Почему данные являются основой надежности

В сегодняшнюю технологическую эпоху данные являются ключом к принятию решений. Эта область специализации известна как «наука о данных». Компании могут воспользоваться преимуществами технологий, собирая, анализируя и используя данные для принятия обоснованных решений.

Одна исследовательская группа прогнозирует, что при нынешних темпах роста данных к 2025 году размер данных составит 163 зеттабайта. Чтобы лучше понять это число, представьте, что один зеттабайт равен одному триллиону гигабайт. Это вызывает вопросы о хранении, качестве и управлении данными.

В этой статье будет обсуждаться важность данных и их использование для проведения значимых исследований надежности. Общее определение надежности - это вероятность того, что часть оборудования, системы или объекта будет работать без сбоев в течение заданного периода времени при определенных условиях эксплуатации. Следовательно, точные исторические данные об отказах и их надлежащий анализ имеют решающее значение для любого анализа надежности.

Аналитика данных дает возможность изучать огромные объемы данных и извлекать полезную информацию, которая затем может помочь в принятии более эффективных решений. Это возможно только при разумной уверенности в данных, потому что плохие данные могут привести к неверным решениям.

Преимущества анализа данных

Анализ надежности - это эффективный способ помочь руководству и инженерам принимать технические и финансовые решения. Помимо прочего, анализ данных помогает оптимизировать дизайн проекта, снизить затраты, прогнозировать срок службы компонентов, исследовать отказы, оценивать гарантийные интервалы, проводить эффективные периоды проверок и определять ключевые показатели эффективности (KPI). Точные данные жизненно важны для проведения всестороннего исследования надежности.

Фильтрация и сбор данных - важные обязанности любого инженера по надежности. Сбор данных - это метод сбора и оценки информации об интересующих переменных для создания систематической модели, позволяющей ответить на определенные исследовательские вопросы, оценить гипотезы, а также оценить и поддержать результаты.

Таким образом, сбор данных - это общий этап всех исследований. Обеспечение точного и честного сбора данных - общий фактор и одна и та же цель этих исследований.

Существует множество инструментов и методов для обработки данных, которые делают их более точными и надежными, например для устранения выбросов, которые могут исказить общие результаты анализа надежности.

Создание надежных данных

На любом действующем объекте точные и надежные данные, в том числе записи об обслуживании активов и отказах, операционные окна и т. Д., Могут обеспечить основу для инженерных исследований надежности. К сожалению, не у всех компаний есть системы, процессы и культура, необходимые для сбора данных и управления ими.

Одним из требований для создания надежной базы данных является обеспечение сбора и хранения всех значимых точек данных. База данных, которая собирает только некоторые важные данные, может дать неполную и, возможно, даже вводящую в заблуждение картину текущих операций и состояния активов.

Использование проверенных инструментов, которые представляют собой методы сбора оцененных и надежных данных, может быть полезной практикой. Например, одна крупная компания в Финляндии сообщила, что примерно в каждом шестом отчете о закрытом техническом обслуживании (17,2%) не указан режим отказа.

Кроме того, ни в одном из отчетов о закрытом техническом обслуживании не указывается количество и тип запасных частей. Эти наблюдения предполагают, что эта конкретная компания имеет ограниченную базу данных, которая может предложить только узкую перспективу отказов оборудования и истории обслуживания с отсутствующей важной информацией, такой как местонахождение отказов и их влияние.

Дополнительным требованием для эффективного анализа данных является своевременное представление данных. Отделы технического обслуживания, которые сообщают о своих результатах еженедельно или даже ежемесячно, с большей вероятностью потеряют важные данные и действия, чем те организации, которые развертывают динамическую систему, которая непрерывно консолидирует данные.

Еще одна передовая практика - обеспечить, чтобы система сбора и хранения данных определяла то, что считается высококачественными экземплярами и значениями данных, с максимально возможной автоматизацией, чтобы обеспечить согласованность в отчетах и ​​возможности поиска в базе данных. Система отчетов о техническом обслуживании, зависящая от открытых текстовых полей, по сути превращает аналитику данных в ручной процесс.

Хотя открытые текстовые поля имеют место в любой хорошо спроектированной базе данных, их следует использовать для предоставления более подробных сведений и пояснений.

Вместо этого система сбора и хранения данных должна иметь отдельные ячейки для каждой значимой точки данных, используя как можно больше раскрывающихся меню, чтобы обеспечить согласованность описания и отчетности. Инженеры по надежности смогут проводить обширные исследования надежности только в том случае, если данные доступны для поиска и последовательно описываются во всей системе.

Определение типов отчетов и анализа, необходимых для базы данных, определит, какие поля данных будут включены. Таким образом, первым шагом в получении высококачественных данных является определение вопроса, на который нужно ответить, и обеспечение того, чтобы собранные данные соответствовали этой цели.

Для исследований надежности поля системы базы данных должны собирать информацию о техническом обслуживании запасных частей, режимах отказов, человеко-часах, результатах основных проверок, поврежденных компонентах и ​​повседневных действиях. Более того, контроль согласованности отчетов в этих полях с помощью исчерпывающих раскрывающихся меню позволит программным приложениям выполнять ключевые функции, такие как вычисление среднего времени наработки на отказ (MTBF), доступности и других ключевых показателей эффективности.

Факторы качества данных

Инструменты и технологии

Для достижения целей в области качества данных доступно множество инструментов, в том числе инструменты для уменьшения дублирования, интеграции и переноса данных между платформами и между платформами, а также для выполнения аналитики данных.

Инструменты анализа данных позволяют пользователю извлекать из данных смысл, например комбинировать и категоризировать данные для выявления тенденций и закономерностей. Многие технологии теперь доступны для мобильных устройств. Эти технологии могут минимизировать человеческие и системные ошибки при сборе данных. Внедрение этих новых инструментов и технологий может помочь улучшить качество данных.

Люди и процессы

Каждый сотрудник на каждом уровне деятельности компании, от обслуживающего персонала до инженера и руководства, должен разделять общее понимание роли данных в компании. Сюда входит, какие данные будут собираться, как часто и для каких целей они будут использоваться. Наряду с обучением необходимо установить четкие процессы для обеспечения надежного и последовательного сбора и хранения данных.

Организационная культура

Поддержка со стороны руководства и корпоративная культура играют жизненно важную роль в обеспечении качества данных. Ключевые показатели эффективности, сообщаемые руководству, должны контролировать качество данных. Если организация хочет запустить новый проект или инициативу для повышения производительности, увеличения количества возможностей или решения значительных проблем, она часто должна внести изменения, включая изменения в процессы, рабочие роли, организационные структуры и типы, а также использование технологий. .

Процедуры и рабочие процессы должны быть обновлены и приведены в соответствие с передовой практикой. Постоянное совершенствование - залог успеха. Качество и количество данных будут ключевыми для этого драйвера. Благодаря непрерывному обучению персонал может повысить важность данных, что поможет повысить организационную культуру.

Влияние данных на надежность

Чтобы проиллюстрировать важность качества данных, рассмотрим следующий пример. На предприятии запущен проект по увеличению добычи нефти за счет установки новой установки разделения газа и нефти (GOSP) с установками стабилизации нефти. GOSP будут состоять из сепарационных ловушек, оборудования для обработки влажной сырой нефти, водомасляного сепаратора, оборудования для сжатия газа, факельной системы, перекачивающих / отгрузочных насосов и стабилизационных сооружений.

Было проведено исследование надежности, доступности и ремонтопригодности (RAM), чтобы спрогнозировать производственную доступность оборудования и сравнить ее с целевой доступностью. Исследование также будет использоваться для определения областей, которые ограничивают производительность производства, рекомендовать меры по достижению доступности, необходимой для выполнения производственных бизнес-целей, подтверждать принципы эксплуатации и технического обслуживания, принятые для обеспечения общей доступности системы, и определять корректирующие действия или возможные изменения конструкции. .

Необработанные данные по техническому обслуживанию сведены в Таблицу 1. Она основана на интервью с бригадами технического обслуживания на существующих производственных объектах. У данных, собранных для исследования, были проблемы в ряде областей, начиная с ложного сравнения данных технического обслуживания старых активов для определения рабочих диапазонов для нового объекта.

Например, таблица 1 предполагает, что каждые 10 месяцев компрессор будет отключаться на 30 дней из-за проблем с механическим уплотнением. Эта оценка предполагает, что компрессор потратит 10 процентов своего срока службы на техническое обслуживание из-за проблем с механическим уплотнением. Это предположение неверно, поскольку на предприятии будут внедрены новые технологии. Кроме того, в новом дизайне будут отражены многие уроки, извлеченные из старых объектов.

Еще одно неверное предположение, извлеченное из данных, - это влияние коррозии. Исходные данные позволяют предположить, что компрессор находится на техническом обслуживании в течение 30 дней каждые четыре года (48 месяцев) из-за точечной коррозии вала. Использование улучшенного материала в валу компрессора устранит подобные проблемы.

В таблице 1 также указано, что среднее время ремонта (MTTR) из-за вибрации составляет 60 дней. Сравните это предположение со средним ожидаемым MTTR для новых компрессоров, составляющим всего четыре дня, благодаря улучшенному управлению запасными частями.

Как показывает этот пример, предположения, извлеченные из данных, которые могут быть точными для стареющих предприятий со старым оборудованием, неверны при применении к новым объектам, спроектированным с использованием обновленных материалов и более эффективных технологий.

Таблица 1. Необработанные полевые данные, собранные для исследования надежности, доступности и ремонтопригодности

В таблице 2 представлен тот же набор данных, исправленный инженерами по надежности. Получив доступ к тем же данным, которые были предоставлены стороннему поставщику, инженеры отфильтровали необработанные данные, чтобы устранить все проблемы обслуживания, которые могут быть автоматически исправлены с помощью контрольно-измерительной аппаратуры. Затем данные были разделены на категории по стратегиям технического обслуживания и оперативного управления для выявления проблем, связанных с недостатками конструкции, таких как узкие места, ограниченная емкость и доступность.

Скорректированные данные могут быть применены к новому объекту и использоваться для принятия решений по оптимизации проекта. Например, режимы отказа газовых компрессоров теперь показывают среднее время безотказной работы в восемь лет из-за сухих уплотнений и среднее время восстановления в три дня. Кроме того, допущения о коррозии валовых компрессоров были устранены за счет использования усовершенствованных материалов в новом проекте объекта.

Таблица 2. Отфильтрованные данные, собранные для исследования надежности, доступности и ремонтопригодности

Доступность и емкость для обоих проектов представлены на рисунке 1. Это иллюстрирует разницу в результатах между двумя моделями на основе предоставленных наборов данных, а также разницу в результатах доступности и емкости. Исходные данные показывают, что доступность нового объекта составляет 77,34% из-за длительного MTTR и короткого MTBF, в то время как набор скорректированных данных рассчитал общую доступность на уровне 99%, что представляет собой реальную ситуацию.

В том же проекте аналогичная практика была проделана для другого оборудования. Группе управления проектом (ГУП) было приказано устранить запасное оборудование из-за высокой доступности. Результаты были использованы для оптимизации конфигурации проекта для полного использования системы. Как показано в этом тематическом исследовании, использование скорректированных данных может иметь огромное влияние на капитальные затраты и затраты на строительство новых проектов за счет устранения ненужного оборудования и сокращения времени завершения проекта и сокращения затрат.

Рисунок 1. Результаты исследования надежности, доступности и ремонтопригодности (RAM)

Рис. 2. Связь между входными данными, результатами проектирования и моделирования

Значимые результаты для любого программного обеспечения или симулятора надежности зависят от качества входных данных и дизайна. Как говорится, «мусор на входе, мусор на выходе». На рисунке 2 показана взаимосвязь между проектными и исходными данными с результатами моделирования RAM. После того, как модель RAM построена на основе входных данных, можно ввести потенциальную оптимизацию. Данные являются ключевым элементом модели и других показателей надежности.

То же верно и для целенаправленных исследований надежности. Инженеры по надежности тратят много времени на анализ данных в процессе эксплуатации. Например, инженеры могут провести исследование надежности конкретных элементов, вызывающих плохие атаки, которые определяются как компонент, оборудование или система с высокими затратами на техническое обслуживание и высокой частотой отказов.

Результаты этой оценки используются для сосредоточения ограниченных ресурсов на высокоэффективных элементах с наибольшей выгодой для полевых операций с точки зрения затрат на техническое обслуживание и доступности. Если у инженеров есть нерепрезентативные данные или их недостаточно, все результаты и рекомендации не помогут решить реальные проблемы.

Это представляет собой упущенную возможность повысить эффективность планирования технического обслуживания, управления запасными частями, составления бюджета на техническое обслуживание и решения технических проблем. Таким образом, для получения качественных данных необходимы эффективные системы сбора данных, которые четко определяют типы и количество данных, необходимых для поддержки решений, которые должна принять организация.

3 основных шага по повышению качества данных

1. Разверните правильную платформу базы данных

Решение, выбранное для организации, не должно закрывать какие-либо уведомления о техническом обслуживании или заказы на работу, пока не будут заполнены все обязательные поля. Другими словами, выбранная платформа должна отключить ярлыки для обеспечения согласованности собранных данных.

2. Интегрируйте существующие функции в комплексное решение

Платформа должна объединить все функции надежности в одно решение, чтобы лучше интегрировать данные и сократить количество систем, развернутых в организации. Например, если какие-либо запасные части были вывезены со склада, они должны быть списаны по специальному уведомлению. Для этого потребуется платформа, которая объединяет управление запасными частями с работами по техническому обслуживанию.

3. Реализовать программу обеспечения качества данных

Действия по обеспечению качества для развернутого решения должны включать периодический аудит качества данных во всей организации. Например, группа обеспечения качества может произвольно проверять 5% уведомлений о техническом обслуживании и рабочих заданий для каждого работающего объекта, чтобы оценить качество собранных данных. Результаты этой оценки затем могут быть использованы для дальнейшего улучшения использования решения и обеспечения эффективной базы данных.

Данные - краеугольный камень

Необходимо правильно собирать, хранить и анализировать полные данные об обслуживании активов и истории ремонта. Непосредственные сотрудники, в том числе обслуживающие бригады и оперативный персонал, участвующий в сборе данных, также должны понимать важность своей роли в обеспечении качества данных.

Помните, что данные являются краеугольным камнем для принятия решений в любой компании, а качество данных лежит в основе всех исследований надежности. Если у вас есть высококачественные данные, вы можете уверенно использовать их для эффективной защиты, значимых исследований, стратегического планирования и управления.

Об авторах

Халид А. Аль-Джабр (Khalid A. Al-Jabr) - инженер по обеспечению надежности в Saudi Aramco, обладающий более чем 18-летним опытом работы в промышленности с акцентом на надежность оборудования и проблемы. Он имеет докторскую степень, дипломированный инженер и сертифицирован как профессионал в области инженерного менеджмента и анализа данных.

Кадир Ахмед работает инженером-консультантом по надежности в Saudi Aramco и имеет 18-летний опыт работы в области проектирования надежности. Дипломированный инженер, он имеет докторскую степень. и является сертифицированным специалистом по обслуживанию и надежности (CMRP) и имеет черный пояс шести сигм.

Дахам Аль-Анази (Dahham Al-Anazi) - руководитель отдела проектирования надежности в отделе консалтинговых услуг Saudi Aramco. Он имеет более чем 25-летний технический опыт и докторскую степень в области машиностроения.