尽管基于风险的检查(RBI)项目已经使用了近15年，但不幸的是，公司仍然经历着重大的失败。虽然普遍的共识是，印度储备银行规划方案的初始价值已经实现，但仍有新的机会被发现，可以提高印度储备银行规划方案的准确性。其中最主要的是数据科学应用的进步;然而，如果没有主题专家(SME)来验证如此大量数据的结果，公司可能仍然暴露在未知的风险和/或在其RBI计划中的次优资产策略中。建议采用混合方法，将机械完整性和主题专业知识与数据科学中的新技术和方法结合起来，为任何RBI项目提供更好的建议。但是，当中小企业被拉向如此多的方向时，企业如何利用它们呢?
众所周知，如今对中小企业的需求很大，而能够以曾经被认为合适的方式支持印度央行项目的企业却越来越少。例如，材料工程师支持完整性操作窗口(IOWs)、损伤机制审查(DMRs)和RBI程序。因此，至关重要的是，当公司利用中小企业时，它可以充分利用他们的时间，同时提取最有价值的信息用于高级分析。通过相互依赖，中小企业和数据科学能够通过两种方式收集信息:
- SME可以指导数据科学在检查中寻找特定的东西，或处理数据以确认或否认某些情况，或者
- 数据科学可以发现不一致的地方，然后标记出来供SME检查(可能他们没有意识到即将出现一个问题，或者忽略了一个问题)。这种方法通过学习大型数据集中的模式来提高效率。
在这两种情况下，相互配合才能产生更好的结果，从而改进公司的RBI计划并减少中小企业所需的时间。
此外，建议对每个风险评审进行多学科交叉验证，其中包括机械完整性、材料和腐蚀以及数据科学方面的中小企业。在此过程中，公司可以审查数据分析与中小企业期望之间的主要差异，例如:
- 根据数据识别潜在问题或数据中的重大空白
- 量化数据中的比率和不确定性，而不是使用考虑主观保守程度的假设比率
- 确定之前没有预料到的关注领域
由于收集了所有这些数据并进行交叉验证，中小企业现在可以提供改进的资产策略。他们可以在检查、修理或更换、升级和iow方面给出更好的建议。
示例1:
在这个交换器出口，SME在腐蚀回路中发现了一些水平冷凝物位置和死腿。在这种情况下，SME预计死腿的腐蚀速率比直下水平位置要高。在数据科学分析之前，人们可能预计死腿只剩下5年的寿命。经过分析，研究人员发现，水平姿势和无腿姿势之间没有显著差异，平均寿命实际上接近20年。数据科学证实了在水平凝析油位置可能会加速腐蚀，但在死支CML中没有发现加速腐蚀或严重问题的证据。
示例2:
在第二个例子中，一个SME发现了一个典型的问题——当从熔炉的蒸汽出口出来时，弯头的方向发生了变化，可以直观地观察到加速腐蚀。通常情况下，第一个弯头是最坏的情况，随着中小企业向下游发展，预计腐蚀会减少。第一例肘关节被鉴定为CML家族。CML家族似乎表现相似，因此可以将其分组并进行分析。在这个例子中，这个家庭跨越了多条线路。数据科学证实，第一个弯头的腐蚀速度更快，第二个和第三个弯头的腐蚀速度更快，但没有第一个弯头的腐蚀速度高。最后，数据科学分析发现，垂直立管右侧位置的腐蚀也在加速，这是最初没有预料到的。
通过优化稀缺的中小企业资源时间和集中精力，中小企业可以把时间花在最重要的事情上，例如为什么问题发生了，以及确定问题的可能解决方案。
完整的网络研讨会，请观看从你的RBI计划中获得更多的四种方法．有关其他应用程序示例，请观看本次CML优先排序网络研讨会利用lvc。
评论和讨论
目前还没有评论。
添加一个评论
请登录或188abc金博宝 参与评论和讨论。