Почему данные — краеугольный камень инженерии надежности

В сегодняшнем технологии-драйвенном мире данные — линчпин стратегических решений. Дисциплина, использующая этот потенциал — data science — позволяет компаниям собирать, scrutinizing и применять информацию для более умных, доказательства-ориентированных выборов.

Недавние прогнозы проецируют глобальный объем данных к достижению 163 зеттабайт к 2025 году — эквивалент одного триллиона гигабайт на зеттабайт. Этот ошеломляющий рост заставляет организации сталкиваться с критическими вызовами в хранении, качестве и управлении.

Эта статья исследует, почему надежные данные подкрепляют строгие исследования надежности. Надежность, в своем ядре, — это вероятность того, что оборудование, системы или объекты будут выполняться без отказа за специфицированный интервал под определенными операционными условиями. Следовательно, точные исторические данные об отказах и их правильный анализ незаменимы для любого надежного оценки надежности.

Аналитика данных разблокирует потенциал огромных датасетов, извлекая действенные инсайты, направляющие лучшие решения. Это достижимо только когда целостность данных безупречна; неисправные данные неизбежно ведут к неисправным выводам.

Выгоды анализа данных

Анализ надежности уполномачивает менеджеров и инженеров принимать информированные технические и финансовые решения. Анализируя данные, они могут уточнять дизайны проектов, снижать затраты, предсказывать сроки службы компонентов, расследовать отказы, устанавливать подходящие гарантийные периоды, планировать эффективные инспекции и идентифицировать ключевые показатели эффективности (KPI). Точные данные — фундамент комплексного исследования надежности.

Сбор и фильтрация данных — основные обязанности любого инженера надежности. Это подразумевает систематический сбор и оценку информации о переменных интереса для ответа на конкретные исследовательские вопросы, тестирования гипотез и поддержки действенных результатов.

Точный, честный сбор данных — общий знаменатель, объединяющий все исследовательские усилия, гарантируя, что каждое исследование начинается от надежного фундамента.

Разнообразие инструментов и техник может обрабатывать данные для повышения их точности и надежности — таких как удаление выбросов, предотвращающее искаженные результаты в расчетах надежности.

Установка надежных данных

В любом операционном объекте надежные данные — покрывающие логи обслуживания, записи отказов, операционные окна и больше — формируют основу для исследований инженерии надежности. К сожалению, многие компании лишены систем, процессов или культуры, необходимых для эффективного сбора и управления данными.

Надежная база данных должна захватывать и хранить все значимые точки данных. База данных, собирающая только подмножество существенных данных, может доставить неполное, потенциально вводящее в заблуждение представление об операциях и здоровье активов.

Использование валидированных инструментов — методов, гарантирующих надежный сбор данных — может улучшить практики. Например, финская компания сообщила, что примерно одна из шести закрытых отчетов об обслуживании (17,2%) опускала режим отказа, и ни одна не записывала детали запчастей. Такие пробелы указывают на узкую базу данных, не улавливающую критические локации и воздействия отказов.

Своевременная отчетность данных также критична. Отделы обслуживания, отчитывающиеся еженедельно или ежемесячно, более склонны терять критичную информацию, чем те с динамической системой, консолидирующей данные в реальном времени.

Лучшая практика — определить критерии высококачественных данных внутри системы сбора и хранения, автоматизируя настолько, насколько возможно, для обеспечения консистентности и поиска. Опора на открытые текстовые поля превращает аналитику в ручную задачу; они должны резервироваться для дополнительной детали, а не первичных точек данных.

Вместо этого система должна иметь выделенные ячейки для каждой значимой переменной, используя выпадающие меню везде, где возможно, для стандартизации описаний и отчетности. Консистентность по базе данных обязательна для крупномасштабных исследований надежности.

Определение требуемых отчетов и анализов первым диктует, какие поля данных включить. Для исследований надежности база данных должна захватывать детали обслуживания по запчастям, режимам отказа, человеко-часам, выводам крупных инспекций, поврежденным компонентам и рутинной активности. Структурированные выпадающие списки в этих полях позволяют ПО автоматически рассчитывать MTBF, доступность и другие KPI надежности.

Факторы качества данных

Инструменты и технологии

Широкий массив инструментов поддерживает цели качества данных, от дедупликации и интеграции данных до миграции и аналитики. Эти инструменты помогают раскрывать тренды и паттерны путем комбинирования и категоризации сырых данных.

Многие современные решения мобильно-включены, снижая человеческие и системные ошибки при захвате данных. Принятие таких технологий может заметно улучшить качество данных.

Люди и процессы

Каждый сотрудник — от команд обслуживания до инженеров и исполнителей — должен понимать роль данных в организации. Это включает ясность в том, какие данные собираются, как часто и для каких целей. Обучение и четкие процессы обязательны для поддержания надежного и консистентного сбора и хранения данных.

Организационная культура

Поддержка менеджмента и данные-драйвенная культура ключевы для качества. KPI, мониторящие целостность данных, должны отчитываться перед лидерами. При запуске новых проектов или инициатив организаций часто нужно корректировать процессы, роли, структуры и технологии для захвата релевантных данных.

Непрерывное улучшение драйвит успех; количество и качество данных топлива этот движок. Постоянное обучение укрепляет важность данных, культивируя культуру, ценящую точную информацию.

Влияние данных на надежность

Рассмотрим кейс, где объект ставил целью поднять нефтепродукцию установкой нового пакета газо-нефтяной сепарации (GOSP) с блоками стабилизации сырой нефти. GOSP включал сепарационные ловушки, обработку влажной нефти, водо-нефтяной сепаратор, газо-сжатие, факельную систему, трансферные насосы и стабилизационные блоки.

Исследование надежности, доступности и обслуживаемости (RAM) предсказало производственную доступность нового объекта и забенчмаркило ее против целей. Исследование идентифицировало бутылочные горлышки пропускной способности, рекомендовало улучшения, верифицировало операционные философии и обозначило корректирующие действия или дизайн-изменения.

Сырые данные обслуживания — собранные через интервью с существующими командами — показывали несколько проблем. Например, они предполагали, что каждые 10 месяцев компрессор будет вне службы на 30 дней из-за отказов механических уплотнений, подразумевая 10% простоя из-за уплотнений. Это предположение неверно для объекта, использующего более новую технологию и уроки из старых заводов.

Точно так же данные подразумевали 30-дневный интервал обслуживания каждые четыре года из-за вмятин на валу. Улучшенные материалы в новом дизайне устраняют эту проблему.

Дополнительно, среднее время ремонта (MTTR) для вибрации было указано как 60 дней, тогда как новые компрессоры — благодаря улучшенному управлению запчастями — достигают MTTR всего в четыре дня.

Эти невыровненные предположения демонстрируют, как данные, полученные от стареющих активов, могут ввести в заблуждение решения для современных установок.

Таблица 2 представляет тот же датасет после фильтрации инженерами надежности. Они устранили проблемы обслуживания, которые могли быть автоматически скорректированы через инструментацию, затем категоризировали данные по обслуживающим и операционным стратегиям для изоляции дизайн-связанных проблем таких как бутылочные горлышки и ограничения мощности.

Скорректированные данные могут быть применены к новому объекту для руководства оптимизацией дизайна. Например, режимы отказа газовых компрессоров теперь показывают MTBF восемь лет (сухие уплотнения) и MTTR три дня. Коррозионные предположения для валовых компрессоров были устранены использованием улучшенных материалов.

Рисунок 1 сравнивает доступность и мощность для обеих моделей на основе исходных и скорректированных датасетов. Некачественные данные дали доступность 77,34% для нового объекта, в то время как скорректированные данные проецируют 99% — резкая разница, отражающая реальность.

Качество входных данных определяет точность любой модели надежности — «garbage in, garbage out». RAM-модель, построенная на чистых, хорошо структурированных данных, позволяет оптимизацию и точный расчет KPI.

В сфокусированных исследованиях надежности инженеры анализируют операционные данные для идентификации «плохих актеров» — компонентов с высокими затратами обслуживания и частотами отказов. Рекомендации, производные из неполных или предвзятых данных, рискуют упустить реальные проблемы, тратя ресурсы на ложные приоритеты.

Поэтому эффективные системы сбора данных, четко определяющие требуемые типы и количества данных, обязательны для информированного принятия решений в планировании обслуживания, управлении запчастями, бюджетировании и техническом решении проблем.

Три ключевых шага к улучшению качества данных

1. Разверните правильную платформу базы данных

Выбранное решение должно принуждать к обязательному заполнению всех требуемых полей перед закрытием уведомления об обслуживании или наряда. Это устраняет ярлыки, компрометирующие консистентность данных.

2. Интегрируйте существующие функции в единое решение

Единая платформа, консолидирующая функции надежности, сокращает количество разрозненных систем. Например, интеграция отслеживания запчастей с уведомлениями об обслуживании гарантирует, что каждое движение запчастей привязано к конкретному наряду.

3. Внедрите программу обеспечения качества данных

Регулярные аудиты качества данных по организации обязательны. Практический подход — случайная выборка 5% уведомлений об обслуживании и нарядов на каждом объекте, оценка целостности данных и использование выводов для уточнения процессов и использования системы.

Данные — краеугольный камень

Комплексная история обслуживания и ремонта активов должна быть захвачена, сохранена и проанализирована точно. Фронтлайн-персонал — команды обслуживания и операционный персонал — должны признавать свою критическую роль в обеспечении качества данных.

Данные — основа информированного принятия решений, и качество данных сидит в сердце каждого исследования надежности. Высококачественные данные уполномачивают уверенную адвокацию, строгое исследование, стратегическое планирование и прозрачное управленческое отчетность.

Об авторах

Халид А. Аль-Джабр — специалист по инженерии надежности в Saudi Aramco с 18+ лет промышленного опыта, фокус на надежности оборудования. Ph.D., чартерный инженер, сертифицирован в инженерии менеджмента и анализе данных.

Кадир Ахмед — консалтинговый инженер надежности в Saudi Aramco с 18 лет опыта. Чартерный инженер, Ph.D., Certified Maintenance & Reliability Professional (CMRP), Six Sigma Black Belt.

Даххам Аль-Анази — лидер инженерии надежности в консалтинговых сервисах Saudi Aramco. 25+ лет технического опыта, докторская степень в механической инженерии.