Voorspellende Analyse: Waarde Ontgrendelen Buiten Onderhoud Om

Haalt u echte voordelen uit uw voorspellende analyseprogramma? De meeste voorspellende analyseprogramma's zijn vervangers voor trilling-gebaseerde voorspellende onderhoudsprogramma's gericht op de enkele missie van falenpreventie. Sinds de introductie van microprocessor-gebaseerde datacollectors in 1980, hebben minder dan drie procent (3%) van deze programma's resulteerd in verifieerbare besparingen die hun terugkerende kosten compenseren.

Over het algemeen hebben deze programma's een reductie in ongeplande downtime aangehaald, maar in alle gevallen de geplande downtime verhoogd die nodig was om de waargenomen nadende storingen te voorkomen. De meeste van deze programma's hebben de totale onderhoudsdowntime verhoogd, evenals de totale onderhoudsarbeids- en materialenkosten. Hoewel de schijn van voordelen aanwezig kan zijn, hebben deze programma's zich als counterproductief bewezen. Niet vanwege technologische beperkingen, maar door onjuist gebruik van deze technologieën.

Drie grote factoren hebben en beperken de voordelen die voorspellende analyse kan bieden, namelijk:

• Focussen op falenpreventie voorafgaand aan het feit dat het geen positieve resultaten zal genereren - Als dat is wat u wilt, is dat het beste wat u kunt hopen te bereiken, en falenpreventie doet niets om betrouwbaarheid te verbeteren of kosten te verlagen.
• Voorspellende analyse beperken tot onderhoud en onderhoudstekortkomingen - Data toont dat 17% van asset storingen het resultaat is van onderhoudskwesties, de meerderheid (83%) resulteert uit andere tekortkomingen binnen de organisatie. Het uitbreiden van het bereik om causale factoren, zoals bedrijfsmodus, in de analyses op te nemen, zal niet alleen helpen de dwingende functies achter storingen te begrijpen, maar ook tekortkomingen identificeren die betrouwbaarheid degraderen en operationele kosten verhogen.
• Waarde-stroom assets weglaten uit het programma - Geconditioneerd door technologieleveranciers, omvatten trillingprogramma's eenvoudige draaiende assets, thermografie voor elektrische apparatuur en smerolieanalyse als backup voor trilling. De blinkende afwezigheid is de assets die omzet genereren - assets die niet eenvoudig zijn, misschien niet dynamisch, maar zonder hen het bedrijf niet kan overleven.

Voorspellende analyse is niet alleen onderhoud, het is ook geen bloot vervanger voor voorspellend onderhoud. Het heeft geen beperkingen. Voorspellende analyse is toepasbaar op elke terugkerende activiteit — of het nu een fysiek asset, een productiesysteem, of de financiële afdeling in uw organisatie is. In dit artikel beperken we de discussie tot fysieke assets en hoe voorspellende analyse, gebaseerd op de operationele dynamiek, de capaciteit kan mogelijk maken om optimale prestaties van uw assets te verkrijgen en te behouden.

Als u optimale prestaties, betrouwbaarheid en economische bruikbare levensduur van uw assets wilt verkrijgen, sluit u zich aan bij ons voor deze verhelderende benadering van echte voorspellende analyse die werkt. In plaats van een enkelvoudige focus op falenpreventie, zal een focus op het behouden van de waardestroom en kritieke hulpassets op hun ontwerp- of optimale bedrijfsconditie niet alleen storingen verminderen, maar tegelijkertijd hun economische bruikbare levensduur verlengen en de totale eigendomskosten van de organisatie verlagen. Dit is de enige effectieve manier om optimale rendement op geïnvesteerd kapitaal te behalen, evenals omzetgeneratie.

Inleiding

Een gemeenschappelijke factor die de falen van deze legacy programma's drijft, is hun fixatie op de falenmodes van kapitaalassets, in plaats van de causale factoren erachter. Een simpel voorbeeld is het identificeren van een slechte lager en een correctieve actie om de lager te vervangen. Maar zonder de voor de hand liggende vraag te stellen wat de lager heeft laten falen, is een zelfvervullende voorspelling, een die bestemd is te falen.

Zelfs als fysieke storingen de primaire reden waren die downtime en hoge onderhoudskosten dreef, kan deze benadering het probleem simpelweg niet oplossen. Totdat uw focus ligt op de onderliggende causale factoren die betrouwbaarheid, economische bruikbare levensduur verminderen, en daarmee operationele kosten en onderhoudskapitaaluitgaven verhogen, dempt u het voorspellende analyseprogramma tot complete mislukking.

Een voorbeeld van een falen-gebaseerde benadering was een grote, geïntegreerde staalmolen die een contract voorspellend-onderhoudsprogramma implementeerde voor de molen. Voordat het programma begon, plagten ongeplande downtime en hoge onderhoudskosten de molen. Na zes jaar in het programma rapporteerden ze ongeplande downtime verminderd met 35%.

Een succesvol resultaat, toch? Niet als u kijkt naar de echte verandering over die zes jaar. Het is waar, hun ongeplande downtime was lager, maar hun geplande downtime — om de waargenomen slechte lagers, tandwielen en andere slijtageonderdelen te vervangen — steeg met 65%.

De andere opvallende verandering was in hun jaar-op-jaar onderhoudskosten. Totale arbeids- en materialenkosten stegen met meer dan 80%. Kosten voor vervangingslagers stegen van $2,4 miljoen naar $14,7 miljoen, tandwielen en andere slijtageonderdelen volgden vergelijkbare patronen.

Storingen zijn niet de norm. Assets ontworpen om betrouwbaar te zijn, consistent geopereerd binnen ontwerplimieten en ontvangende adequate onderhoud, zullen betrouwbaar blijven ver boven hun ontwerplevensduur. Het probleem met falen-gedreven voorspellende analyse is het niet erkennen dat hoe we assets bedienen en onderhouden een zelfvervullende voorspelling kan worden. We creëren versnelde slijtage, induceren abnormale bedrijfsomstandigheden die slijtage versnellen, en stellen dan onderhoud uit dat de schade tenminste zou kunnen mitigeren.

De Oplossing

Het oplossen van de voorspellende analyse beperkingen is niet zo moeilijk, tenminste niet vanuit een technisch oogpunt. Klassieke voorspellende technologieën zijn geen beperking. Wanneer effectief gebruikt, zullen ze de middelen bieden om positieve resultaten te bereiken.

De staalmolen is een goed voorbeeld. Toen hun programma verschoven van falen-gedreven naar echte voorspellende analyse, was de verandering bijna direct. In minder dan een jaar daalde de onderhoudsmaterialenkosten tot minder dan $2 miljoen.

De lager als voorbeeld gebruikt, focuste het nieuwe programma op de causale factoren achter de gerapporteerde lagerstoringen en implementeerde correctieve acties om ze te elimineren. Eliminatie van de causale factor elimineerde direct de chronische vroege storing die de kosten omhoog dreven en de vervangingskosten dalden.

In het tweede jaar daalde de kosten voor lagers en andere slijtageonderdelen nog verder. Een 60% reductie in onderhoudskosten leidde de molen om consistent te produceren met een snelheid 30% hoger dan voor de focusverandering.

Succes van uw voorspellende analyseprogramma moet rekening houden met de operationele dynamiek van de assets, systemen en processen die de plant vormen. Het moet rekening houden met de inherente ontwerplimieten, bedrijfsmodi en niveau van onderhoud dat hun dynamiek definieert.

Een ander voorbeeld van het verschil tussen falen-gedreven vs. echte voorspellende analyse betreft zevenhonderd slurrijpompen in een raffinaderij. De raffinaderij had een goed gevestigd voorspellend onderhoudsprogramma met draagbare datacollectors. Technici liepen dagelijks hun routes en het systeem rapporteerde wanneer elk van deze pompen onderhoud vereiste om nadende storing te voorkomen.

Over tijd groeide de kosten verbonden aan pomp herbouw tot meer dan $10 miljoen per jaar. Op papier werkte het programma en was er weinig gerapporteerde downtime veroorzaakt door pompstoringen.

Toen het echte operationele dynamiek voorspellende analyseprogramma het voorspellende onderhoudsprogramma verving, veranderde het resultaat dramatisch. Omdat het nieuwe programma naar causale factoren keek in plaats van te stoppen bij falenmodes, werd duidelijk dat de reden dat 11% van de pompen jaarlijks grote reparaties vereiste, hun bedrijfsmodus was.

Op afstand bediende afvoerkleppen controleerden elke pomp. De analyse herkende dat het bereik van de controle de pompen dwong om ver buiten de best practice aanbevelingen te opereren. De resulterende instabiliteit veroorzaakte versnelde slijtage en ernstige schade aan de draaiende samenstelling en behuizing.

Om het probleem te corrigeren, veranderde de klant de bedrijfsparameters om het controlebereik te beperken tot +/- 10% van BEP, wat leidde tot een daling van de jaarlijkse reparatiekosten tot minder dan $1 miljoen. Een ander voordeel van voorspellende analyse was dat het de impact van het oude controlebereik op stroomverbruik herkende.

In plaats van de 160 pk bij BEP, trokken de pompen gemiddeld bijna 300 pk. Het verschil in jaarlijks stroomverbruik was meer dan $7 miljoen. In deze ene toepassing verlaagde voorspellende analyse de jaar-op-jaar kosten met meer dan $16 miljoen USD.

Hoe Het Werkt

Voorspellende analyse toepassen op asset management is niet zo gecompliceerd; u moet alleen logisch nadenken en duidelijk de betrouwbaarheids- en duurzaamheidseisen van de assets in uw organisatie bepalen.

De volgende stappen definiëren het proces:

Bepaal Elke Asset's Inherent Betrouwbaarheid

Betrouwbaarheid wordt bepaald door ontwerp. Alle activiteiten na ontwerp moeten die inherent betrouwbaarheid behouden om optimale rendement op investering te behalen. Deze eerste cruciale stap bepaalt niet alleen de inherente zwaktes van elk asset of systeem, maar ook de bedrijfsmodus en het onderhoud dat nodig is om inherent betrouwbaarheid te behouden en optimale economische bruikbare levensduur van elk asset te bereiken.

Fysica van Falen

Definieer duidelijk alle falenmodes en hun causale factoren voor elk asset of systeem. Dit moet meer zijn dan een eenvoudige FMEA of lijsten van waargenomen storingen. Het moet rekening houden met alle afwijkingen van best practices, zoals de impact van verschillende bedrijfsmodi — productie en onderhoud. Onthoud, slechts 17% van asset storingen resulteren uit onjuist onderhoud; de overige 83% zijn het resultaat van tekortkomingen binnen operaties.

Storingen begrijpen is belangrijk, maar de causale factoren of dwingende functies begrijpen die leiden tot die storing is cruciaal. Als u de falenmode kent, kunt u deze misschien anticiperen en snel herstellen — maar dat doet niets om betrouwbaarheid te verbeteren of herhaling te voorkomen. Causale factoren bieden de kennis die vereist is om de initiële en alle herhalingen van een storing te voorkomen.

Welke Parameters Identificeren Falenmodes en Causale Factoren

Zodra u een diepgaand begrip heeft van inherent betrouwbaarheid, falenmodes en hun causale factoren, is de volgende stap het bepalen van specifieke parameters, zoals trilling of warmteverdeling, nodig als input voor een voorspellende analyse engine. Voorspellende analyse, zoals elke andere vorm van diagnostiek, is afhankelijk van de kwaliteit en volledigheid van de inputdata.

Bijvoorbeeld, invoer van hoog-resolutie breedband en discrete smalle banden van trillingsdata is voldoende voor effectieve analyse van de mechanische toestand van een pomp, maar misschien niet genoeg om de causale factoren te bepalen die vroege detectie en correctie van afwijkingen kunnen bieden die, onbekend gelaten, kunnen leiden tot een storing. In de meeste gevallen zullen deze parameters een combinatie zijn van procesdata geëxtraheerd uit bestaande monitoring- en controlsystemen en direct gemeten data die integraal is voor de voorspellende analyse engine. Op dynamische assets en systemen omvat het laatste het gebruik van slimme sensoren die edge analytics, machine learning en kunstmatige intelligentie incorporeren, strategisch geplaatst op het asset, proces of systeem.

Anomalie Detectie Model

De kennis die tot nu toe in deze discussie is verkregen combineren, is de laatste stap in effectieve voorspellende analyse het ontwikkelen van een operationele dynamiek of fysica-gebaseerd model dat continue data van elk asset, systeem of proces kan opnemen, en ook automatisch alle variabelen analyseert, alle afwijkingen van het normale identificeert, causale factoren achter elke afwijking identificeert, en voorschrijvende instructies voor correctieve acties genereert. Het ODA model is duidelijk de sleutel tot effectieve voorspellende analyse. Elke ervaren betrouwbaarheidsingenieur zou in staat moeten zijn een specifiek asset op een punt in zijn levenscyclus te evalueren en hetzelfde te doen.

Het verschil is dat er niet genoeg gekwalificeerde betrouwbaarheidsingenieurs of uren in de dag zijn om continu alle assets te analyseren. Voorspellende analyse engines worden niet moe, verveeld of afgeleid.

Concluderend, de echte effectiviteit van voorspellende analyseprogramma's ligt niet in hun bloot bestaan maar in hun strategische implementatie. De prevalente focus op falenpreventie, hoewel welgemeend, komt vaak tekort door de onvermogen om onderliggende causale factoren aan te pakken. Een holistische benadering die asset dynamiek en operationele complexiteit omvat, levert concrete voordelen op, zoals bewijst de succesvolle overgang van falen-gedreven naar echte voorspellende analyse paradigma's.

Door het kritieke belang van het behouden van de waardestroom en hulpassets te erkennen, kunnen organisaties niet alleen storingen mitigeren maar ook prestaties optimaliseren en totale eigendomskosten verlagen. Voorspellende analyse omarmen als een tool voor het verbeteren van betrouwbaarheid, verlengen van economische bruikbare levensduur en minimaliseren van operationele kosten betekent een paradigma shift naar proactieve asset management strategieën, wat optimale rendementen op geïnvesteerd kapitaal en duurzame omzetgeneratie waarborgt.