改进故障计算的概率并使其更准确

工业运营商希望确保他们的设备尽可能高效地运行。虽然维护是必要的，系统故障是可能的，但实施基于风险的检查(RBI)程序可以帮助降低设备在给定时间发生故障的可能性。通过收集关键数据，RBI可用于识别、量化和管理风险，也可用于确定与检查相关的活动的优先级。通过遵循一些关键的建议，可以改进故障概率(POF)计算，使其更加准确。更精确的POF计算可以更好地量化风险，更有效的风险管理，以及更好地将有限的资源分配到最有价值的地方。

虽然许多组织已经实施了印度储备银行战略，但数据的好坏取决于其评估结果。这些数据可用于创建一种称为终身变异性曲线(LVCs)的概率评估，它将主题期望经验和指导与数据混合在一起。

LVCs是通过应用数据科学原理预测资产故障的动态模型。就像飓风追踪器一样，随着收集的数据点越来越多，模型就会定量地更新并提供统计分布，随着输入的数据越来越多，统计分布就会变得越来越准确。然后可以测量该统计分布，以了解不确定性水平、POF，并最终了解任何组件或资产的风险。此外，lvc还可用于了解资产的使用寿命可能结束的时间。

薄化风险评估

下面的例子图1，演示了LVCs如何类似于飓风图，因为它们的不确定性带可以呈现类似于飓风预测锥，并随着数据的涌入而变化。

左边的LVC说明了主题专家(SME)定义的资产退化率和初始厚度。随着收集更多的数据并更新模型，如中间所示，新模型会增加预期寿命和更高的不确定性。随着收集的数据越来越多，并在第三个LVC中建模，我们看到趋势转变与SME的预期一致，导致资产的预期寿命结束和资产的POF更加确定。LVCs继续调整并提供对POF概况的更好理解，这些信息可用于检查计划和管理风险的总体建议。

API 581和LVC

从API 581细化模型和LVC方法来看，它们都具有可比性，但是LVC方法具有更高的精度和准确性。API在设计上倾向于保守，可以在设备生命周期的早期倾斜POF，以提示检查。使用这两种方法，随着检查的进行，对设备的信心会更高，但随着时间的推移，这种信心会下降。

在图2时，API的POF增长早于LVC曲线。因为API曲线更保守，它向左平移了。在进行检查后，风险趋于平稳，但在一段时间不进行检查后，风险又开始增加。

当存在与初始预期相匹配的可靠数据时，LVC将迅速收紧，这意味着当预期失败时，在更小的时间范围内有较高的置信度。在这些情况下，检查增加的价值较小，有机会与其他部门合作，考虑执行有针对性的维护活动。

在存在高度不确定性的情况下，LVC将扩大，并优先考虑检查，以更好地了解退化及其可变性，更好地为维护活动或替代风险缓解策略提供信息。

在图3， API曲线表明POF早于LVC。为了改变概率增加的轨迹，必须根据检查结果调整腐蚀速率或厚度。在这种情况下，检测表明腐蚀速率比最初预计的要高，LVC修正了不确定性区间，从而更快地提高了失效概率。在这种情况下，API预测比在图2．

建议和好处

LVC等方法可以帮助提高API 581 POF计算的细化。这种方法已被证明可以提高准确性和精密度，并具有处理目前手动处理的一次性案例的灵活性。然而，我们的目的并不是用数据科学贬低中小企业。中小企业应该提供数据分析的背景，识别有用的数据，支持识别根本原因，并制定解决问题的最佳解决方案。

底线是一旦在RBI中进行了投资，重要的是尽可能地利用检查数据从该计划中提取尽可能多的价值。重要的是量化检验数据的不确定性，而不是做出各种不符合实际的假设。数据和分析需要尽可能地与现场实际情况相匹配，这样才能做出最佳的管理决策。

为了更彻底地了解最大化RBI程序，以及如何将现有RBI程序提升到下一个水平的逐步建议，请查看网络研讨会，从基于风险的检查计划中获得更多的4种方法．