介绍
检查的目的是准确评估资产的状况,并减少当前和未来可能发生的腐蚀破坏状态的不确定性。准确的状态评估提供计算资产失效概率和定义未来检查要求所需的信息。当前的检测程序严重依赖于来自状态监测位置(cls)的检测数据;然而,许多设施难以正确地放置正确数量的CML,并难以根据其资产的损坏率和风险优化CML检查活动。
传统的CML优化程序通常用于确定所需的最小CML数量,以准确监测主动损伤机制,并在资产失效前识别敏感性。这些优化程序通常通过智能地定义防止意外故障的检查范围、技术和间隔来消除cml。期望的结果是识别检查程序的缺陷和需要有效评估风险的具体变更。
本文将状态监视优化描述为一种数据驱动的方法,通过这种方法,可以智能地确定并动态更新检查范围、技术和间隔,以便在获得新信息时最大化可靠性和投资回报(ROI)。使用这种方法,通过检查收集的数据用于提高对资产损坏状态的信心,并确定在哪些情况下需要额外的数据,检查增加很少或没有价值,或纠正性维护是适当的行动。
状态监测优化
条件监视优化超越了传统的CML优化,传统CML优化通常在分析广度上受到限制,或者可能过分强调整体目标的一个子集。例如,工厂可能只关注cls的消除,简单地选择有效的检查技术,或者只是在指定的不确定性级别内量化资产的损坏状态。不仅CML优化在整个行业的定义和应用不一致,而且大多数工作也没有考虑到在整个机械完整性(MI)和基于风险的检查(RBI)计划的背景下,主要变化的后果,以及它们对整体设施可靠性性能的影响。
本文是关于条件监视优化的两部分系列文章的第一篇。在本文中,我们将:
- 回顾确定单个cml使用寿命结束的概率模型
- 提供执行状态监控优化的潜在方法的描述
- 使用一个真实的案例研究来证明该方法的有效性
在我们的第二篇文章中,我们将探索其他复杂的场景,包括有限的检查历史、不适当的CML放置和选择不当的检查技术。
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。