre et commencer à voir une tendance quant à la fréquence à laquelle |
| |
Ces pièces seront remplacées d'année en année. Ainsi, même si ces données n'ont été établies qu'à partir d'événements sur une période de sept ans, |
| |
Pour le calendrier ou pour le temps client, il y aura une sorte de pic, puis le niveau de remplacements se stabilisera. |
| |
Avec une simulation, vous observerez des rebonds, et c'est ce que vous voyez ici. Si nous avions une solution sous forme fermée, nous aurions une belle ligne droite, mais |
| |
Avec la simulation, on observe des variations. C'est ce que vous voyez ici. On peut donc tracer une ligne et voir, en moyenne, |
| |
On peut s'attendre à devoir remplacer un tiers de ces appareils par an. Au bout de trois ans, on peut s'attendre à en avoir un de remplacement, une fois que la situation est opérationnelle. Quelques-uns au début, puis la situation se stabilise. |
| |
Voyons donc un exemple de ce que je veux dire par là. |
| |
Nous avons ici un tableau de données, et ici, un modèle. Ce modèle est un simple Weibull aléatoire. Si vous ne connaissez pas les différentes fonctions de JMP, |
| |
Vous pouvez utiliser une loi de Weibull aléatoire, un quantile de Weibull, une distribution de Weibull ou une densité de Weibull. Toutes ces fonctions peuvent être appliquées à différentes distributions. |
| |
Dans ce cas, nous choisissons un ensemble aléatoire de points dans une distribution particulière. Ma distribution a un bêta de 1,2 et un êta de 3. |
| |
Donc, en choisissant ces événements aléatoires... aléatoires ici, |
| |
Ce sont tous des événements individuels, et c'est ce qui sera intégré à votre modèle. Si vous construisiez un modèle basé sur des défaillances de pièces, ce sont généralement ces dates qui y seront intégrées. Ce qui est perdu, cependant, c'est l'impact réel sur le client. Au fil du temps, |
| |
le client veut peut-être savoir combien d'entre eux je pourrais remplacer dans 20, 30, 40 ans. |
| |
C'est là qu'il faut examiner la durée totale des événements système. Il s'agit simplement de la somme cumulée des durées individuelles : 8,3 pour le premier, 1,2 pour le second, etc. |
| |
Et donc, lorsque vous passez au deuxième système, nous avons 1,8, 3,9, 5,9, donc c'est juste un décompte cumulatif des temps individuels. |
| |
Ce qu'il faut garder à l'esprit ici, c'est que lorsque vous essayez de déterminer une moyenne de tout cela, |
| |
vous regarderiez le numéro du système, mais ensuite l'année à laquelle cela s'est réellement produit, donc 1,8 an s'est produit au cours de la deuxième année de fonctionnement. |
| |
Et c'est une distinction importante à garder à l'esprit ici, car vous voulez vous assurer que vous identifiez les échecs dans l'année appropriée. |
| |
Donc votre 0,6, alors que... si c'était le premier, ce serait dans la première année, cela ne fait qu'augmenter l'année... l'heure du système... les années du système d'une unité ici. |
| |
Avec tout cela, vous pourriez vous dire : « Bon, maintenant que nous avons tout cela, nous pouvons compter le nombre d'événements, analyser le système, l'année et effectuer une petite analyse. » JMP dispose d'un outil performant qui fait tout cela pour vous. |
| |
Donc |
| |
dans JMP, il existe un outil appelé simulation de systèmes réparables. |
| |
Et cet outil, |
| |
Je le sais... Je crois que c'est apparu dans JMP 13, peut-être JMP 14. Cela existe depuis quelques années. |
| |
Je ne sais pas si cela reçoit autant de publicité qu'il le devrait, car c'est un outil incroyablement puissant que je pense que beaucoup de gens n'apprécient pas ici. |
| |
Donc, en fait, on a affaire à un système. Et donc, peut-être, ou pour l'instant, j'ai deux parties ici, mais peut-être que mon système est en fait… |
| |
Sept ou huit pièces, ou une boîte de vitesses complète, ou une pompe, ou quelque chose comme ça. Et toutes ces pièces fonctionnent ensemble, de sorte que si l'une d'elles tombe en panne, |
| |
Vous savez, le système entier tombe en panne, et vous voulez donc comprendre l'événement et ses moments. Pour chaque exemple, vous devez définir votre Weibull ou votre modèle. Ici, j'ai une version bêta de 1.2 et une version alpha de 15. |
| |
C'est une unité de temps en années, je peux certainement choisir différentes distributions si je le souhaite. |
| |
Et ensuite, je peux dire ce qui se passe si un événement se produit. Donc, si un bloc… j'ai ici une défaillance de bloc, que se passe-t-il si une défaillance se produit réellement ? |
| |
Et le résultat est de remplacer par une pièce neuve, donc je veux juste remplacer la pièce. Il y a plusieurs options, peut-être que je pourrais faire une réparation minimale, mais j'ai plutôt dit que je voulais remplacer cette pièce par une pièce neuve, pour que ce soit un modèle comme neuf. |
| |
Vous pouvez ensuite inclure un temps d'arrêt. Combien de temps faut-il pour réparer ? Quel a été le temps moyen de réparation ? Il peut s'agir d'une valeur constante. |
| |
Ou bien… vous pouvez le dire immédiatement, sans vous soucier du temps, ou vous pouvez lui proposer une liste de choix. Vous pouvez également lui attribuer quelques distributions. |
| |
Avec ces outils, j'ai construit un système très simple. J'ai une partie avec ma distribution connue, ou deux parties avec des distributions connues. |
| |
Lorsque l'un de ces deux éléments tombe en panne, j'ai un délai de remplacement, et donc le second a l'option de choix. |
| |
Et vous pouvez voir, vous l'avez placé ici. Maintenant, les choix doivent être dans la même unité de temps que votre simulation. |
| |
J'ai donc choisi des années pour ma simulation. Il s'agit d'années, et le temps de préparation peut donc être d'une heure, deux heures, voire une journée. Mais si on met cela en années, les chiffres deviennent très petits, c'est ce que vous voyez ici. |
| |
Je ne vais pas détailler toutes les options ici. Comme vous pouvez le constater, il existe de nombreuses autres possibilités avec un standby, un K sur N, dont beaucoup sont destinées à des analyses plus complexes. |
| |
Très bien, je lance donc mon analyse et je vais l'exécuter pendant 20 ans, qui sont répertoriés ici, avec un nombre de simulations de 100. Vous en voudrez souvent plus que cela, mais à des fins de démonstration, nous allons le définir à 100 et avoir une graine de 1234. |
| |
Alors, j'obtiens cette belle et grande sortie ici, et la sortie initiale est toujours appelée numéro, ce qui est très utile. |
| |
Mais vous pourriez regarder ça et vous demander : « Bon, qu'est-ce que je fais de tout ça ? » Vous pourriez venir ici et lancer cette analyse. |
| |
Vous souhaitez peut-être examiner le temps d'arrêt total par composant. Cela indique donc la répartition des temps d'arrêt d'un composant. |
| |
Mais cela ne répond jamais vraiment à la question de plus de 20 ans : combien de fois vais-je devoir remplacer cette pièce ? |
| |
J'ai donc écrit un script et donc lorsque vous... lorsque vous téléchargerez ce journal, il contiendra tous ces scripts qui s'y trouvent. |
| |
Je l'ai défini comme un bouton, mais le script réel est juste en dessous pour votre référence, si vous souhaitez l'utiliser. |
| |
Il me suffit de cliquer sur le bouton et tout un tas de choses vont se produire. J'ai donc calculé la fréquence à laquelle je m'attends à ce que ces événements se produisent, année après année. Du point de vue du système, |
| |
J'ai subdivisé mes événements d'échec et défini ma valeur annuelle. Vous vous souviendrez peut-être que la valeur annuelle est arrondie au supérieur : 3,8 ans équivalent donc à 4. |
| |
Ceci s'applique à l'heure du calendrier, à l'heure système que nous pourrions utiliser. Il ne s'agit pas d'une heure individuelle. Le temps entre chaque ligne, de la première à la deuxième ligne, est donc d'environ 1,8 an. |
| |
Mais parce que nous regardons le système, nous comptons en fait les 5,69. |
| |
Maintenant, je veux transformer cela... Je veux transformer toutes ces valeurs en quelque chose d'utile. |
| |
Il est important de se rappeler que, pour calculer le nombre moyen d'événements chaque année, il faut considérer les années où aucun événement ne s'est produit. Ainsi, dans cette première simulation, le premier événement se produit la quatrième année. |
| |
mais j'ai besoin de zéros pour un, deux et trois, et c'est ce que fait mon script. Mon script va en quelque sorte dans des ensembles |
| |
Je souhaite analyser le modèle de ce que je souhaite analyser. Je vais donc examiner la première partie : la valeur de l'année et l'identifiant de simulation, puis le moment où les événements se sont réellement produits. Vous pouvez voir ici que le premier événement de la première partie se produit la dixième année. |
| |
Et donc, quand cela est ajouté ici, c'est ce qui est mis à jour dans l'analyse. Si je fais défiler la page jusqu'à la deuxième partie… |
| |
lorsque vous faites défiler vers le bas jusqu'à la deuxième partie de la simulation 1, |
| |
là...il n'y a pas d'événements. |
| |
Le premier événement de la simulation n'aura lieu que... |
| |
jusqu'à la quatrième année. Donc, si je descends jusqu'à la quatrième année, |
| |
Pour la deuxième partie, il s'agira de montrer qu'un événement est présent dans la première simulation. Il s'agit donc d'aligner ces événements pour chaque combinaison d'années possible. |
| |
Eh bien, ayant ce niveau d'information, maintenant que je l'ai sur toutes les... toutes les simulations, vous avez vu que j'avais 4 000 enregistrements, maintenant que ce sont toutes les permutations possibles de l'année, de la simulation et de la partie. |
| |
Mais je veux vraiment faire la moyenne. Je fais donc la moyenne et je veux examiner le nombre de simulations, c'est-à-dire le nombre de lignes, la valeur de l'année, puis la pièce. J'arrive à 40 lignes, ce qui est beaucoup plus facile à gérer et à comprendre. |
| |
Ce que vous voyez ici pour la deuxième partie, c'est que nous avons ce petit pic au début, puis ça se stabilise. |
| |
ça rebondit parce que c'est la simulation et nous n'avons exécuté que 100 événements, mais... ou 100 simulations, mais nous avons une sorte d'état stable de remplacements que nous pourrions voir. |
| |
Si l'on aborde ce phénomène d'un point de vue cumulatif, c'est ce qui permet à un client de savoir combien de véhicules il peut s'attendre à remplacer en 10 ans. Pour la deuxième partie, |
| |
Disons que le client veut savoir quand il devra remplacer le premier. Quel est le tout premier ? Le tout premier. |
| |
Ça va se passer entre la quatrième et la cinquième année, juste après la quatrième. Et puis le deuxième, vers la septième année. |
| |
Le troisième se produit vers la dixième année. Vous pouvez donc voir que vous avez en quelque sorte cette petite montée où il n'y a pas beaucoup de pannes au début, mais ensuite il y a cet état stable et tous les trois ans environ, vous finissez par devoir remplacer les pièces. |
| |
Cela peut être très utile pour le client, pour la planification de votre entreprise ou même pour les efforts de la chaîne d'approvisionnement, si vous souhaitez essayer de faire quelque chose comme cela. |
| |
L'utilisation de cette prédiction d'événements issue de la simulation de systèmes réparables est un moyen pratique et rapide de donner une idée ou de comprendre le nombre de pièces, et pas seulement la probabilité de défaillance et le moment où celle-ci pourrait survenir. |
| |
une chose... une autre chose dont je veux parler aujourd'hui est un moyen de rendre la simulation des systèmes réparables un peu plus facile. |
| |
Cela peut donc être intimidant. C'est un nouvel outil, vous ne savez peut-être pas tout ce avec quoi vous travaillez, mais |
| |
si vous... si vous commencez avec le modèle, commencez avec le tableau, la construction de votre simulation de systèmes réparables peut être beaucoup plus facile. |
| |
Au final, pour construire votre modèle, vous avez besoin d'environ 13 données. La plupart de ces données se déroulent en arrière-plan, sans que vous y pensiez, mais si vous les regroupez dans un tableau et un modèle, |
| |
Avec ces différentes colonnes… Et je dis 13, il en faut en fait moins. J'ai apporté quelques modifications pour gérer quelques petites choses intéressantes que vous pourriez faire ici. |
| |
Mais en réalité, vous avez votre distribution, votre type de modèle, vos paramètres, votre unité de temps. Ce sont tous des paramètres par défaut dans JMP que vous pouvez modifier ou |
| |
Ce sont des éléments que vous ajouteriez. Ainsi, chaque élément a une fonction de remplacement : en cas de défaillance du bloc, par quoi le remplacer ? Vous pouvez ajuster ces éléments, connecter les noms d'événements et les processus différemment. |
| |
Dans mon monde, on observe souvent un changement de comportement. Il faut comprendre que les premières années, il s'agit du taux de remplacement, et les années suivantes, il s'agit du taux de remplacement suivant. |
| |
Vous pourriez également avoir des modes de défaillance concurrents dont vous souhaitez tirer parti. Ce que je vais vous montrer ici peut gérer une grande partie de ces problèmes. |
| |
Excusez-moi, ce n'est en aucun cas parfait. Ceci |
| |
devrait certainement être adapté à votre propre... votre propre cas d'utilisation, mais, en fin de compte, commencer avec un modèle est un moyen incroyable d'accélérer votre développement et |
| |
Pour vous permettre d'effectuer des ajustements, de petits ajustements à la volée. J'ai donc un petit script sympa ici, qui, si je clique dessus, génère automatiquement ma simulation de systèmes réparables. |
| |
Et si je regarde ici, j'ai ma première... ma première partie avec une bêta 1.86 ou 826, une alpha de 153. |
| |
Il s'agit simplement de prendre cette table et de la transformer en simulation de systèmes réparables. Vous pouvez le faire. |
| |
quelque chose d'encore plus complexe. Alors, je vais clore ce sujet. |
| |
J'ai donc ici 14 parties. Je peux modifier n'importe laquelle de ces distributions si je le souhaite. |
| |
mais j'ai d'autres types d'événements que je souhaite examiner ici. Je souhaite diviser ma distribution de manière à ce que |
| |
Il change ou change de forme après un certain temps. J'essaie peut-être de modéliser le lancement d'un produit, une mise à niveau de produit qui s'étend à toute la flotte. Ou peut-être que j'ai un mode de défaillance concurrent et que je veux en tenir compte. |
| |
Donc, si je puis me permettre, vous savez… utiliser ce modèle dans le script me permet de gérer tout cela très simplement. Vous avez vu comme c'était rapide. Qu'est-ce que ça veut dire ? Une seconde environ. |
| |
Pour générer ce modèle ? Si je veux en créer un autre, peut-être que je veux que ce soit un |
| |
logarithme normal. |
| |
Je peux le faire ici, et ensuite |
| |
viens voir mon script |
| |
et |
| |
Et je l'exécute à nouveau. J'obtiens un autre modèle où (voyons voir, c'était quoi ? Cinquième partie.) |
| |
La cinquième partie est désormais une normale logarithmique. Il est très facile d'essayer différentes itérations et différents modèles, et un nouveau modèle est généré à chaque fois. |
| |
Étiquetez le diagramme comme votre tableau. C'est donc un moyen pratique d'effectuer une analyse et de comprendre vos prédictions d'événements à l'aide de ce modèle, en utilisant le script intégré pour effectuer l'analyse et comprendre vos prédictions d'événements au fil du temps. |
