Waarom gegevens de basis vormen voor betrouwbaarheid

In het huidige technologische tijdperk zijn gegevens de sleutel tot besluitvorming. Dit vakgebied staat bekend als 'data science'. Bedrijven kunnen profiteren van technologie door gegevens te verzamelen, analyseren en gebruiken om weloverwogen beslissingen te nemen.

Een onderzoeksgroep voorspelt dat met het huidige groeitempo van data, in 2025 de omvang van data 163 zettabyte zal zijn. Om dit aantal beter te begrijpen, bedenk dat één zettabyte gelijk is aan één biljoen gigabyte. Dit roept vragen op over dataopslag, kwaliteit en beheer.

Dit artikel bespreekt het belang van gegevens en het gebruik ervan bij het uitvoeren van zinvolle betrouwbaarheidsonderzoeken. De algemene definitie van betrouwbaarheid is de waarschijnlijkheid dat een apparaat, systeem of faciliteit gedurende een bepaalde periode onder specifieke bedrijfsomstandigheden storingsvrij zal werken. Daarom zijn nauwkeurige, historische storingsgegevens en de juiste analyse ervan van cruciaal belang voor elke betrouwbaarheidsanalyse.

Data-analyse biedt de mogelijkheid om enorme hoeveelheden gegevens te onderzoeken en nuttige informatie te extraheren die vervolgens een betere besluitvorming kan ondersteunen. Dit kan alleen als men redelijk vertrouwen heeft in de data, want slechte data kan leiden tot slechte beslissingen.

Voordelen van gegevensanalyse

Betrouwbaarheidsanalyse is een effectieve manier om management en ingenieurs te helpen bij het nemen van technische en financiële beslissingen. Data-analyse helpt onder meer bij het optimaliseren van projectontwerpen, het verlagen van kosten, het voorspellen van de levensduur van componenten, het onderzoeken van storingen, het evalueren van garantie-intervallen, het implementeren van effectieve inspectieperioden en het bepalen van key performance indicators (KPI's). Nauwkeurige gegevens zijn essentieel voor het uitvoeren van een uitgebreid betrouwbaarheidsonderzoek.

Gegevensfiltratie en -verzameling zijn belangrijke verantwoordelijkheden van elke betrouwbaarheidsingenieur. Gegevensverzameling is de methode voor het verzamelen en evalueren van informatie over variabelen die van belang zijn om een ​​systematisch model op te zetten om specifieke onderzoeksvragen te beantwoorden, hypothesen te evalueren en resultaten te schatten en te ondersteunen.

Het verzamelen van gegevens is dus de gemeenschappelijke fase voor al het onderzoek. Zorgen voor nauwkeurige en eerlijke gegevensverzameling is de gemeenschappelijke factor en hetzelfde doel voor deze onderzoeken.

Er zijn veel tools en technieken beschikbaar om gegevens te verwerken op manieren die deze nauwkeuriger en betrouwbaarder maken, zoals het elimineren van uitschieters die de algehele resultaten van betrouwbaarheidsanalyse kunnen vertekenen.

Robuuste gegevens tot stand brengen

In elke bedrijfsfaciliteit kunnen nauwkeurige en betrouwbare gegevens, waaronder onderhouds- en storingsregistraties van bedrijfsmiddelen, bedrijfsvensters, enz., de basis vormen voor betrouwbaarheidstechnische onderzoeken. Helaas beschikken niet alle bedrijven over de systemen, processen en cultuur die nodig zijn voor het verzamelen en beheren van gegevens.

Een vereiste voor het opzetten van een robuuste database is ervoor te zorgen dat alle zinvolle gegevenspunten worden verzameld en opgeslagen. Een database die slechts enkele belangrijke gegevens verzamelt, kan een onvolledig en misschien zelfs misleidend beeld geven van de huidige activiteiten en de toestand van activa.

Het gebruik van gevalideerde tools, die methoden zijn voor het verzamelen van de beoordeelde en betrouwbare gegevens, kan een nuttige praktijk zijn. Een groot bedrijf in Finland meldde bijvoorbeeld dat ongeveer een op de zes gesloten onderhoudsrapporten (17,2 procent) geen storingsmodus bevatte.

Ook werden in geen van de gesloten onderhoudsrapporten het aantal en het type reserveonderdelen vermeld. Deze observaties suggereren dat dit specifieke bedrijf een beperkte database heeft die slechts een beperkt perspectief biedt op apparatuurstoringen en onderhoudsgeschiedenis, waarbij essentiële informatie ontbreekt, zoals de locatie van storingen en hun impact.

Een extra vereiste voor effectieve data-analyse is het tijdig rapporteren van data. Onderhoudsafdelingen die hun bevindingen wekelijks of zelfs maandelijks rapporteren, lopen meer kans om kritieke gegevens en activiteiten te verliezen dan die organisaties die een dynamisch systeem inzetten dat gegevens continu consolideert.

Een andere best practice is ervoor te zorgen dat het gegevensverzamelings- en opslagsysteem definieert wat als hoogwaardige gegevensinstanties en -waarden wordt beschouwd, met zoveel mogelijk automatisering, om consistentie in rapportage en doorzoekbaarheid van databases te bevorderen. Een onderhoudsrapportagesysteem dat afhankelijk is van open tekstvelden, zet data-analyse in wezen om in een handmatig proces.

Hoewel open tekstvelden een plaats hebben in elke goed ontworpen database, moeten ze worden gebruikt om meer details en verduidelijking te geven.

In plaats daarvan moet het gegevensverzamelings- en opslagsysteem afzonderlijke cellen hebben voor elk zinvol gegevenspunt, waarbij zoveel mogelijk vervolgkeuzemenu's worden gebruikt om consistentie van beschrijving en rapportage te garanderen. Betrouwbaarheidsingenieurs kunnen alleen uitgebreide betrouwbaarheidsonderzoeken uitvoeren als de gegevens doorzoekbaar zijn en consistent worden beschreven in het hele systeem.

Het definiëren van de soorten rapporten en analyses die vereist zijn voor een database, bepaalt welke gegevensvelden moeten worden opgenomen. De eerste stap bij het verkrijgen van gegevens van hoge kwaliteit is dus het definiëren van de te beantwoorden vraag en ervoor zorgen dat de verzamelde gegevens geschikt zijn voor dat doel.

Voor betrouwbaarheidsstudies moeten databasesysteemvelden onderhoudsinformatie verzamelen over reserveonderdelen, storingsmodi, manuren, belangrijke inspectiebevindingen, beschadigde componenten en routineactiviteiten. Bovendien stelt het controleren van de consistentie van de rapportage in deze velden via uitgebreide vervolgkeuzemenu's softwaretoepassingen in staat om belangrijke functies uit te voeren, zoals het berekenen van de gemiddelde tijd tussen storingen (MTBF), beschikbaarheid en andere betrouwbaarheids-KPI's.

Gegevenskwaliteitsfactoren

Hulpmiddelen en technologie

Er is een groot aantal tools beschikbaar om te voldoen aan de doelstellingen voor gegevenskwaliteit, waaronder tools voor het verminderen van duplicatie, het integreren en migreren van gegevens tussen en tussen platforms en het uitvoeren van gegevensanalyses.

Met tools voor gegevensanalyse kan de gebruiker betekenis uit gegevens halen, zoals het combineren en categoriseren van gegevens om trends en patronen te onthullen. Veel technologieën zijn nu mobiel ingeschakeld. Deze technologieën kunnen menselijke en systeemfouten bij het verzamelen van gegevens tot een minimum beperken. De toepassing van deze nieuwe tools en technologieën kan de gegevenskwaliteit helpen verbeteren.

Mensen en processen

Elke werknemer op elk niveau van bedrijfsactiviteiten, van het onderhoudspersoneel tot de ingenieur en het management, moet een gemeenschappelijk begrip delen van de rol van gegevens in het bedrijf. Dit omvat welke gegevens worden verzameld, hoe vaak en voor welke doeleinden de gegevens zullen worden gebruikt. Naast training moeten er duidelijke processen worden opgezet om betrouwbare en consistente gegevensverzameling en -opslag te garanderen.

Organisatiecultuur

Managementondersteuning en bedrijfscultuur spelen een cruciale rol bij datakwaliteit. KPI's die aan het management worden gerapporteerd, moeten de gegevenskwaliteit bewaken. Als een organisatie een nieuw project of initiatief wil lanceren om de prestaties te verbeteren, het aantal kansen te vergroten of belangrijke problemen aan te pakken, moet ze vaak veranderingen doorvoeren, waaronder veranderingen in processen, functies, organisatiestructuren en -types, en het gebruik van technologie .

Procedures en werkprocessen moeten worden geactualiseerd en afgestemd op best practices. Continue verbetering zal de motor zijn voor succes. De kwaliteit en kwantiteit van de gegevens zullen de sleutel zijn voor deze driver. Door continue training kan het belang van de gegevens onder het personeel worden ontwikkeld, wat zal helpen om de organisatiecultuur te verbeteren.

Invloed van gegevens op betrouwbaarheid

Bekijk de volgende case study om het belang van gegevenskwaliteit te illustreren. Een faciliteit lanceerde een project om de olieproductie te verhogen door een nieuw gasoliescheidingspakket (GOSP) met ruwe stabilisatie-eenheden te installeren. De GOSP's zouden bestaan ​​uit scheidingsvallen, verwerkingsfaciliteiten voor natte ruwe olie, een water-olieafscheider, gascompressiefaciliteiten, een fakkelsysteem, overslag-/scheepspompen en stabilisatiefaciliteiten.

Er is een betrouwbaarheids-, beschikbaarheids- en onderhoudbaarheidsonderzoek (RAM) uitgevoerd om de productiebeschikbaarheid van de faciliteiten te voorspellen en te vergelijken met de beoogde beschikbaarheid. De studie zou ook worden gebruikt om gebieden te identificeren die de productiedoorvoer beperken, maatregelen aan te bevelen om de beschikbaarheid te bereiken die nodig is om de productiedoelstellingen te halen, de bedrijfs- en onderhoudsfilosofieën te bevestigen die zijn aangenomen om te voldoen aan de totale systeembeschikbaarheid, en corrigerende maatregelen of mogelijke ontwerpwijzigingen te definiëren .

De ruwe onderhoudsgegevens zijn samengevat in Tabel 1. Het is gebaseerd op interviews met onderhoudsploegen van bestaande operationele faciliteiten. De gegevens die voor het onderzoek werden verzameld, hadden op een aantal gebieden problemen, te beginnen met de onjuiste vergelijking van onderhoudsgegevens van oude activa om de operationele enveloppen voor de nieuwe faciliteit te bepalen.

Tabel 1 suggereert bijvoorbeeld dat elke 10 maanden een compressor 30 dagen buiten bedrijf zal zijn vanwege problemen met de mechanische afdichting. Deze schatting gaat ervan uit dat een compressor 10 procent van zijn levensduur onderhoud zal ondergaan vanwege problemen met de mechanische afdichting. Deze veronderstelling is onjuist aangezien de faciliteit nieuwe technologieën zal toepassen. Daarnaast zullen veel lessen uit oudere faciliteiten worden weerspiegeld in het nieuwe ontwerp.

Een andere onjuiste veronderstelling die uit de gegevens wordt gehaald, is de impact van corrosie. De ruwe gegevens lijken erop te wijzen dat de compressor om de vier jaar (48 maanden) 30 dagen in onderhoud wordt gehouden als gevolg van pitting in de schacht. Het gebruik van verbeterd materiaal in de compressoras zal dit soort problemen elimineren.

Tabel 1 geeft verder aan dat de gemiddelde reparatietijd (MTTR) als gevolg van trillingen 60 dagen is. Vergelijk deze aanname met de gemiddelde verwachte MTTR voor nieuwe compressoren van slechts vier dagen dankzij een verbeterd beheer van reserveonderdelen.

Zoals dit voorbeeld illustreert, zijn de aannames die zijn afgeleid uit gegevens die mogelijk nauwkeurig zijn voor verouderde faciliteiten met oude apparatuur, niet nauwkeurig wanneer ze worden toegepast op nieuwe faciliteiten die zijn ontworpen met verbeterde materialen en efficiëntere technologieën.

Tabel 1. Ruwe veldgegevens verzameld voor een onderzoek naar betrouwbaarheid, beschikbaarheid en onderhoudbaarheid

Tabel 2 geeft een samenvatting van dezelfde dataset gecorrigeerd door betrouwbaarheidsingenieurs. De technici hadden toegang tot dezelfde gegevens die aan de externe leverancier waren verstrekt en filterden de onbewerkte gegevens om alle onderhoudsproblemen te elimineren die automatisch konden worden gecorrigeerd door procesinstrumentatie. De gegevens zijn vervolgens gecategoriseerd op basis van onderhouds- en operationele beheerstrategieën om problemen te identificeren die verband houden met ontwerpfouten, zoals knelpunten, beperkte capaciteit en beschikbaarheid.

De gecorrigeerde gegevens kunnen worden toegepast op de nieuwe faciliteit en worden gebruikt om beslissingen te nemen voor ontwerpoptimalisatie. Zo laten de faalwijzen voor gascompressoren nu een MTBF van acht jaar door dry seals en een MTTR van drie dagen zien. Ook werden de corrosie-aannames voor ascompressoren geëlimineerd door verbeterde materialen in het nieuwe ontwerp van de faciliteit.

Tabel 2. Gefilterde gegevens verzameld voor het onderzoek naar betrouwbaarheid, beschikbaarheid en onderhoud

De beschikbaarheid en capaciteit voor beide ontwerpen zijn weergegeven in figuur 1. Dit illustreert het verschil in uitkomsten tussen de twee modellen op basis van de aangeleverde datasets en het verschil in de beschikbaarheid en capaciteitsresultaten. De oorspronkelijke gegevens schatten de beschikbaarheid van de nieuwe faciliteit op 77,34 procent vanwege een lange MTTR en korte MTBF, terwijl de gecorrigeerde dataset de algehele beschikbaarheid berekende op 99 procent, wat de werkelijke situatie weergeeft.

Bij hetzelfde project werd een soortgelijke oefening gedaan voor de andere apparatuur. Het projectmanagementteam (PMT) kreeg de opdracht om reserveapparatuur te elimineren vanwege de hoge beschikbaarheid. De resultaten werden gebruikt om de ontwerpconfiguratie te optimaliseren voor volledig systeemgebruik. Zoals deze casestudy illustreert, kan het gebruik van gecorrigeerde gegevens een enorme impact hebben op de kapitaal- en constructiekosten van nieuwe projecten door onnodige apparatuur te elimineren en de doorlooptijd van het project te versnellen en kosten te vermijden.

Figuur 1. Resultaten van het onderzoek naar betrouwbaarheid, beschikbaarheid en onderhoudbaarheid (RAM)

Figuur 2. De relatie tussen invoergegevens, ontwerp en simulatorresultaten

Betekenisvolle resultaten voor betrouwbaarheidssoftware of -simulator zijn afhankelijk van de kwaliteit van de invoergegevens en het ontwerp. Zoals het gezegde luidt:"garbage in, garbage out". Figuur 2 toont de relatie tussen ontwerp- en invoergegevens met de RAM-simulatieresultaten. Zodra het RAM-model is gebouwd op basis van invoergegevens, kan mogelijke optimalisatie worden geïntroduceerd. De gegevens zijn het belangrijkste element in het model en andere metingen van betrouwbaarheidsprestaties.

Hetzelfde geldt voor gerichte betrouwbaarheidsonderzoeken. Betrouwbaarheidsingenieurs besteden veel van hun tijd aan het analyseren van gegevens in operaties. Ingenieurs kunnen bijvoorbeeld een betrouwbaarheidsonderzoek uitvoeren naar specifieke items met slechte actoren, die worden gedefinieerd als een component, apparatuur of systeem met hoge onderhoudskosten en hoge uitvalpercentages.

De resultaten van deze beoordeling worden gebruikt om beperkte middelen te concentreren op items met een hoge impact, met het grootste voordeel voor veldoperaties in termen van onderhoudskosten en beschikbaarheid. Als ingenieurs niet-representatieve gegevens of niet genoeg gegevens hebben, zullen alle resultaten en aanbevelingen de echte problemen niet aanpakken.

Dit is een gemiste kans om waarde toe te voegen aan onderhoudsplanning, beheer van reserveonderdelen, onderhoudsbudgetten en technische uitdagingen. Kwaliteitsgegevens vereisen dus efficiënte gegevensverzamelingssystemen die duidelijk de soorten en kwantiteit van gegevens identificeren die nodig zijn ter ondersteuning van de beslissingen die de organisatie moet nemen.

3 belangrijke stappen om de gegevenskwaliteit te verbeteren

1. Implementeer het juiste databaseplatform

De oplossing die voor de organisatie is geselecteerd, mag geen onderhoudsmeldingen of werkorders sluiten totdat alle vereiste velden zijn ingevuld. Met andere woorden, het geselecteerde platform moet snelkoppelingen uitschakelen om de consistentie van de verzamelde gegevens te garanderen.

2. Integreer bestaande functies in een allesomvattende oplossing

Het platform moet alle betrouwbaarheidsfuncties in één oplossing opnemen om gegevens beter te integreren en het aantal systemen dat in een organisatie wordt geïmplementeerd, te verminderen. Als er bijvoorbeeld reserveonderdelen uit het magazijn zijn gehaald, moeten deze met een specifieke melding worden belast. Dit vereist een platform dat het beheer van reserveonderdelen assimileert met onderhoudsactiviteiten.

3. Implementeer een programma voor gegevenskwaliteitsborging

Kwaliteitsborgingsactiviteiten voor de geïmplementeerde oplossing moeten een periodieke audit van de gegevenskwaliteit in de hele organisatie omvatten. Het kwaliteitsborgingsteam zou bijvoorbeeld willekeurig 5 procent van de onderhoudsmeldingen en werkorders voor elke operationele faciliteit kunnen controleren om de kwaliteit van de verzamelde gegevens te evalueren. De resultaten van deze beoordeling kunnen vervolgens worden gebruikt om het gebruik van de oplossing verder te verbeteren en een effectieve database te garanderen.

Gegevens zijn de hoeksteen

Volledige gegevens over het onderhoud van activa en de reparatiegeschiedenis moeten correct worden verzameld, opgeslagen en geanalyseerd. Eerstelijnsmedewerkers, inclusief onderhoudsploegen en operationeel personeel die betrokken zijn bij het verzamelen van gegevens, moeten ook het belang van hun rol in gegevenskwaliteit begrijpen.

Onthoud dat gegevens in elk bedrijf de hoeksteen vormen voor besluitvorming en dat gegevenskwaliteit de kern vormt van alle betrouwbaarheidsonderzoeken. Als u over gegevens van hoge kwaliteit beschikt, kunt u deze met vertrouwen gebruiken voor effectieve belangenbehartiging, zinvol onderzoek, strategische planning en managementlevering.

Over de auteurs

Khalid A. Al-Jabr is een specialist op het gebied van betrouwbaarheidsengineering voor Saudi Aramco, die meer dan 18 jaar industriële ervaring heeft met een focus op betrouwbaarheid en uitdagingen van apparatuur. Hij is gepromoveerd, is een gecharterd ingenieur en is gecertificeerd als professional in engineering management en data-analyse.

Qadeer Ahmed werkt als raadgevend betrouwbaarheidsingenieur voor Saudi Aramco en heeft 18 jaar ervaring in betrouwbaarheidsengineering. Een gecharterd ingenieur, hij heeft een Ph.D. en is een Certified Maintenance &Reliability Professional (CMRP) en een Six Sigma Black Belt.

Dahham Al-Anazi is een leider op het gebied van betrouwbaarheidsengineering voor de adviesafdeling van Saudi Aramco. Hij heeft meer dan 25 jaar technische ervaring en is gepromoveerd in werktuigbouwkunde.