高度なデータ管理による産業プラントリスクの軽減

資産故障はあらゆる産業組織にとって破壊的なイベントです。LNSリサーチによれば、資産故障は安全問題と公害を引き起こす事故の上位3大原因の一つです。また生産を停止させ、設備損傷を招き、多大な財務損失をもたらします。実際、計画外ダウンタイムは産業メーカーに年間推定500億ドルのコストを与えています。

組織は効率向上と消費削減の圧力にさらされており、信頼性管理者と経営幹部は、最小のバルブから最大のタービンまで、プラント運転に関わるすべての資産を説明責任を持って管理しなければなりません。

ソフトウェアが分析を実行し基本的な性能指標を生成しても、「1,000万ドルのタービンが98%の信頼性で守られている」という知識は、プラント全体を停止させる小さなバルブの故障前では役に立ちません。

機械劣化の3つの主要ドライバーは以下の通りです。

1. すべての機械は複数の劣化源に直面する。
2. これには化学作用、疲労、摩耗、摩擦が含まれる。
3. これらの劣化メカニズムの進行速度は、機械設計、使用状況、環境によって異なる。
4. 機械は様々なコンポーネントで構成され、異なる劣化源が各コンポーネントに異なる速度で影響する。

初期の歩み：予防からプロアクティブへ

予防保全（PM）は、故障前に劣化を検知・防止するために登場しました。しかし、3つの主要劣化ドライバーの複雑さと相互作用により、「いつ、どこで介入すべきか」の判断が複雑になりました。知識に基づいた仮定でPMスケジュールを設定する代わりに、時間ベースのPMが最良の選択肢となり、すぐに状態基準保全が続きました。

様々な予知保全（PdM）技術が開発されました。

• 回転機器向け振動分析
• 電気システム向けサーモグラフィ
• 配管・容器厚み向け超音波検査

しかし、「予知保全」という名称は少々不適切です。これらの技術は故障を「予測」するのではなく、劣化の兆候を検知・可視化し、故障前にメンテナンスチームが介入できるようにするものです。これらの手法は異なる故障モードに焦点を当て、それらを検知するセンサ技術と重要データの生成を中心に構築されています。

接続センサ技術からのデータインサイトなしでは、プラントオペレーターは組織のリスクとその管理方法を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や施設に限定されるかもしれません。しかし、データを全社およびグローバル平均と比較すると、リスクを理解し制御する方法を知る企業にとって競争優位性をもたらします。

データと新たなインテリジェンスの受容

データ生成センサーの採用により、組織は膨大なデータ量を解釈し、高度なパターン認識タスクを実行して設備異常と劣化を検知する管理システムを導入しています。

管理システムの検知技術は実用的です。センサーデータを分析し、「正常」な運転モデルを構築し、異常状態が発生した際にアラートを出します。これはリアルタイムで発生し、劣化による微細な変動を検知できます。これらの技術により、組織は監視対象設備の大惨事的故障を大幅に削減し、投資収益を実現しています。

ご存知ですか？

「ビッグデータ分析の活用により、故障を最大26%削減し、計画外ダウンタイムをほぼ25%削減できます。」
出典：engineering.com

技術はデータマイニングも変革し、アーカイブされたセンサーデータとEAMシステムデータからインサイトを最適化し、作業実行を支援します。データマイニングと異常検知の組み合わせにより、リアルタイム診断と残存寿命予測が改善されます。ここで資産パフォーマンス管理（APM）システムが登場します。

ほとんどの機械学習（ML）と人工知能（AI）技術はデータ駆動型ですが、大規模データ分析向けに設計されているわけではありません。APMは、MLデータ統合機能を用いて数十億のデータポイントを収集し、リスクを測定し故障を防ぐモデルに素早く整理することで、MLとAIがコード化できないデータをコード化します。

現代の産業では、接続された資産が収集データを適切に活用するためにAPMシステムへ情報を供給する必要があると認識されています。例えば、サウジアラビアの大手化学企業がAPMシステムを導入し、配管の平均故障間隔を172日から2,100日以上へ改善し、1,135%の向上を達成しました。

より良い予後のためのデータ共有

エンドツーエンドのIoT環境を持つ組織では、ビッグデータ分析をわずかなデータソースに限定できません。APMにより、組織はデータサイロを統合し、産業資産の独自性を運用コンテキストの中でモデル化できます。

ここが産業分野と消費者分野で大きく異なる領域の一つです。産業界では故障の様相が多様です。現在、機械データを企業横断的に統合する産業版のGoogleやAmazonは存在しないため、この種の分析を開発するために必要なデータプールは、大企業と原器メーカー（OEM）に限られています。企業は運用データに敏感ですが、多くが自社の故障・障害データを他社と共有することが業界全体に極めて有益だと理解し始めています。

このデータプールにより、次世代のデータ分析には莫大な潜在力があります。このデータを分析することで、新たな故障パターンを「ライブラリ」として蓄積された過去の類似事例と照合・比較できます。これにより、自動診断が問題の説明と潜在的な残存寿命の予測を提供できます。

センサーを搭載していない設備であっても、より大きなデータプールは、類似運用条件下の設備に基づくより良い統計分析を支援します。これによりエンジニアとオペレーターは、真のコンポーネント故障率を理解できるため、メンテナンス戦略策定においてより情報に基づいた意思決定が可能になります。現在の技術は、しばしば数年前に実施されたOEM推奨や業界研究に依存しています。

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駆動のプロセスです。客観的判断のためのデータはしばしば希薄で、存在しないか、アクセスが困難です。状態ベースアプローチへの移行は、活動を資産の現在の状態に基づかせることでこの問題の大部分を解決しますが、これらの技術でも依然として高度な専門知識が必要で、改善の余地が残されています。

機械運転への高度なデータ分析適用の可能性は有望ですが、課題も残っています。適切な種類のデータへのアクセスが不可欠であり、多くの企業にとっては、他社とデータを共有・取引する意欲を持つことを意味するかもしれません。企業が情報共有を始め、運用を改善するにつれ、競合を助ける懸念よりもメリットが上回ることを実感するでしょう。

組織はダウンタイムの直接コストがビジネスに深刻な打撃を与えることを理解しています。多くの場合、風評被害などの間接コストも、直接コストと同等かそれ以上に破壊的です。産業オペレーターは、資産にとって最良の結果をもたらすビッグデータ戦略を採用しなければ、収益性と成長を維持できません。データを用いて故障傾向と特性を早期に特定することで、産業組織は全体的な資産信頼性を向上させ、短期・長期の両面でコストを削減できます。