状态监测优化第二部分:不确定数据推理

简介

本文是讨论状态监视优化的系列文章的第2部分，旨在提供一个框架，用于基于历史检查数据和主题专业知识定量优化检查范围、技术和间隔，同时还在获得新信息时动态更新检查计划，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可以用来提高对资产损坏状态的信心，并确定什么时候需要额外的数据，什么时候检查几乎没有价值，或者什么时候需要纠正性维护。在本系列的第1部分中，题为“状态监测优化:超越传统CML优化，并发表在2021年9月/ 10月的《Inspectioneering Journal》上，假设检查范围和技术188游戏平台下载足以捕捉资产的真实损坏状态。

虽然上面的场景当然是理想的，但它通常不能代表在实践中遇到的真实情况。作为一个具体的例子，由于各种各样的原因(例如不可访问)，检查范围可能被限制在资产的总敏感区域的一小部分。一个射线检测例如，在管道弯头上进行的(RT)扫描通常只捕捉到潜在表面的一个角度，使检查专业人员无法获得关于退化的不完善信息。或者，即使检查确实覆盖了整个易受特定损坏机制影响的区域，所使用的检查技术也不能提供100%的发现概率。考虑使用磁粉检测来识别表面断裂裂纹的情况——即使裂纹存在，这种技术也可能只有90%的机会检测到裂纹，这使得检测专业人员的工作是考虑即使检测技术没有发现任何证据，也可能存在损伤。

从根本上说，该行业面临着在有限或可能错误的数据下做出有统计意义的推论的挑战。该行业可以通过使用贝叶斯统计分析来对抗这种情况，该分析将测量的检查数据与来自主题专业知识或历史经验的先前信息结合起来。本文将通过一系列实际示例概述这种数据分析方法，这些示例侧重于局部退化。首先，本文将在检查范围有限的管道电路上检查变薄的情况。其次，本文将考虑热交换器管局部点蚀的情况，检查数据有限，以及在进行检查时发现损坏的不完全概率。

检查范围有限的极值分析

理想情况下，人们希望对任何类型的损坏进行100%的检查，这种全面的检查通常要么成本高昂(例如，扫描整个大的表面区域)，要么不可能(例如，部分资产无法访问)。在这种情况下，人们面临着在有限的检查数据下对资产进行推断。在使用有限检查发现损坏的情况下，可以采取行动补救这种情况。但是，当没有检测到损害的证据时，有什么选择呢?人们可以假设资产上没有严重的损坏，但也必须考虑到由于检查范围的限制而没有发现重大损坏的可能性。最后，重要的是要量化地回答以下问题:根据已经收集到的数据，如何合理地估计资产的损坏状态?