结合第一性原理和数据科学驱动可靠性性能:定量可靠性优化(QRO)

您的可靠性数据中有多少实际上为您的设施增加了价值?随着行业继续收集越来越多的数据，许多工厂领导者无法自信地利用他们的数据来推动更好的可靠性决策，因为他们不能定量地了解他们的数据的不确定性及其对工厂性能的影响。这将导致无法收集正确类型或数量的数据，从而导致无法管理的潜在风险。此外，设施往往过多地收集数据，而这些数据对防止资产失效没有什么价值，浪费了本可以在其他地方更好地利用的有限资源。

那么，您如何利用数据更好地量化不确定性，并在您的工厂中推动更明智的可靠性决策呢?通过利用定量可靠性优化(QRO)．QRO是一种新的动态可靠性方法，将现有的第一性可靠性模型与新的数据科学、多变量分析和基于系统的优化连接起来，以提高设备性能，平衡可用性、过程安全性和支出性能。

QRO有四个要素:

• 资产风险分析(ARA)
• 寿命变化曲线(LVC)
• 预测系统可用性
• 可靠性仿真和性能优化

QRO的前两个要素，即ARA和LVC，是通过结合基于第一原理的可靠性工程和数据科学来提高性能的第一步。

什么是资产风险分析(ARA)?

ARAs将当前行业领先的工程原理(如RBI和RCM)与现场执行约束、任务要求和定量数据相结合，构建QRO的基础方面。ARAs在所有资产的功能、故障模式和故障机制之间建立因果联系，以确定降低故障所需的可靠性和维护任务。作为ARA实施的结果，工厂领导人将确保建立成功的可靠性计划的基础，通过关注最关键的资产，立即简化有限资源的部署。最重要的是，ARAs确保每个设施都有数据基础设施，能够在整个资产基础上利用更复杂的数据科学和机器学习分析。

ARAs简化了传统RBI和RCM战略开发过程的实施，通过关注导致资产失效的组件来更快地回报价值。

通过将ARAs纳入您的可靠性策略，您可以:

• 使用相同的方法和定量结果评估所有资产类型，打破可靠性的孤岛，有效地比较和优先级风险，并在所有资产类别的资产管理计划。
• 清楚地理解所有资产功能、故障模式、故障机制、关键可靠性数据和现场执行任务之间的因果关系，为任何成功的可靠性项目奠定基础。
• 创建框架，以了解每个任务对您设施中所有资产的成本收益。

在您的程序中实现ARAs之后，下一步是开始利用数据科学原理和寿命变化曲线(LVC)来理解您的数据的可信度。

什么是寿命变异性曲线(LVC)?

lvc是通过应用数据科学原理来预测资产失败的动态模型。类似于飓风追踪器，当收集到更多的数据点时，模型会进行定量更新，并提供一个随着输入更多数据而变得更准确的统计分布。然后可以测量这个统计分布，以了解围绕任何组件和资产的不确定性水平。

下图是一个管道厚度数据的例子。在最左边的观点中，只绘制了一个数据点及其预测的不确定性带。这个不确定范围是由初始基线模型产生的，该模型包括考虑当前工艺操作条件和主题专业知识的第一线原理工程分析。接下来，LVC模型将不确定带的统计分布转化为失效概率(POF)曲线。本质上，让你知道失败的可能性与量化的信心措施。

随着更多的厚度数据进入模型和工艺操作条件的变化，带的形状和分布也会发生变化。该模型根据新的输入数据和POF曲线的移动进行动态调整。虽然不确定区域在第二个模型中最初增加，但这种增加是测量数据与初始第一性原理基线和主题预测不同的结果。随着额外的数据点的添加(极右图)，不确定性的范围会随着对测量数据放置更多的信心而缩小，并显示出更紧密的预测。

lvc也可以应用于其他类型的数据，包括状态监测数据(如振动)，或其他过程参数(如污垢)，以表明功能失效。lvc提供了一种定量的方法来理解过程数据、所有其他测量数据和主题专业知识如何影响每种资产类型失效概率的统计分布。

结论

在您的工厂实施ARAs将确保您在整个工厂的每一种资产类型都具备可靠性计划的基本要素。许多机构已经开始了这一旅程，因此ARA的实现将填补任何剩余的差距，并确保该基础能够在每一种资产类型中纳入更复杂的分析，如机器学习和人工智能。一旦建立了ARA基础，无论你是否拥有数据，LVC都将允许你衡量每项资产失败概率的不确定性和可信度。结合数据科学原理，通过快速识别不影响资产失败不确定性的非增值任务，lvc可以立即推动更好的可靠性决策。完成第一个ARA和LVC，是QRO的第一步，实现可靠性建模的下一个革命。欲了解更多QRO的要素以及如何将其应用于工厂的信息，请查阅品尼高的QRO系列视频．