高度なデータ管理を通じて産業プラントのリスクを軽減

資産の故障は、あらゆる業界組織にとって破壊的な出来事です。 LNS Research によると、設備の故障は、安全上の問題や汚染につながる事故の原因のトップ 3 の 1 つです。また、生産が停止し、設備に損傷が生じ、重大な経済的損失が発生します。実際、毎年、計画外のダウンタイムにより、産業メーカーは推定 500 億ドルの損失を被っています。

組織は効率を高めて消費量を削減するというプレッシャーにさらされており、信頼性マネージャーや経営幹部は、最小のバルブから最大のタービンに至るまで、プラントの運用に役割を果たす各資産を考慮する必要があります。

ソフトウェアは分析を実行し、基本的なパフォーマンス指標を生成できますが、十分に保護された 1,000 万ドルのタービンの信頼性が 98% であるという知識は、小さなバルブが故障してプラント全体が停止した場合には役に立ちません。

マシン劣化の主な要因は次の 3 つです。

<オル>

すべてのマシンは複数の劣化原因に直面します。

これには、化学薬品、疲労、摩耗、摩擦が含まれます。

これらの劣化メカニズムの速度は、マシンの設計、使用法、環境によって異なります。

機械はさまざまなコンポーネントで構成されており、さまざまな劣化の原因がさまざまな速度でコンポーネントに影響を与えます。

初期の旅:予防から予防へ

予防保守 (PM) は、障害が発生する前に劣化を検出して防止するために登場しました。ただし、3 つの主要な劣化要因の複雑さと相互作用により、いつどこで介入するかの決定が複雑になります。知識に基づいた仮定に基づいて PM スケジュールを確立するのではなく、時間ベースの PM が最良の選択肢となり、その後すぐに状態ベースのメンテナンスが続くようになりました。

次のようなさまざまな予知保全 (PdM) テクノロジーが開発されています。

• 回転機器の振動解析
• 電気システム用のサーモグラフィー
• 配管と容器の厚さの超音波検査

ただし、「予知メンテナンス」という名前は少し間違っています。これらのテクノロジーは失敗を予測するものではありません。劣化の兆候を検出して明らかにするため、保守チームは障害が発生する前に兆候を阻止できます。これらの方法はさまざまな故障モードに焦点を当てており、故障モードを検出して重要なデータを生成するセンサー テクノロジーを中心に構築されています。

接続されたセンサーテクノロジーから得られるデータの洞察がなければ、プラントオペレーターは組織のリスクとその管理方法について十分に理解できません。意思決定に必要なデータは、特定の資産または施設に限定される場合があります。しかし、このデータは全社平均や世界平均と比較するときに役立ち、リスクを理解し、リスクを制御する方法を知っている企業にとって競争上の優位性をもたらします。

データと新しいインテリジェンスの採用

データ生成センサーの導入により、組織は大量のデータを解釈し、高度なパターン認識タスクを実行して機器の異常や劣化を検出するための管理システムを導入しています。

管理システムの検出技術は実用的です。彼らはセンサーデータを分析し、「通常の」動作のモデルを構築し、異常な状態が発生したときに警告します。これはリアルタイムで行われるため、劣化によって引き起こされる微妙な変化を検出できます。これらのテクノロジーにより、組織は監視対象機器の致命的な障害を大幅に軽減し、投資収益率を実現しています。

知っていましたか?

「ビッグデータ分析を活用すると、故障を最大 26% 削減し、予定外のダウンタイムを 25% 近く削減できます。」
出典:Engineering.com

また、テクノロジーはデータ マイニングを変革し、アーカイブされたセンサー データや企業資産管理システム データからの洞察を最適化し、作業の実行を支援します。データ マイニングと異常検出を組み合わせることで、リアルタイムの診断と障害発生までの時間の予測が向上します。ここで、資産パフォーマンス管理 (APM) システムが活躍します。

ほとんどの機械学習 (ML) および人工知能 (AI) 技術はデータ駆動型ですが、広範なデータ分析向けに設計されていません。 APM は、ML データ統合機能を使用して ML や AI ではできないデータをコード化し、数十億のデータ ポイントを収集し、それらをリスクを測定して障害を防ぐモデルに迅速に編成します。

今日の業界では、組織は、収集されたデータを適切に利用するために、接続された資産が APM システムに情報を供給する必要があることを認識しています。たとえば、サウジアラビアの大手化学会社は APM システムを導入し、パイプの平均故障率を 172 日から 2,100 日以上に改善しました。これは 1,135% の改善に相当します。

予後を改善するためのデータの共有

エンドツーエンドの IoT (モノのインターネット) 環境を持つ組織の場合、ビッグ データ分析は少数のデータ ソースだけに集中できません。 APM を使用すると、組織はデータ サイロを結合し、運用コンテキスト内で産業資産の固有の性質をモデル化できます。

これは、産業部門と消費者部門の間に大きな違いがある分野の 1 つです。産業界では、障害は非常に多様化する可能性があります。現在、企業全体のマシンデータを統合する Google や Amazon に匹敵する業界は存在しないため、この種の分析の開発に必要なデータ プールは大企業と OEM (相手先ブランド供給) に限定されています。企業は自社の運用データに敏感ですが、障害や障害のデータを他の企業と共有することが業界全体にとって非常に有益であることを多くの企業が理解し始めています。

このデータ プールにより、データ分析の次の波には計り知れない可能性が秘められています。このデータを分析することで、新たな障害パターンを照合し、以前の同様のケースの「ライブラリ」からの履歴データと比較することができます。これにより、自動診断により問題の説明と潜在的な障害発生までの時間の予測が提供されます。

センサーが装備されていない機器の場合でも、より大規模なデータ プールにより、同様の動作条件にある機器に基づいたより優れた統計分析がサポートされます。これにより、エンジニアやオペレーターはコンポーネントの真の故障率を理解できるため、メンテナンス戦略を立てる際に、より多くの情報に基づいた意思決定を行うことができます。現在のテクノロジーは通常、OEM の推奨事項や、何年も前に実施された業界調査に依存しています。

結論

多くの企業にとって、メンテナンス戦略の策定は主観的で経験に基づくプロセスです。客観的な意思決定を行うためのデータは、多くの場合、まばらであるか、存在しないか、アクセスが困難です。状態ベースのアプローチに移行すると、資産の現在の状態に基づいて活動を行うことで、この問題の多くは解決されますが、これらの手法でも依然としてかなりの専門知識が必要であり、改善の余地が残されています。

高度なデータ分析を機械の操作に適用できる可能性は有望ですが、まだ課題もあります。適切な種類のデータにアクセスできることが重要であり、多くの企業にとって、これは他の企業とデータを共有したり取引したりすることを意味するかもしれません。企業が情報を共有し、業務を改善し始めると、競合他社を支援することによるメリットが懸念を上回ることに気づくでしょう。 

組織は、ダウンタイムによる直接コストがビジネスに悪影響を与えることを理解しています。多くの場合、このダウンタイムによる評判の低下などの間接的なコストは、直接的なコストと同等か、それ以上の混乱をもたらします。産業運営者は、収益性と成長を維持したい場合、自社の資産に最適な結果をもたらすビッグデータ戦略を採用する必要があります。データを使用して障害の傾向と特徴を早期に特定することで、業界組織は資産全体の信頼性を向上させ、短期および長期のコストを削減します。