Prognos, Vuosiseminaari 2005 Eri tietolähteiden käyttö kunnossapidon tukena Toni Ahonen VTT Tuotteet ja tuotanto Esityksen rakenne 1. Katsaus taustaan ja tavoitteisiin 2. Lähestymistapoja vika- ja kunnossapitodatan analysointiin 2.1 Tietolähteet ja yksinkertainen tarkastelutapa 2.2 Laitosten käyttökokemusdata ja sen kerääminen 2.3 Valmistajan ja tuotekehityksen näkökulma 3. Kehittyvän kunnossapidon suunnittelumenetelmä 3.1 Tietolähteet ja tavoitteet hankkeen case-kohteessa 3.2 Bayeslaiset menetelmät vikatietojen analysoinnissa 3.3 Laitekohtaisen mittaustiedon hyödyntäminen käyttökokemustiedon ja vika- ja kunnossapitodatan rinnalla kunnossapidon päätöksissä 3.4 Öljyanalyysien käyttö esimerkkinä laitekohtaisesta mittaustiedosta 4. Yhteenveto 2 1. Katsaus taustaan ja tavoitteisiin Kunnossapidon tulee vastata jatkuvasti järjestelmässä tapahtuviin muutoksiin Eri lähteistä kerättävän käyttövarmuustiedon hyödyntämiselle tarvitaan toimintamalli, jonka tuloksena kunnossapito-ohjelman painotuksia voidaan tarvittaessa muuttaa Standardissa SFS-IEC 60300-3-11 on esitetty menetelmä alkuperäisen kunnossapito-ohjelman kehittämiseksi sekä periaate dynaamisen kunnossapito-ohjelman kehittämisen mallista Tutkimuksemme tavoitteena on kehittää toimintatapoja dynaamisen mallin toteuttamiseksi saatavilla olevia lähteitä hyödyntäen 3 1
2. Lähestymistapoja vika- ja kunnossapitodatan analysointiin Järjestelmästä kerätyn vikatilastoinnin analysoinnilla on mahdollista osoittaa tiettyjen vikatyyppien esiintymistaajuus ja vikataajuuksien kehitys Usein on kuitenkin niin, että läheskään kaikkia mahdollisia vikatyyppejä koskevia havaintoja ei ole aineistossa tai aineistossa on hyvin vähän havaintoja Järjestelmän vikatyyppien kriittisyyden arvioinnin tuleekin perustua sekä vikatilastoinnin että asiantuntija-arvioiden yhteiskäyttöön ja mahdollisesti saatavilla olevan muun datan analysoinnin tuottamaan informaatioon 4 2.1 Tietolähteet ja yksinkertainen tarkastelutapa Kunnossapidon tietojärjestelmien kirjaukset voivat toimia analyysien perustietolähteenä Vikaantumistieto vastaavista järjestelmistä voi toimia olennaisena lisänä käsiteltävän järjestelmän kriittisyyden arvioinnissa Yksinkertaisen kunnossapitodataa hyödyntävän tarkastelutavan kriittisyyden perusteet: vikataajuus seuraukset/kustannukset Vrt. riskin määritelmään esiintymistaajuuden tai -todennäköisyyden ja seurausten funktiona Jo hyvin yksinkertaisella lähestymistavalla voidaan oikein luokitellun datan perusteella luoda informaatiota päätöksenteon tueksi esim. kunnonvalvonnan kohdentamista koskien 5 2.1 Tietolähteet ja yksinkertainen tarkastelutapa 14 12 Fan, bearings Mean time to restoration 10 8 6 4 2 Fan, Other Motor, rotor/stator Fan, guide vanes Control, Instr.&Act. Control system Fan system, vibration Motor, electr. feed Process meas. Fan system, trip 0 0 1 2 3 4 5 6 Number of disturbances/time unit Osajärjestelmien kriittisyyden arviointi perustuen vika-aineiston luokitteluun sekä vikatiheyksien ja vikatyyppien keskimääräisten seurausten laskentaan 6 2
2.2. Laitosten käyttökokemusdata ja sen kerääminen Vikakirjaukset käytännössä usein vapaassa muodossa luokittelua vikatyypin, position tai rakennehierarkian mukaan ei ole tehty tai se on tehty puutteellisesti Seuraukset kehittyvän kunnossapidon suunnittelumenetelmän (esitellään kohdassa 3) soveltaminen edellyttää useimmiten kunnossapidon kirjaustapojen kehittämistä 7 2.3. Valmistajan ja tuotekehityksen näkökulma Eri tuotantolaitoksilta kerättävä tieto voidaan käyttää hyödyksi siten, että pystytään tuottamaan entistä laajempi aineisto Eri tuotantolaitosten järjestelmäkokoonpanot sekä menettelytavat järjestelmän vikaantumis- ja kunnossapitotietojen keräämiseen vaihtelevat Yleisesti on odotettavissa, että kaikkia vikatapahtumia ei ensinkään tilastoida Tarkastelu voidaan rajata joka tapauksessa merkittäviin vikaantumisiin ja kohteisiin Onkin todennäköistä, että merkittävistä vikatapahtumista on saatavissa jokseenkin asianmukaiset kirjaukset Tosin pienemmät toistuvat tapahtumat saattavat jäädä huomioimatta. Pienempienkin häiriöiden merkitys voi olla huomattava jos niiden määrä on suuri 8 3. Kehittyvän kunnossapidon suunnittelumenetelmä Kertyvä käyttökokemusdata - kunnossapitohistoria ja tehdyt toimet Tietojen yhdistäminen Lai tekohtai nen mittaustieto, prosessidata Järjest el män tavoitteet ja reunaehdot Laitevalmistajien ennusteet toimitettujen laitteiden kunnossapitotarpeista Kunnossapitoohjelma Järjest el män rakenne Käyttöennuste Kunnossapitoohjelman päivittäminen Uudet ennusteet, mm. - vikaantuvat kohteet - kunnossapitokustannukset - ennakoivan kunnossapidon tarve - korjaavan kunnossapidon tarve Kunnossapitotoimet 9 3
3.1 Tietolähteet, tavoitteet ja toteutus hankkeen casekohteessa Riskianalyysi (FMECA) Käyttökokemustiedot mm. vika- ja kunnossapitodatan analysointi asiantuntija-arviot (käyttäjät ja kunnossapidon henkilöstö) laitevalmistajan suosittelema huolto-ohjelma huolto-ohjelman käytännön toteutus em. "huolto-ohjelmaversioiden" vertailu RCM -analyysi riskianalyysissa määritetyille kriittisimmille vioille Uuden teknologian vaatimukset Tavoitteena case-kohteen huolto-ohjelman kehittäminen sekä kokemukset kunnossapidon jatkuvan kehittämisen mallin toteuttamisesta Toteutus tapahtuu ennalta tehdyn työn pohjalta useassa 10 asiantuntijatyöpajassa 3.2 Bayeslaiset menetelmät vikatietojen analysoinnissa I Käyttövarmuus- ja vikatietojen bayeslaiset mallit ovat laskennaltaan usein hyvin raskaita Tutkimus- ja analyysityössä kuitenkin potentiaalinen keino käyttövarmuustiedon hyödyntämiseen tarve olemassa eri tyyppisten tietojen yhdistämiselle yksinkertaisemmalla lähestymistavalla Vikatietojen mallintaminen jakautuu yleisesti kahteen osaalueeseen: korjattavien järjestelmien ja ei-korjattavien järjestelmien malleihin. Asiantuntija-arvioiden ja vikatietojen yhdistäminen liian korkealla järjestelmätasolla ei usein johda tyydyttäviin tuloksiin Järjestelmän kunnossapitoa koskevassa päätöksenteossa tulee olla käytettävissä riittävän tarkka luokittelu 11 3.2 Bayeslaiset menetelmät vikatietojen analysoinnissa II Brandowski et al. esittävät bayeslaisen menetelmän järjestelmän tai komponentin luotettavuusfunktion (ja vikaantumisaikojen kertymäfunktion) laatimiseen asiantuntija-arvioiden sekä käyttökokemusdatan perusteella Asiantuntija-arviot esitetään koskien ajanhetkiä, jolloin tietyillä todennäköisyyksillä määrätty osuus komponenteista vikaantuu F(t) estimated based on expert judgment and updated with data Probability 1 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 0 1080 2160 3240 4320 5400 6480 7560 8640 Time Cumulative failure probability based on expert judgment and data Cumulative failure probability based on expert judgment 12 4
3.3 Laitekohtaisen mittaustiedon hyödyntäminen käyttökokemustiedon ja vika- ja kunnossapitodatan rinnalla kunnossapidon päätöksissä Käyttöhistoriatiedon analysointi voidaan usein rajata pitkän aikavälin suunnittelun työkaluksi Laitekohtaisen mittaustiedon hyödyntäminen voidaan nähdä lyhyen aikavälin tilanteenmukaisen toiminnan tukena Yksinkertaisilla seurantamenettelyillä mahdollisuuksia tiettyjen mittaustietojen käytännön hyödyntämiseen Selkeät graafiset esitykset soveltuvat tarkasteluun, jossa tavoitteena on saada nopea katsaus tilanteeseen ja mahdollisiin muutoksiin 13 3.4 Öljyanalyysien käyttö esimerkkinä laitekohtaisesta mittaustiedosta Öljyanalyysien tuloksia käytetään paljolti öljyn vaihtovälien määrittämiseen Hiukkaslaskennan avulla on mahdollista havaita myös mm. suodatuksen puutteita, toimintahäiriöitä ja epänormaalin kulumisen aiheuttamia merkkejä Esimerkkinä öljyanalyysiseuranta ja "normaalin" tilan mallin luominen oletuksena lineaarinen regressio Eri tilojen ja kynnysarvojen määrittämiselle käytössä esimerkiksi bayeslainen päätöksentekoteoria Vaatimuksena analyysitulosten käytölle on mm. niiden muuttaminen haluttuun sähköiseen muotoon analyysien tekijän toimittamista kaavakkeista 14 3.4 Öljyanalyysien käyttö esimerkkinä laitekohtaisesta mittaustiedosta 15 5
4. Yhteenveto Yleisesti käyttövarmuustiedon tilastollisella analyysilla mahdollista selvittää kohteen käyttövarmuuden tila laatia ennusteita käyttövarmuuden kehityksestä sekä vikaantumistodennäköisyyksistä paikallistaa kunnossapidon ongelmakohtia Datan laatu voi olla heikkoa asiantuntijatiedon käyttö korostuu eri lähteistä saatavien tietojen yhdistämisen mahdollisuudet käyttöön 16 Lähteet Brandowski, A. Grabski, F. Bayesian estimation of the parameters in safety and reliability models for the subjective priors. 2003. Safety and Reliability. SFS-IEC 60300-3-11. Luotettavuuden hallinta. Osa 3-11: Sovellusohje. Toimintavarmuuskeskeinen kunnossapito. 17 6