予知分析：保全を超えた価値の創出

あなたの予知分析プログラムから真のメリットを得られていますか？ ほとんどの予知分析プログラムは、故障防止という単一の使命に焦点を当てた、振動ベースの予知保全プログラムの置き換えに過ぎません。1980年にマイクロプロセッサベースのデータコレクターが登場して以来、これらのプログラムの3%未満しか、継続的なコストを相殺する検証可能な節約を生み出せていません。

全体として、これらのプログラムは非計画停止の削減を謳っていますが、すべてのケースで、認識された差し迫った故障を防ぐために必要な計画停止が増加しています。ほとんどのプログラムは、全体的な保全ダウンタイム、保全労務費、資材コストを増加させています。メリットがあるように見えても、これらのプログラムは逆効果であることが証明されています。技術的限界のせいではなく、これらの技術の不適切な使用が原因です。

予知分析が提供できるメリットを制限している3つの主要因は以下の通りです：

• 故障防止に焦点を当てることは、ポジティブな結果を生まないことを意味する - それが望みならそれが最高の成果であり、故障防止は信頼性向上やコスト削減に何ら寄与しない
• 予知分析を保全と保全の欠陥に限定している - データによると、資産故障の17%は保全問題が原因だが、大多数（83%）は組織内の他の欠陥が原因である。運転モードなどの原因要因を分析に含めることで、故障の背後にある強制関数を理解できるだけでなく、信頼性を低下させ運用コストを増大させている欠陥を特定できる
• バリューストリーム資産をプログラムから除外している - 技術ベンダーの影響で、振動プログラムは単純な回転機械、電気設備のサーモグラフィ、振動のバックアップとしての潤滑油分析を対象としている。見落とされているのは収益を生む資産、すなわち単純ではなく動的でないかもしれないが、それなしでは会社が存続できない資産である

予知分析は単なる保全ではなく、予知保全の単なる置き換えでもありません。制約はありません。予知分析は、物理的資産、生産システム、組織の財務部門など、あらゆる反復的な活動に適用可能です。本記事では、物理的資産に焦点を当て、運転ダイナミクスに基づく予知分析が、いかにして資産から最適な性能を獲得し維持できるかを議論します。

資産から最適な性能、信頼性、経済的耐用年数を得たいなら、真の予知分析への啓発的なアプローチにご参加ください。故障防止という単一の焦点ではなく、バリューストリームと重要な補助資産を設計時または最適な運転状態で維持することに焦点を当てることで、故障を減らすだけでなく、同時に経済的耐用年数を延ばし、組織の総所有コストを削減できます。これが、投資資本への最適なリターンと収益創出を得る唯一の効果的な方法です。

はじめに

これらのレガシープログラムの失敗を招く共通要因は、資本資産の故障モードに固執し、その背後にある原因要因を見過ごしていることです。簡単な例として、不良ベアリングを特定し、ベアリング交換という是正措置を講じるケースがあります。しかし、「何がベアリングを故障させたのか」という当然の問いを投げかけないことは、自己成就予言であり、失敗する運命にあります。

物理的故障がダウンタイムと高い保全コストの主因だとしても、このアプローチでは問題を解決できません。信頼性、経済的耐用年数を低下させ、結果として運用コストと保全資本支出を増大させる根本的な原因要因に焦点を当てるまで、予知分析プログラムは完全な失敗に終わる運命です。

故障ベースのアプローチの一例として、大規模な統合製鉄所が工場向けに契約ベースの予知保全プログラムを導入したケースがあります。プログラム開始前は、非計画停止と高い保全コストに悩まされていました。プログラム開始6年後、非計画停止が35%削減されたと報告しています。

成功した結果と言えるでしょうか？ その6年間の実質的な変化を見ると、そうではありません。確かに非計画停止は減りましたが、認識された不良ベアリング、ギア、その他の摩耗部品の交換のための計画停止が65%増加しました。

もう一つの顕著な変化は、前年比の保全コストです。総労務費と資材費が80%以上増加しました。交換用ベアリングのコストは240万ドルから1,470万ドルに跳ね上がり、ギアやその他の摩耗部品も同様の傾向を示しました。

故障は常態ではありません。設計通りに信頼性を備え、設計限界内で一貫して運転され、適切な維持保全を受けている資産は、設計寿命を大幅に超えて信頼性を維持します。故障駆動型予知分析の問題は、私たちの運転・保全のあり方が自己成就予言になり得ることを認識していない点です。私たちは加速摩耗を生み出し、異常運転条件を誘発して摩耗を加速させ、ダメージを緩和するはずの維持保全を先延ばしにしています。

解決策

予知分析の限界を解決することは、技術的観点からはそれほど難しくありません。従来の予知技術は制約ではありません。効果的に活用すれば、ポジティブな結果を導く手段となります。

製鉄所は好例です。プログラムが故障駆動型から真の予知分析へシフトすると、変化はほぼ即座に現れました。1年足らずで保全資材コストが200万ドル未満に低下しました。

ベアリングを例に取ると、新しいプログラムは報告されたベアリング故障の背後にある原因要因に焦点を当て、それらを排除する是正措置を実施しました。原因要因の排除により、コストを押し上げていた慢性的な早期故障が即座に解消され、交換コストが急落しました。

2年目には、ベアリングとその他の摩耗部品のコストがさらに低下しました。保全コストが60%削減されたことで、製鉄所は焦点変更前より30%高い生産率を継続的に達成できるようになりました。

予知分析プログラムの成功には、プラントを構成する資産、システム、プロセスの運転ダイナミクスを考慮する必要があります。固有の設計限界、運転モード、固有信頼性を定義する維持保全レベルを考慮しなければなりません。

故障駆動型と真の予知分析の違いを示すもう一つの例として、精油所の700台のスラリーポンプがあります。この精油所は、ポータブルデータコレクターを用いた確立された予知保全プログラムを持っていました。技術者たちは毎日ルートを巡回し、システムは各ポンプが差し迫った故障を防ぐためにいつ保全を必要とするかを報告していました。

時間の経過とともに、ポンプ修理に関連するコストは年間1,000万ドルを超えるまでに成長しました。帳簿上ではプログラムは機能しており、ポンプ故障によるダウンタイムはほとんど報告されていませんでした。

しかし、真の運転ダイナミクス予知分析プログラムが予知保全プログラムに取って代わると、結果は劇的に変わりました。新しいプログラムは故障モードで止まらず原因要因を探ったため、毎年11%のポンプが大修理を必要としていた理由が、その運転モードにあることが判明しました。

各ポンプはリモート制御排出弁で制御されていました。分析により、制御レンジがポンプをベストプラクティス推奨範囲から大きく外れて運転させていることが判明しました。その結果生じる不安定性が、回転アセンブリとケーシングに加速摩耗と深刻な損傷を与えていました。

問題を是正するため、クライアントは制御パラメータを変更し、制御レンジをBEP（最高効率点）の±10%に制限しました。これにより、年間修理コストが100万ドル未満に低下しました。予知分析のもう一つのメリットは、旧制御レンジが消費電力に与える影響を特定したことです。

BEPでの160ブレーキ馬力ではなく、ポンプは平均でほぼ300HPを消費していました。年間電力消費の差は700万ドル以上でした。この一事例だけで、予知分析により前年比コストが1,600万ドル以上削減されました。

仕組み

予知分析をアセット管理に適用することはそれほど複雑ではありません。論理的に考え、組織内の資産の信頼性と持続可能性の要件を明確に決定するだけです。

以下のステップがプロセスを定義します：

各資産の固有信頼性を決定する

信頼性は設計によって決まります。設計後のすべての活動は、その固有信頼性を維持し、各資産の最適な経済的耐用年数と投資収益率を達成するためにあるべきです。この最初の重要なステップは、各資産やシステムの固有の弱点だけでなく、固有信頼性を維持し最適な経済的耐用年数を達成するために必要な運転モードと保全を決定します。

故障の物理

各資産やシステムのすべての故障モードとその原因要因を明確に定義します。これは単なるFMEA（故障モード影響解析）や認識されている故障のリストを超えるものでなければなりません。運転モード（生産と保全）の影響など、ベストプラクティスからのあらゆる逸脱を考慮する必要があります。資産故障のわずか17%が不適切な保全によるものであり、残りの83%は運転上の欠陥が原因であることを忘れないでください。

故障を理解することは重要ですが、その故障をもたらす原因要因や強制関数を理解することが不可欠です。故障モードを知っていれば、それを予測して迅速に回復できるかもしれませんが、それは信頼性向上や再発防止には何ら寄与しません。原因要因こそが、故障の初回発生とすべての再発を防ぐために必要な知識を提供します。

故障モードと原因要因を特定するパラメータ

固有信頼性、故障モード、それらの原因要因を深く理解したら、次のステップは、振動や熱分布など、予知分析エンジンへの入力として必要な具体的なパラメータを決定することです。予知分析は、他の診断手法と同様、入力データの質と完全性に依存します。

例えば、ポンプの機械的状態の効果的な分析には、高分解能の広帯域および離散的狭帯域の振動データ入力で十分ですが、放置すれば故障につながる逸脱の早期検知と是正を可能にする原因要因を特定するには不十分な場合があります。ほとんどの場合、これらのパラメータは、既存の監視・制御システムから抽出されるプロセスデータと、予知分析エンジンに不可欠な直接測定データの組み合わせになります。動的資産とシステムの場合、後者には、資産、プロセス、システム上の戦略的な位置に配置された、エッジ分析、機械学習、人工知能を組み込んだスマートセンサーの使用が含まれます。

異常検知モデル

これまでの議論で得た知識を組み合わせ、効果的な予知分析の最後のステップは、各資産、システム、プロセスから継続的にデータを取り込み、すべての変数を自動的に分析し、正常からのすべての逸脱を特定し、各逸脱の背後にある原因要因を特定し、是正措置の処方指示を生成する、運転ダイナミクスまたは物理ベースのモデルを開発することです。言うまでもなく、ODAモデルが効果的な予知分析の鍵です。経験豊富な信頼性エンジニアであれば、特定の資産をそのライフサイクルのある時点で評価し、同じことができるはずです。

違いは、すべての資産を継続的に分析できるほどの資格を持つ信頼性エンジニアや時間が不足していることです。予知分析エンジンは疲れず、飽きず、気を散らされません。

結論として、予知分析プログラムの真の効力は、その単なる存在ではなく、戦略的な実装にあります。善意に基づく故障防止への固執は、根本的な原因要因に対処できないため、しばしば失敗に終わります。資産ダイナミクスと運用の複雑さを包含する包括的なアプローチへのシフトは、故障駆動型から真の予知分析パラダイムへの成功した移行が証明するように、具体的なメリットをもたらします。

バリューストリームと補助資産の維持という極めて重要な意義を認識することで、組織は故障を軽減するだけでなく、性能を最適化し、総所有コストを削減できます。予知分析を、信頼性向上、経済的耐用年数の延長、運用コストの最小化のためのツールとして受け入れることは、投資資本への最適なリターンと持続的な収益創出を保証する、プロアクティブなアセット管理戦略へのパラダイムシフトを意味します。

著者について

著者について