| Vocero |
Transcripción |
| Brad Foulkes |
Gracias por asistir a mi charla "¿Y ahora qué hago? Uso de un modelo de confiabilidad para predecir eventos en JMP". |
| |
Con frecuencia me preguntan... una vez que construyo un modelo de confiabilidad, ¿qué hago realmente con él? Y a menudo la gente olvida que se puede usar un modelo de confiabilidad para predecir cuándo ocurrirán los eventos. |
| |
Y no sólo el primer evento, sino quizás el segundo, tercero o cuarto evento que ese producto pueda ver con el tiempo. |
| |
Un poco sobre mí. Me llamo Brad Foulkes. Soy director de ingeniería en Optimal Analytics, donde trabajamos con empresas para ayudarlas a comprender sus datos, identificar obstáculos y lograr que avancen con mayor eficiencia. |
| |
Antes de desempeñar ese cargo, trabajé en ingeniería de confiabilidad durante aproximadamente nueve años, trabajando en cómo podemos comprender la confiabilidad de las piezas y determinar cuándo las piezas realmente se romperán con el tiempo. |
| |
He estado usando JMP durante aproximadamente ocho años, creo que alrededor de JMP 10. No estoy seguro, fue hace un tiempo, por lo que no recuerdo en qué versión estábamos... yo estaba en ese entonces. |
| |
En mis herramientas JMP favoritas, me gusta usar mucho la distribución de vida útil porque ahí reside el modelado de confiabilidad. Uso con frecuencia el modelo de ajuste y JSL. |
| |
La programación puede abrirte las puertas a un sinfín de nuevas herramientas y juguetes con los que jugar. ¿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 realmente no se ha pensado en ella hasta ese momento. |
| |
Podrías terminar un modelo y tener muchísimas probabilidades, pero no saber qué hacer. Aquí tienes una opción que puedes seguir mientras construyes tu modelo y seguir adelante. |
| |
Hoy hablaremos sobre la predicción de eventos. Al crear un modelo, es común ver este tipo de gráfico. Tendrás tus tiempos individuales. |
| |
Y quizás estos sean ciclos de vida de hardware o productos. Digamos que es una licuadora, ya sabes, o cualquier electrodoméstico o pequeño electrodoméstico de cocina que tal vez no dure. |
| |
un tiempo terriblemente largo. Así que algunos fallarán muy pronto; otros fallarán muy tarde. |
| |
Pero al final, existe la probabilidad de fracaso cuando estas cosas van a ocurrir. Así que, podrías venir y decir: «Bueno, aproximadamente el 90 % de los fracasos ocurrirán en cuatro años». |
| |
Bueno, eso es genial. Te ayuda a comprender mejor una primera falla y quizás a calcular la probabilidad de que las piezas fallen en el campo, pero para alguien que realmente tiene que comprar o usar estas cosas, esto no le ayuda mucho. |
| |
A un cliente que realmente los usa, no le importa cuánto les dure. Quizás no quiera saber cuántos tendré que comprar a lo largo del tiempo. |
| |
Quizás en un ciclo de vida completo. Solo quieren considerar un período de 10 años. ¿Cuántos de estos necesito comprar en 10 años para que sobreviva? |
| |
Entonces, ahí es donde entra la predicción de eventos. Y lo que realmente es la predicción de eventos es tomar tu distribución y darle la vuelta, para seguir teniendo tu, ya sabes, tu distribución del tiempo. |
| |
¿Cuál es el tiempo de los eventos que tienes aquí y la probabilidad de un evento? Y ahora... |
| |
Puedes observar la frecuencia con la que ocurren algunos de estos eventos. Así que quizás el primer evento ocurre aquí alrededor de los ocho años y medio, el segundo ocurre a los nueve años y medio, |
| |
El tercer evento... pero todo esto es un solo cliente. Y por lo tanto, todo esto es un solo cliente, un solo caso de uso, y por lo tanto, para ellos, ya sabes, su tiempo medio hasta el fracaso... |
| |
Mira todas estas partes, mira todos estos intervalos y estos reemplazos. Así que esto aquí, |
| |
Un cliente ha estado mirando esto durante más de 20 años. Quizás... así que querrán saber... Para sobrevivir esos 20 años, necesitaré al menos tres piezas. |
| |
Y así, al usar parte de esta selección aleatoria y simulación, puede llegar a 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? Bien, en realidad se trata de reemplazos. |
| |
Y en cuanto a los reemplazos, ¿con qué frecuencia se instala una pieza nueva, o una pieza prácticamente nueva? |
| |
Un sistema reparable y un sistema no reparable. Y un sistema reparable es aquel en el que se pueden obtener las cosas justo hasta el... |
| |
El punto en que puede volver a funcionar, y quizás no esté tan bien como nuevo. Digamos que tienes un pinchazo en la llanta. Tapas la fuga y sigues adelante. |
| |
Eso está reparado. Pero ¿qué pasaría si pudieras reparar el neumático hasta dejarlo como nuevo y no volviera a fallar? |
| |
Ahora, con el neumático, quizás eso no sea tan práctico, pero con otras cosas, es posible que estés reemplazando una pieza, o tal vez necesites cortar una porción de una pieza y reemplazar solo esa o aquella pieza que falló. |
| |
Dejar una pieza como nueva puede hacer que este sistema no sea reparable. Por lo tanto, aunque haya realizado una reparación, para que quede como nuevo, |
| |
Cambia un poco las cosas. Es una gran advertencia. Hay que tener en cuenta muchas consideraciones sobre qué significa "casi nuevo", pero con frecuencia, creo que parte... o la gente se ocupa de partes que... |
| |
Lo han reparado y lo reparan como nuevo, y piensan: "Bueno, este sistema es reparable, pero para el mundo de la fiabilidad, no lo es". Bueno, me voy de aquí un rato. |
| |
Volviendo a los reemplazos. Cuando consideramos un sistema único, |
| |
Es posible que estés viendo algo aquí y digas, bueno, ya sabes, |
| |
para un solo sistema, |
| |
¿Con qué frecuencia fallan las piezas? Si consideramos a un solo cliente, ¿con qué frecuencia las compra? La primera pieza duró cuatro años. |
| |
Luego tuvieron que comprar una segunda. Esta solo duró un año y medio, luego tuvieron que comprar una tercera, y esta fue un éxito rotundo y duró ocho años. |
| |
Así que, al final, han tenido que comprar tres piezas en 12 años, pero hay una amplia variación. Esto se ve con todo tipo de productos, con algunos teléfonos móviles, con... |
| |
Otros productos para el hogar. Algunos fallan pronto; otros fallan tarde. |
| |
Quizás estés hablando con tus amigos y les digas: "Oye, tengo este celular horrible. No puedo creer que haya fallado tan pronto". Y te estarán hablando del mismo celular que han tenido durante 10 años. Claro, probablemente no 10 años, pero... |
| |
Podría tardar un tiempo. Así que, al final, para este sistema, para este cliente, tuvieron que reemplazar una pieza tres veces. |
| |
Ahora, si observamos múltiples sistemas, podemos hacernos una idea de la frecuencia con la que ocurren estas cosas a lo largo del tiempo. |
| |
Un cliente puede tener ese primer sistema, luego el segundo cliente, tal vez tuvo cinco o seis reemplazos durante ese mismo período de tiempo. |
| |
Así que si analizamos el primer sistema, podríamos decir que no esperaríamos ninguna falla hasta al menos el cuarto año. |
| |
Pero si observamos el segundo sistema, tuvieron una falla en el primer año. Así que, si intentamos calcular el promedio de fallas o el número promedio de eventos que podríamos esperar en el primer o segundo año, |
| |
Ese primer sistema no nos dice mucho. Así que aquí es donde, si no tienes los datos y... pero tienes tu distribución en tu modelo, donde la beta y la eta para tu Weibull o algo similar, |
| |
Puede utilizar la simulación para intentar determinar con qué frecuencia algunos clientes esperan eventos en los años 1, 2 y 3 y mucho más allá de los datos que realmente tiene. |
| |
Al hacer eso, al observar esos sistemas múltiples y observar esa simulación, se puede comprender y comenzar a ver una tendencia de con qué frecuencia |
| |
Estas piezas se reemplazarán año tras año. Por lo tanto, si bien estos datos pueden haberse generado únicamente a partir de eventos de siete años de duración, |
| |
Ya sea por tiempo calendario o por tiempo de cliente, habrá un pico y luego se estabilizará hasta alcanzar un nivel de reemplazos prácticamente plano. Ahora... |
| |
Con una simulación, verás algunos rebotes, y eso es lo que ves aquí. Si tuviéramos una solución de forma cerrada para esto, tendríamos una buena línea recta, pero |
| |
Con la simulación, obtenemos cierta variación. Eso es lo que se ve aquí. Así que se puede dibujar una línea y ver, en promedio, |
| |
Se espera que una persona reemplace un tercio de estos al año. Así que, después de tres años, se podría esperar un reemplazo, una vez que se ponga en marcha. Unos pocos al principio y luego se estabiliza. |
| |
Veamos ahora un ejemplo de lo que quiero decir con esto. |
| |
Aquí tenemos una tabla de datos y aquí tengo un modelo. Este modelo es simplemente un Weibull aleatorio. Si no está familiarizado con las diferentes funciones que puede usar en JMP, |
| |
Se puede usar una función Weibull aleatoria, un cuantil de Weibull, una distribución de Weibull o una densidad de Weibull. Todas estas funciones se pueden aplicar a diferentes distribuciones. |
| |
En este caso, elegimos un conjunto aleatorio de puntos de una distribución específica. 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 se incluiría en tu modelo. ¿Qué ocurriría si construyeras un modelo basado en fallas de piezas? Estas son las fechas que suelen incluirse. 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 se deben observar los tiempos totales de los eventos del sistema. Esto es simplemente la suma acumulada de los tiempos individuales: 8.3 es el primero, 1.2 es el segundo, y así sucesivamente. |
| |
Y entonces, cuando pasamos 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, |
| |
Estarías mirando el número del sistema, pero luego el año en que esto realmente ocurrió, por lo que 1,8 años ocurrieron en el segundo año de operación. |
| |
Y esa es una distinción importante que debemos tener en cuenta aquí, porque queremos asegurarnos de estar 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. |
| |
Con esto, podrías pensar: "Bueno, ahora que tenemos todo esto, podemos contar la cantidad de eventos y analizar este sistema, el año, y realizar un análisis detallado". JMP cuenta con una herramienta útil que lo hace todo por ti. |
| |
Entonces |
| |
En JMP hay una herramienta llamada simulación de sistemas reparables. |
| |
Y esta herramienta, |
| |
Lo sé... Creo que surgió en JMP 13, quizás 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 aquí no aprecia. |
| |
Entonces, lo que se trata es que estás viendo un sistema aquí. Y tal vez, o ahora mismo, tengo dos partes aquí, pero tal vez mi sistema en realidad... |
| |
Siete u ocho piezas, o una caja de cambios completa, una bomba o algo similar. Y todas estas piezas funcionan juntas, de modo que si alguna falla, |
| |
Ya sabes, todo el sistema falla, y quieres entender cuál es el evento y sus tiempos. En cada uno de estos, explicarías cuál es tu Weibull o tu modelo. Aquí tengo una beta 1.2 y una alfa 15. |
| |
Es una unidad de tiempo de años, ciertamente puedo elegir distribuciones diferentes si... si quisiera. |
| |
Y luego puedo predecir qué sucede si ocurre un evento. Entonces, si un bloque... aquí tengo un fallo de bloque, ¿qué sucede si realmente ocurre un fallo? |
| |
Y el resultado es reemplazarlo por uno nuevo, así que solo quiero reemplazar la pieza. Hay muchas opciones; quizás podría hacer una reparación mínima, pero en lugar de eso, he dicho que quiero reemplazarlo por una pieza completamente nueva, así que este modelo quedará como nuevo. |
| |
Y luego puedes incluir el tiempo de inactividad. ¿Cuánto tiempo se tardó en reparar esto? ¿Cuál fue el tiempo promedio de reparación? Puede ser un valor constante. |
| |
O puedes decirlo inmediatamente, sin importar el tiempo que tarde, o darle una lista para elegir. También puedes darle un par de distribuciones. |
| |
Así que con estas herramientas... ahora he creado un sistema muy simple. Tengo una parte con mi distribución conocida o dos partes con distribuciones conocidas. |
| |
Cuando alguno de estos falla, tengo un tiempo de reemplazo, por lo que el segundo tiene la opción de elección. |
| |
Como puedes ver, lo pusiste aquí. Ahora, las opciones deben estar en la misma unidad de tiempo que tu simulación. |
| |
Así que elegí años para mi simulación. Esto está en años, así que el tiempo para prepararse para algo podría ser solo una hora, dos horas, tal vez un día. Sin embargo, al expresarlo en años, las cifras se reducen mucho, así que eso es lo que ven aquí. |
| |
No voy a detallar todas las opciones aquí. Como pueden ver, hay muchas otras cosas que pueden hacer con un modelo de reserva, un K de N, muchas de ellas para análisis más complejos. |
| |
Bien, entonces ejecuto mi análisis y lo voy a ejecutar durante 20 años, que se enumeran aquí, con la cantidad de simulaciones como 100. A menudo querrás más que eso, pero para fines de demostración, lo estableceremos en 100 y tendremos una semilla de 1234. |
| |
Entonces, obtengo esta gran salida aquí, y la salida inicial siempre se llama número, lo cual es muy útil. |
| |
Pero podrías ver esto y decir: "¿Qué hago con esto?". Puedes venir aquí y lanzar este análisis. |
| |
Quizás quieras ver el tiempo de inactividad total por componente. Esto indica 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 cuántas veces voy a tener que reemplazar esta pieza en más de 20 años. |
| |
Entonces escribí un guión y cuando descargues este diario, tendrá todos estos guiones que están ahí. |
| |
Lo configuré como un botón, pero el script real está aquí debajo para tu referencia, si deseas usarlo. |
| |
Simplemente haré clic en el botón y sucederán un montón de cosas. He calculado la frecuencia con la que espero que ocurran estos eventos, año tras año. Desde la perspectiva del sistema, |
| |
He creado un subconjunto de mis eventos de fallo y establecido el valor del año. Como recordarán, el valor del año se redondea al alza, por lo que 3,8 años son 4. |
| |
Esto analiza el tiempo del calendario y el tiempo del sistema que podríamos estar usando. No analiza el tiempo individual, por lo que el tiempo entre cada una de estas filas, de la primera a la segunda, es de 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 es recordar que, al buscar el promedio de eventos anuales, es necesario considerar los años en los que no se produjeron eventos. En esta primera simulación, el primer evento ocurre en el cuarto año. |
| |
Pero necesito ceros para uno, dos y tres, y eso es lo que hace mi script. Mi script va en conjuntos. |
| |
Patrón de lo que quiero analizar. En la primera parte, quiero observar el valor del año y el ID de simulación, y luego ver cuándo ocurrieron los eventos. Aquí pueden ver que el evento de la primera parte ocurre en el año diez. |
| |
Y cuando se añade esto aquí, se actualiza el análisis. Si me desplazo a la segunda parte... |
| |
Cuando te desplazas hacia abajo hasta la segunda parte para la simulación uno, |
| |
allí...no hay eventos. |
| |
El primer evento para la simulación uno no será hasta... |
| |
hasta el cuarto año. Así que si me desplazo hasta el cuarto año |
| |
Para la segunda parte, se mostrará que tengo un evento en la simulación uno. Así que simplemente se trata de alinear estos eventos para cada posible combinación de años en que esto podría ocurrir. |
| |
Bueno, teniendo ese nivel de información, ahora que tengo eso en todas las... todas las simulaciones, viste que tenía 4.000 registros, ahora esas son solo todas las permutaciones posibles de año, simulación y parte. |
| |
Pero realmente quiero promediarlos. Así que lo promedié y revisé el número de simulaciones: el número de filas, el valor del año y la pieza. Llegué a 40 filas, mucho más manejable y fácil 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 analizar esto desde una perspectiva acumulativa, esto es lo que le indica al cliente cuántos podría esperar reemplazar en 10 años. Así que, para la segunda parte, |
| |
Digamos que el cliente quiere saber cuándo necesita reemplazar, ya sabes, el primero. ¿Cuál es el primero? El primero. |
| |
Sucederá entre el cuarto y el quinto año, justo después del cuarto. Y el segundo ocurre justo... o alrededor del séptimo año. |
| |
El tercero ocurre alrededor del año 10. Como puedes ver, tienes una especie de ascenso donde no hay muchas fallas al principio, pero luego hay un estado estable y cada tres años aproximadamente 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. |
| |
Por lo tanto, usar esta predicción de eventos de la simulación de sistemas reparables es una forma práctica y rápida de dar una idea o comprender cuántas piezas hay, no solo la probabilidad de falla y cuándo podría ocurrir. |
| |
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. |
| |
Y por eso puede resultar abrumador. Es una herramienta nueva, puede que no sepas todo con lo que estás trabajando, pero... |
| |
Si comienzas con la plantilla, comienzas con la tabla, construir tu simulación de sistemas reparables puede ser mucho más fácil. |
| |
Así que, al final, para construir tu modelo, necesitas aproximadamente 13 datos. La mayoría de estos datos se procesan en segundo plano, algo que ni siquiera pensarías, pero si los presentas en una tabla y una plantilla... |
| |
Con estas diversas columnas... Y digo 13, en realidad necesitas menos. He hecho algunas modificaciones para gestionar algunas cosas interesantes que podrías hacer. |
| |
Pero realmente tienes tu distribución, tu tipo de modelo, tus parámetros, la unidad de tiempo. Todos estos son elementos predeterminados en JMP que puedes cambiar o... |
| |
Estas son cosas que se agregarían. Cada una de estas tiene un... si el bloque falla, ¿qué se reemplaza con uno nuevo? Y se pueden ajustar, se pueden conectar los nombres de los eventos y los procesos de forma diferente. |
| |
En mi mundo, muchas veces observamos un cambio de comportamiento. Y quizá queramos entender que durante los primeros años, esta es la tasa de reemplazo, y luego, durante los siguientes años, esta es la tasa de reemplazo. |
| |
O quizás tengas modos de fallo que compiten y quieras aprovechar. Así que lo que te mostraré aquí puede solucionar muchos de ellos. |
| |
Disculpe, esto no es perfecto en absoluto. Esto |
| |
Definitivamente debería adaptarse a su propio... su propio caso de uso, pero, al final del día, comenzar con una plantilla es una forma increíble de acelerar su desarrollo y |
| |
Para permitirte hacer pequeños ajustes sobre la marcha. Si tengo esto, tengo un pequeño script que, al hacer clic en él, genera automáticamente la simulación de mis sistemas reparables. |
| |
Y si miro aquí, tengo mi primera... mi primera pieza con una beta de 1.86 o 826, un alfa de 153. |
| |
Y simplemente se trata de tomar esta tabla y convertirla en una simulación de sistemas reparables. Puedes hacer... |
| |
Algo aún más complejo. Así que déjenme cerrar esto. |
| |
Así que 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 cierto tiempo. Quizás estoy intentando modelar la introducción de un producto, ya sabes, una actualización que se está extendiendo a toda la flota. O quizás tengo un modo de fallo competitivo aquí y quiero tenerlo en cuenta. |
| |
Entonces, si uso esta plantilla en el guion, puedo manejar todo esto de forma muy sencilla. Ya vieron lo rápido que fue. ¿Cuánto es eso? ¿Un segundo más o menos? |
| |
¿Cómo generar este modelo? Si quiero crear otro, quizás quiera que sea un... |
| |
registro normal. |
| |
Puedo hacerlo aquí mismo y luego |
| |
Ven a ver mi guión |
| |
y |
| |
Y simplemente lo ejecuto de nuevo. Y obtengo otro modelo donde (a ver, ¿qué era? Parte cinco). |
| |
La quinta parte ahora es logarítmica. Es muy fácil probar diferentes iteraciones y modelos, y genera uno nuevo cada vez. |
| |
Etiquetar el diagrama como su tabla aquí. Es una forma práctica de realizar un análisis y comprender sus predicciones de eventos usando esta plantilla, usando el script integrado para realizar el análisis y comprender sus predicciones de eventos a lo largo del tiempo. |
