Integrando AnyLogic y R: Gráfico de control
- Intro
- Modelo AnyLogic
- Resultados
- Qué hacer
Un concepto común en la ingeniería industrial es el control estadístico de procesos, el cuál consiste en la definición de un proceso a partir de rendimientos estándares de manera que el control de calidad de los productos no requiera de una precisa medición de cada unidad, sino de la revisión de los estadísticos del proceso. Si estos tuvieron alguna desviación frente a sus estándares (media y desviación típica), se sospecha que pueden haber fallas de calidad en los productos y solo entonces se procede a la revisión individual de los productos, lo que reduce sustancialmente los tiempos de ciclo en la producción (ver link).
Una herramienta fundamental para esto es el gráfico de control el cuál permite visualizar para una actividad o proceso específico, el histórico de tiempos de proceso en secuencia, de manera que se establezca el tiempo promedio y los límites superiores e inferiores del proceso. Estos límites marcan la frontera del control estadístico, así un ciclo cuyo tiempo esté por encima del límite superior o por debajo del inferior, se presume anómalo desde el punto de vista estadístico. Los administradores de procesos deciden entonces si se trata de un hecho puntual para una unidad atípica o si es una tendencia del proceso y por ende se requieren tomar medidas bien sea frente al lote de producción, al recurso (un operario fatigado o una máquina próxima a mantenimiento) o a la materia prima entre otras.
Los límites de control son usualmente definidos en función de la desviación estandar del proceso, en general tres desviaciones hacia arriba y hacia abajo son la norma, lo que entre otras es la base de la metodología six sigma.
El gráfico siguiente es una muestra de cómo luce un gráfico de control, donde se evidencia que los ciclos de 4:30 y 6:00 estan por encima del límite superior. Adicionalmente se evidencia que el proceso en general está aumentando su tiempo promedio de ciclo lo cuál puede ser debido a una fatiga del recurso y por tanto requiere de una acción preventiva.
En ocasiones los límites son controlados artificialmente para aumentar o reducir la variabilidad. Esto sucede cuando uno o varios componentes no son homogéneos o bien cuando se quieren fijar controles específicos (ejemplo reducir los límites a dos desviaciones estándares para los pedidos de un cliente específico o para los productos de exportación).
En este tutorial mostraremos cómo generar estos gráficos de manera automática en AnyLogic con la ayuda de R y cómo hacer uso de ellos para controlar un proceso.
El modelo a simular será una estación de trabajo con una fuente y una salida. El tiempo de procesamiento será una función que explicaremos mas adelante. Adicionalmente se requiere una imagen sin contenido, un dataset y combobox y dos sliders (ver imagen).
Agregamos a la lista de dependencias del modelo la librería RCaller-2.5.jar
La siguiente es la función para controlar el tiempo de proceso tProc()
|
1 2 3 4 5 6 7 8 9 10 11 12 |
double t = 0; double val = round(getExperiment().getProgress()*100); if(val<30){ t=triangular(0.5, 8, 2); } else if(val<60){ t=triangular(1.5, 11, 3); } else{ t=triangular(2.5, 14, 4); } return t; |
La cuál integramos en el servicio como tiempo de espera (ver imagen). Adicionalmente agregamos el código que permite actualizar el gráfico de control cada cierta cantidad de piezas procesadas (variable each)
La función updateControlChart() conecta AnyLogic con el ejecutable de R (RScript), transmite datos y realiza operaciones, en este caso crea el gráfico de control, el cuál se guarda en una dirección temporal del ordenador. La dirección es usada para cambiar periódicamente la fuente del objeto imagen lo que actializa el gráfico de control.
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 |
try { RCaller caller = new RCaller(); RCode code = new RCode(); caller.setRscriptExecutable(rPath); code.clear(); code.R_require("qcc"); double[] numbers = new double[DatasetServiceTime.size()]; for(int i=0; i<DatasetServiceTime.size(); i++) numbers[i]=DatasetServiceTime.getY(i); code.addDoubleArray("Service_Time", numbers); File file = code.startPlot(); String ss = ""; if(iterations>0 && fixLimits){ ss = "st <- qcc(Service_Time, type='xbar.one', limits = c("; ss = ss + lowerLimit + ", " + upperLimit + ") ,title='"; ss = ss + "Gráfico de control del\ntiempo de servicio')"; } else{ ss = "st <- qcc(Service_Time, type='xbar.one', title='"; ss = ss + "Gráfico de control del\ntiempo de servicio')"; } code.addRCode(ss); code.addRCode("s <- list(ll=st$limits[1], ul=st$limits[2], v=st$violations[1]$beyond.limits, w=st$statistics)"); caller.setRCode(code); caller.runAndReturnResult("s"); double ll = caller.getParser().getAsDoubleArray("ll")[0]; double ul = caller.getParser().getAsDoubleArray("ul")[0]; int[] v_id = caller.getParser().getAsIntArray("v"); double[] v_val = caller.getParser().getAsDoubleArray("w"); violations=v_id; violations_val=v_val; if(image1.getImageFileNames().size()>0) image1.remove(0); image1.add(file.getPath()); image1.setIndex(0); iterations++; if(iterations>0){ if(!fixLimits){ if(ll<0)lowerLimit=0; else lowerLimit=ll; } upperLimit=ul; } } catch (Exception e) { System.out.println(e.toString()); } |
Esta función permite además identificar las piezas cuyo tiempo están por encima de los límites de control (variable violations). Si hay al menos una pieza en esta categoría, el ID de la pieza y el tiempo de proceso pueden ser conocidos haciendo click en el botón "Defectos". Los límites de control también pueden ser fijados haciendo click en el combobox "Fijar Límites" y variando los sliders.
El siguiente es un video demostrando el modelo de simulación en funcionamiento.
Los archivos pueden descarcarse en el siguiente link.
Este modelo fue hecho usando AnyLogic 7.3.3 y Microsoft R Open V 3.2.4, sin embargo como se muestra en el video, es posible cambiar el origen de RScript para usar el script original de R.
Este modelo es solo una muestra de las posibles aplicaciones que se pueden hacer integrando AnyLogic y R, sin embargo R cuenta con una serie de paquetes especializados en muchos campos que permiten ampliar la gama de aplicaciones. Un ejemplor puede ser utiizar paquetes de análisis estadístico (ejemplo MASS, statmod) para identificar distribuciones de probabilidad atípicas y generar predicciones sobre tiempos de operación en las estaciones para mejorar la alocación de tareas, o aplicar minería de datos (paquetes car y caret) para clasificar actividades según rendimiento, o incluso utilizar aprendizaje autónomo (machine learning) para predecir comportamientos que mejoren la programación y sequenciación (nnet, neuralnet, RSNNS, deepnet, darch).
También es posible utilizar librerías especializadas para diseñar gráficos más avanzados que los suministrados por AnyLigic (ggplot).
En el próximo post de esta serie se explicará un ejemplo aplicando minería de datos y aprendizaje autónomo en R para optimizar un proceso de mediana complejidad.