简介
检查的目标是准确地评估资产的状况，并减少当前和未来可能因腐蚀而发生的损坏状态的不确定性。准确的状态评估提供了计算资产故障概率和确定未来检查要求所需的信息。目前的检查程序严重依赖于状态监测位置(cml)的检查数据;然而，许多设施难以正确放置CML数量，并难以根据资产的损坏率和风险优化CML检查活动。
传统的CML优化程序通常用于确定精确监测主动损伤机制所需的最小CML数量，并在资产失效前识别易感性。这些优化程序通常通过智能定义检查范围、技术和防止意外故障的间隔来消除cml。所期望的结果是识别检查程序的缺陷和有效地自信地评估风险所需的具体变更。
本文将状态监测优化描述为一种数据驱动的方法，通过这种方法，可以智能地确定检查范围、技术和间隔，并在获得新信息时动态更新，以最大限度地提高可靠性和投资回报率(ROI)。使用这种方法，通过检查收集的数据被用来提高对资产损坏状态的信心，并确定在哪些情况下需要额外的数据，检查几乎没有价值，或者纠正性维护是适当的行动。
状态监测优化
状态监测优化超越了传统的CML优化，后者通常在分析的广度上受到限制，或者可能过度强调总体目标的一个子集。例如，设施可能只关注cml的消除，简单地选择有效的检查技术，或者只是在指定的不确定级别内量化资产的损坏状态。CML优化不仅在整个行业的定义和应用不一致，而且大多数工作也没有考虑整个机械完整性(MI)和基于风险的检查(RBI)项目的重大变化的后果，也没有考虑它们对整体设施可靠性性能的影响。
本文是有关状态监测优化的两部分系列文章的第一部分。在本文中，我们将:
- 回顾用于确定单个cml使用寿命结束的概率模型
- 提供执行状态监测优化的潜在方法的描述
- 用一个真实的案例研究来证明该方法的有效性
在我们的第二篇文章中，我们将探索其他复杂的场景，包括有限的检查历史、不充分的CML放置和选择不良的检查技术。
意见及讨论
目前还没有评论。
添加评论
请188app金宝搏网页登录 或注册参与评论和讨论。