通过基于风险的检查(RBI),随着时间的推移,我们不仅积累了更多的数据,而且收集了更好的数据。改进后的数据可以帮助我们更好地预测故障,根据时间和覆盖范围计划检查,并确定何时检查不一定是缓解的正确解决方案。
然而,尽管可以获得更高质量的数据,但对于设施是否应该使用纯数据驱动的方法,还是仅仅依靠主题专业知识来预测设备性能,整个行业都存在许多争论。由于数据质量差或不可用,一些主题专家(SME)仍然难以依赖他们的印度储备银行项目的数据。同样,数据分析师可能会担心中小企业的近因偏见,因为他们往往更看重近期的观察结果。例如,最近发生故障的泵可能会被过于保守地判断,而剩余寿命较长的管道可能会被完全忽略。
为使各机构真正从储备银行项目中获得最大收益,应利用数据和主题专业知识的混合方法。我们通过创建机械完整性(MI)和寿命变异性曲线(LVC)的数据科学的混合方法来实现这一目标,以产生更多的定量能力,并提高减薄的失效概率(POF)计算。
什么是寿命变化曲线(LVC)?
LVC是一种概率模型,它提供了一种更精确的方法来预测资产的POF随时间的变化。LVC用于对数据行为建模,并通过识别和量化趋势、数据状态的变化以及关键数据特征和输入的不确定性来动态调整故障预测。
给出了LVC的一个例子图1.从视觉上看,你在LVC上看到的是一个双图表。在上面,你可以看到厚度数据随时间的变化趋势,下面是POF。每个蓝色的节点表示来自历史检查的单个厚度测量,提供了一个潜在的厚度值范围,以解释实际测量本身的不确定性。主题期望被考虑,阴影区域被开发。当进行额外的厚度测量时,不确定度开始降低,阴影区域的范围开始缩小。临界厚度值是我们预计可能发生故障的地方。这与下面的POF图表相关联,这就是我们如何制作POF配置文件的方法。
![图1:壁厚的单个状态监测位置(CML)的寿命变化曲线(LVC)示例](http://m.bdglory.com/media/image/blog/2022/getting-more-from-your-rbi-program-through-lifetime-variability-curves/LVC%20Example.png)
LVC使用定量数据,如状态监测结果和其他关键可靠性数据,来预测未来的性能和退化,同时量化所述数据行为的不确定性。这使LVC能够根据特定于资产的数据计算每个单独资产、组件和故障模式的故障概率。最终,这将对何时可能发生故障以及何时应该采取行动以最好地缓解潜在问题给出更细致的估计。
LVC的应用是什么?
LVC模型结合了第一原理工程和数据科学,为所有资产类型创建POF和风险预测模型。LVCs不依赖于保守的假设,可以应用于各种资产类型和故障模式,包括固定设备变薄、旋转资产的过度振动、热交换器的功能性能以及炉管的蠕变损伤。只要新信息可用,LVC就可以近乎实时地对每个资产的POF、风险和可用性进行一致的动态计算。
利用风险投资公司的好处是什么?
LVC可以帮助您更好地量化POF和预期故障时间框架,从而通过以下方式优化您的检查和维护活动:
- 利用基于新设备数据而不是静态POF计算不断改进的POF曲线。
- 提供您在正确的时间收集正确数据的知识,帮助您合理支出并优化相对于计划停机时间的维护活动。
- 避免在某些领域数据收集过多,而在其他领域数据收集不足。
观看完整的网络研讨会从RBI计划中获得更多的四种方法.有关其他应用程序示例,请观看此网络研讨会CML优先级利用vc.
有关寿命变异性曲线(LVC)的更多信息,请访问https://pinnaclereliability.com/learn/topics/what-is-a-lifetime-variability-curve-lvc/
意见及讨论
添加评论
请188app金宝搏网页登录 或注册参与评论和讨论。