Độ tin cậy xảy ra trong lĩnh vực này, nhưng các site sản xuất sẽ không nhận ra lợi ích rộng rãi nếu không có một tập hợp các mục tiêu và ưu tiên chặt chẽ. Đôi khi phải mất một đại diện site dành một chút thời gian phía sau một máy tính để khiến mọi người đi đúng hướng. Chúng tôi khuyên bạn nên tiến hành phân tích độ tin cậy về dữ liệu chi phí lịch sử trong nhiều thập kỷ. Điều này có thể được tìm thấy trong hầu hết các hệ thống quản lý bảo trì trên máy tính (CMMS) và là một cách tuyệt vời để đưa tổ chức của bạn đi đúng hướng đến độ tin cậy.
Giới thiệu
Trong bài viết này, chúng tôi sử dụng một ví dụ nghiên cứu trường hợp để thảo luận về lợi ích của phân tích độ tin cậy chi tiết, thường xuyên. Chúng tôi xem xét quá trình, phương pháp và kết quả của nghiên cứu để minh họa lợi ích của phân tích. Trong nghiên cứu trường hợp này, một phân tích thường xuyên đã được hoàn thành từ xa bởi một nhóm nhỏ và giàu kinh nghiệm của các chuyên gia độ tin cậy trong bốn tuần dương lịch. Một số thông số chính cho site bao gồm:
- tổng chi phí bảo trì ~ 120 triệu đô la mỗi năm
- số lượng tài sản ~ 100.000
- số lượng đơn đặt hàng làm việc hàng năm (WO) ~ 50.000
- chi tiêu khắc phục (ngoài kế hoạch) ~ 80%.
Chi phí và số lượng lệnh làm việc, cũng như điều chỉnh so với chi phí chủ động và số lượng tài sản, dễ dàng được xác định bằng cách sử dụng mã giao dịch CMMS tiêu chuẩn (mã t). Hầu hết các site có dữ liệu để hỗ trợ loại phân tích này.
Từ báo cáo đầu tiên, chúng tôi có thể xác định một số KPI được sử dụng để đánh giá trên các đơn vị và site , bao gồm Chỉ số chi phí bảo trì (MCI) và Chi phí bảo trì khắc phục (CM).
Mặc dù mức độ phân tích này không đòi hỏi dữ liệu đáng kể, nhưng nó cũng không cung cấp giá trị đáng kể. Để đi sâu hơn vào nơi chi phí đã đi trong lịch sử, đặc biệt là chi phí ngoài kế hoạch, chúng ta cần liên kết dữ liệu WO với các vị trí chức năng (FLOCs) và dữ liệu tổng thể trong CMMS như một cách để cuối cùng ảnh hưởng đến độ tin cậy của site trong tương lai.
Đối với nhiều site , điều này đã được lưu trữ trong CMMS. Đối với những người khác, điều này sẽ đòi hỏi một bài tập thủ công – lập bản đồ FLOC vào các danh mục thiết bị dựa trên một trong nhiều trường dữ liệu trong CMMS. Các danh mục tiêu chuẩn đủ dễ xác định và hầu hết các thiết bị có thể được đề cập chỉ trong một số danh mục phổ biến. Trong ví dụ của chúng tôi, hầu hết trong số 100.000 tài sản có thể được phân loại trong vòng chưa đầy bốn giờ.
Bạn có thể thích
Kết quả của một bài tập như vậy cho phép chúng ta thấy chính xác hơn nơi chi phí lịch sử đã được phân bổ. Trong nghiên cứu trường hợp của chúng tôi, chúng tôi thấy rằng phần lớn chi phí khắc phục đã được đặt cho chỉ một vài loại thiết bị (tức là máy bơm). Quan điểm này về dữ liệu WO bắt đầu khai sáng cho chúng ta về nơi chi phí khắc phục của chúng ta đã được chi tiêu tại chỗ.
Tuy nhiên, vì tất cả các FLOC có sẵn đã được ánh xạ vào các loại thiết bị, điều này có thể được mở rộng hơn nữa để xác định các tác nhân xấu hàng đầu bằng cách chi tiêu bảo trì. Dựa trên những phát hiện từ Hình 1 và 2, sau đó người ta có thể ưu tiên các nỗ lực cải thiện độ tin cậy ở cấp độ site đối với việc bảo trì chủ động trên máy bơm.
Trong khi giá trị gia tăng, điều này vẫn chỉ tập trung vào chi phí lịch sử của thiết bị. Vì vậy, làm thế nào chúng ta có thể mở rộng phân tích để tăng cường những gì chỉ có một hệ thống có thể cho chúng ta biết?
Phân tích nâng cao để chứng minh cho các sáng kiến độ tin cậy
Một phân tích độ tin cậy rất nhanh chóng bắt đầu thêm thông tin chi tiết bổ sung khi các hệ thống bị ngắt kết nối trước đó có thể tương quan. Bằng cách ưu tiên các lĩnh vực tập trung, một kỹ sư có thể đi sâu vào các chi tiết cụ thể về thiết bị để thu hẹp các sáng kiến độ tin cậy. Sử dụng dữ liệu CMMS, chúng tôi bao gồm hai kỹ thuật phân tích độ tin cậy tiên tiến khác nhau và những lợi ích mà chúng cung cấp cho độ tin cậy quản lý tài sản.
Nhận dạng chế độ thất bại từ Dữ liệu WO CMMS. Bản đồ danh mục thiết bị và nhận dạng diễn viên xấu được thảo luận ở trên cung cấp xu hướng tổng quan cao và KPI trên toàn site . Chọn một tài sản, bởi FLOC, để kiểm tra chi tiết hơn thường sẽ tạo điều kiện cho việc xác định các chế độ thất bại như một cách để nhắm mục tiêu bảo trì chi tiêu hiệu quả thông qua các sáng kiến độ tin cậy. Từ cùng một nghiên cứu trường hợp được giới thiệu trước đó, một hệ thống ba máy bơm đã được chọn làm ứng cử viên để phân tích thêm như một tác nhân xấu. Sau đây được xác định từ dữ liệu WO từ CMMS cho hệ thống ba máy bơm:
- Bảo trì tổng cộng ~ $ 400,000 trên ba máy bơm trong khoảng năm năm
- 120 máy ATM hàng tháng để thay thế / làm sạch bộ lọc không khí động cơ
- Ba lỗi động cơ với MTBR khoảng 22 tháng
- CM chi tiêu cho mỗi sự kiện khoảng 75.000 đô la.
Đối với hệ thống này, một đánh giá chuyên sâu về tất cả các mô tả lỗi WO cho thấy động cơ bơm đã bị hỏng do sai lệch rotor. Khi liên kết điều này với thay thế vòng bi động cơ và chỉ số nhiệt độ cao trong các WOs CM còn lại, một kỹ sư độ tin cậy có thể suy ra rằng lỗi động cơ lặp đi lặp lại là do thiếu xác minh trung tâm từ tính trong quá trình cài đặt. Với thông tin này, site sau đó có thể đánh giá việc thực hiện các quy trình bảo trì chính xác trong quá trình thay thế như là phương pháp tăng MTBF thấp của hệ thống.
Ngoài ra, dựa trên dữ liệu WO, các tác vụ chủ động hiện có để thay thế các bộ lọc không khí trong CMMS không nhắm mục tiêu đầy đủ tất cả các chế độ thất bại hiện hành. Các chế độ thất bại khác có thể được nhắm mục tiêu để theo dõi tình trạng và các PC hiện có có thể được cập nhật để xác định chính xác hơn các điều kiện lỗi động cơ đang chờ xử lý (tức là rung động cao do trung tâm từ tính động cơ không phù hợp). Những phát hiện trên một thiết bị lặn sâu cụ thể, chẳng hạn như hệ thống bơm này, thường cung cấp và biện minh cho những cải tiến độ tin cậy cho các tài sản tương tự trên site . Các thực hành chính xác được thực hiện ở đây sẽ giúp mở rộng MTBF của bất kỳ động cơ điện mới được cài đặt tại chỗ.
Chi phí vòng đời để biện minh cho các sáng kiến độ tin cậy. Rào cản đối với hầu hết các sáng kiến độ tin cậy đến thông qua biện minh chi phí. Trong phần trước, thêm bảo trì chính xác, đạn rung và vòng bôi trơn có thêm chi phí bảo trì cho tổ chức. Một công cụ mạnh mẽ có thể được kết hợp như một phần của phân tích độ tin cậy là xây dựng chi phí vòng đời (LCC) xung quanh một tài sản sử dụng dữ liệu WO từ CMMS. Đối với cùng một hệ thống bơm từ phần trước, một LCC được mô hình hóa bằng cách sử dụng các sáng kiến thực hiện độ tin cậy khác nhau, nhắm mục tiêu các chế độ thất bại được thảo luận, để chọn các chiến lược bảo trì hiệu quả nhất về chi phí.
Như được thể hiện trong Hình 3, chi phí tích lũy của việc sở hữu và duy trì hệ thống bơm đã tăng lên kể từ ngày lắp đặt tài sản và nó sẽ tiếp tục phát triển thành vùng màu vàng của biểu đồ. Cuối cùng, mục tiêu của LCC là phát triển các sáng kiến bảo trì hiệu quả nhất về chi phí trong suốt vòng đời của tài sản. Với những gì được biết đến từ dữ liệu CMMS WO, một kỹ sư có thể mô hình hóa các kịch bản độ tin cậy khác nhau và đề xuất chiến lược hiệu quả nhất về chi phí để quản lý site :
Kịch bản 1 – LCC của hệ thống bơm như hiện tại (nhiệm vụ hàng tháng để thay thế bộ lọc không khí
- Khoảng thời gian tác vụ, hàng tháng (từ CMMS)
- Chi phí nhiệm vụ $ 200 (từ CMMS)
- Hiệu quả nhiệm vụ, 5%
Kịch bản 2 – LCC của hệ thống bơm với đạn rung / bôi trơn (PdM)
- Khoảng thời gian tác vụ, hàng tháng
- Chi phí nhiệm vụ, 1.000 USD
- Hiệu quả nhiệm vụ, 35%
Kịch bản 3 – LCC của hệ thống bơm với triển khai bảo trì chính xác và đạn rung / bôi trơn (PdM)
- Khoảng thời gian tác vụ, 5 năm / hàng tháng
- Chi phí nhiệm vụ, thực hiện vào các thủ tục / $ 1,000
- Hiệu quả nhiệm vụ, 80%
Kịch bản 1 được mô hình hóa bằng cách áp dụng và vẽ dữ liệu CMMS WO hiện có chống lại phân bố Weibull phù hợp nhất, ở đây là mô hình thất bại tử vong ở trẻ sơ sinh như được thể hiện trong Hình 4 với quỹ đạo gần của các đường màu xanh lá cây và đỏ chấm / vàng. Biểu đồ cho thấy LCC của tài sản, với các nhiệm vụ chủ động hiện có như hiện tại, dự kiến chi phí vào tương lai qua điểm dữ liệu WO có sẵn. Rõ ràng là nhiệm vụ chủ động hiện tại không hiệu quả trong việc giải quyết nguyên nhân gốc rễ của sự thất bại.
Kịch bản 1 là kịch bản thực sự được quan sát trong nghiên cứu trường hợp dựa trên dữ liệu WO, trong trường hợp đó một kỹ sư có liên quan sau đó nên gắn cờ này và đề xuất kịch bản thứ hai để cải thiện độ tin cậy của hệ thống. Đối với Kịch bản 2, kỹ sư đề xuất thực hiện các vòng rung và bôi trơn hàng tháng của động cơ. Nhiệm vụ này không thay đổi mô hình thất bại được quan sát, giả định cài đặt động cơ không đúng như đã thấy trên dữ liệu WO, nhưng nó hiệu quả hơn trong việc dự đoán khi nào thất bại sẽ xảy ra. Trong Hình 5, LCC thực hiện sáng kiến mới này cho thấy việc giảm chi tiêu CM cho tài sản nhiều hơn vì nhiệm vụ hiệu quả hơn.
Kịch bản 1 và 2 là hai ví dụ trong đó LCC của tài sản có thể được dự đoán bằng cách tương quan dữ liệu CMMS WO hiện có với phân phối Weibull phù hợp nhất. Bây giờ chúng ta hãy xem xét kịch bản thứ ba mà không cần sử dụng dữ liệu WO để phù hợp với mô hình thất bại, mà là sử dụng các chế độ thất bại được xác định từ các chi tiết WO được thảo luận trong phần trước để mô hình hóa LCC khi có một nhiệm vụ hiệu quả. Theo mô tả dữ liệu WO đã được xem xét, động cơ trong hệ thống bơm cần xác minh trung tâm từ tính trong quá trình cài đặt. Với MTBR thấp của động cơ và lỗi chịu lực nhiệt độ cao, rõ ràng với một kỹ sư rằng nguyên nhân gốc rễ là do thiếu xác minh trung tâm từ tính. Trong những trường hợp như vậy, nhiệm vụ trong trường hợp này sẽ là cập nhật các quy trình bảo trì hiện có để bao gồm độ chính xác với một bước để xác minh trung tâm từ tính của động cơ và thực hiện giám sát tình trạng thông qua các vòng rung và bôi trơn.
Ở đây, LCC được mô phỏng với mô hình lỗi mệt mỏi (dự kiến cho một động cơ được lắp đặt đúng cách) trong phân phối Weibull. Với việc lắp đặt thích hợp, động cơ có tuổi thọ dự kiến là 60 tháng so với MTBR hiện tại là 22 tháng, dẫn đến LCC thấp hơn nhiều như được mô tả trong Hình 6.
Với LCC 10 năm, lợi ích của việc lắp đặt động cơ thích hợp là tiết kiệm 600.000 đô la khi so sánh với cách tiếp cận hiện tại. Kết quả của ba kịch bản có thể được tóm tắt trong Hình 7. Như vậy, kỹ sư và tổ chức bảo trì có thể bắt đầu thực hiện các quy trình cập nhật để bao gồm bảo trì chính xác và giám sát tình trạng với các vòng rung và bôi trơn, không chỉ trong các động cơ quan sát thấy trong nghiên cứu trường hợp này mà còn cho toàn bộ đội ngũ tài sản quan trọng tương tự.
Mặc dù đơn giản để hoàn thành, một LCC thường không khả thi để được thực hiện cho tất cả 100.000 tài sản, đó là lý do tại sao điều quan trọng là phải hiểu các tác nhân xấu từ phân tích độ tin cậy đầu tiên, để gắn cờ những ứng cử viên có tiềm năng lợi ích lớn nhất từ LCC được xác định rõ ràng. Dựa trên phân tích được thực hiện như một phần của nghiên cứu trường hợp này, một kỹ sư sau đó có thể giả định rằng nếu các nhiệm vụ bảo trì chủ động và chính xác tương tự được thêm vào các tài sản tương tự khác trên site , chi tiêu CM tổng thể sẽ giảm mạnh. Nếu chúng ta có số lượng tài sản động cơ là 10.000 và áp dụng cùng một lợi ích kéo dài tuổi thọ từ MTBR từ 22 tháng đến 60 tháng với việc thực hiện độ chính xác, thì tiết kiệm chi phí sẽ là 7 triệu đô la mỗi năm, như được thể hiện trong kết quả trong Hình 8.
Lộ trình độ tin cậy
Kết quả của một phân tích dữ liệu độ tin cậy toàn diện nên được sử dụng để xây dựng và hỗ trợ lộ trình cải thiện độ tin cậy. Những kết quả này ưu tiên thiết bị nào nên được giải quyết và đòn bẩy nào sẽ mang lại lợi ích lớn nhất và ngay lập tức nhất.
Một số mục tiêu của phân tích dữ liệu độ tin cậy là xác định xu hướng và cơ hội và định lượng lợi ích của một sáng kiến độ tin cậy. Điều này bao gồm:
- đánh giá và xu hướng chi phí bảo trì theo danh mục và loại, tạo cơ sở cho xu hướng và ưu tiên các cơ hội cải tiến
- định lượng chi phí danh mục thiết bị, MTBF và các ứng cử viên xấu, trong đó nêu bật các lĩnh vực tập trung cụ thể cho các nỗ lực cải tiến, như được mô tả trong cách tiếp cận LCC.
Sử dụng dữ liệu cơ bản và các công cụ kỹ thuật số đơn giản, một kỹ sư độ tin cậy có thể tăng cường hiệu quả cách tiếp cận quản lý tài sản của site . Phân tích trên máy tính không thay thế kiến thức nhân sự có thể được sử dụng để phát triển và đưa ra chế độ thất bại và giả định phù hợp với mô hình thống kê phù hợp; chúng bổ sung cho nhau.
Tác giả: Massimiliano Giffuni và Colemann O’Malley
https://smartindustry.vn/technology/internet-of-things/lam-the-nao-de-giai-quyet-cac-chi-phi-chim-khi-trien-khai-iot/
