为什么数据是可靠性的基础

在当今的技术时代，数据是决策的关键。这个专业领域被称为“数据科学”。公司可以通过收集、分析和利用数据来利用技术做出明智的决策。

一个研究小组预测，按照目前数据的增长速度，到 2025 年，数据大小将达到 163 泽字节。为了更好地理解这个数字，请考虑 1 泽字节等于 1 万亿千兆字节。这引发了有关数据存储、质量和管理的问题。

本文将讨论数据的重要性及其在执行有意义的可靠性研究中的用途。可靠性的通用定义是设备、系统或设施在特定运行条件下在给定时间内无故障运行的概率。因此，准确的历史故障数据及其正确分析对于任何可靠性分析都至关重要。

数据分析提供了一个机会来检查大量数据并提取有用的信息，然后可以支持更好的决策。这只有在对数据有合理信心的情况下才有可能实现，因为糟糕的数据会导致错误的决策。

数据分析的好处

可靠性分析是帮助管理层和工程师做出技术和财务决策的有效方法。除其他外，数据分析有助于优化项目设计、降低成本、预测组件寿命、调查故障、评估保修间隔、实施有效的检查期和确定关键性能指标 (KPI)。准确的数据对于进行全面的可靠性研究至关重要。

数据过滤和收集是任何可靠性工程师的重要职责。数据收集是收集和评估有关变量的信息以建立系统模型以回答特定研究问题、评估假设以及估计和支持结果的方法。

因此，数据收集是所有研究的共同阶段。确保准确和诚实的数据收集是这些研究的共同因素和目标。

许多工具和技术可用于以更准确和可靠的方式处理数据，例如消除可能扭曲可靠性分析整体结果的异常值。

建立稳健数据

在任何运营设施中，准确可靠的数据，包括资产维护和故障记录、运行窗口等，都可以为可靠性工程研究提供基础。遗憾的是，并非所有公司都拥有数据收集和管理所需的系统、流程和文化。

建立强大数据库的一项要求是确保收集和存储所有有意义的数据点。仅收集一些重要数据的数据库可能会提供有关当前运营和资产状况的不完整甚至可能具有误导性的图片。

利用经过验证的工具，即收集评估和可靠数据的方法，可能是一种有用的做法。例如，芬兰的一家大公司报告说，大约六分之一的关闭维护报告 (17.2%) 不包含故障模式。

此外，所有关闭的维护报告都没有记录备件的数量和类型。这些观察表明，这家特定公司的数据库有限，只能提供关于设备故障和维护历史的狭隘视角，缺少关键信息，例如故障位置及其影响。

有效数据分析的另一个要求是及时报告数据。每周甚至每月报告他们的发现的维护部门比那些部署动态系统持续整合数据的组织更有可能丢失关键数据和活动。

另一个最佳实践是确保数据收集和存储系统定义什么被认为是高质量的数据实例和值，并尽可能实现自动化，以促进报告和数据库搜索能力的一致性。依赖于开放文本字段的维护报告系统实质上将数据分析转换为手动流程。

虽然开放文本字段在任何设计良好的数据库中都有一席之地，但它们应该用于提供更多细节和说明。

相反，数据收集和存储系统应该为每个有意义的数据点设置单独的单元格，使用尽可能多的下拉菜单来确保描述和报告的一致性。只有当数据可搜索且在整个系统中得到一致描述时，可靠性工程师才能进行广泛的可靠性研究。

定义数据库所需的报告和分析类型将决定要包括的数据字段。因此，获得高质量数据的第一步是定义要回答的问题并确保收集的数据适合该目的。

对于可靠性研究，数据库系统字段应收集有关备件、故障模式、工时、主要检查结果、损坏组件和日常活动的维护信息。此外，通过综合下拉菜单控制这些领域报告的一致性将使软件应用程序能够执行关键功能，例如计算平均故障间隔时间 (MTBF)、可用性和其他可靠性 KPI。

数据质量因素

工具和技术

有多种工具可用于实现数据质量目标，包括用于减少重复、跨平台和跨平台集成和迁移数据以及执行数据分析的工具。

数据分析工具使用户能够从数据中提取含义，例如组合和分类数据以揭示趋势和模式。许多技术现在都支持移动。这些技术可以最大限度地减少数据收集中的人为和系统错误。采用这些新工具和技术有助于提高数据质量。

人员和流程

公司运营各个级别的每位员工，从维护人员到工程师和管理人员，都必须对数据在公司中的作用达成共识。这包括将收集哪些数据、使用数据的频率和用途。除了培训之外，还必须建立清晰的流程，以确保可靠且一致的数据收集和存储。

组织文化

管理支持和公司文化对数据质量起着至关重要的作用。向管理层报告的 KPI 应监控数据质量。如果一个组织想要启动一个新的项目或计划来提高绩效、增加机会数量或解决重大问题，它通常必须做出改变，包括改变流程、工作角色、组织结构和类型以及技术的使用.

程序和工作流程必须更新并与最佳实践保持一致。持续改进将是成功的驱动力。数据的质量和数量将是该驱动程序的关键。通过持续的培训，可以在人员中培养数据的重要性，有助于提升组织文化。

数据对可靠性的影响

为了说明数据质量的重要性，请考虑以下案例研究。一家工厂启动了一个项目，通过安装带有原油稳定装置的新油气分离包 (GOSP) 来提高石油产量。 GOSP将由分离阱、湿原油处理设施、水油分离器、气体压缩设施、火炬系统、输送/运输泵和稳定设施组成。

进行了可靠性、可用性和可维护性 (RAM) 研究以预测设施的生产可用性并将其与目标可用性进行比较。该研究还将用于确定限制生产吞吐量的领域，推荐实现生产业务目标所需的可用性的措施，确认为满足总系统可用性而采用的操作和维护理念，并确定补救措施或潜在的设计更改.

原始维护数据汇总在表 1 中。它基于对来自现有运营设施的维护人员的采访。为研究收集的数据在许多领域都存在问题，首先是对旧资产的维护数据进行错误比较，以确定新设施的运营范围。

例如，表 1 表明，每 10 个月，由于机械密封问题，压缩机将停止使用 30 天。此估计假设压缩机将在其生命周期的 10% 中因机械密封问题进行维护。这个假设是不正确的，因为该设施将采用新技术。此外，从旧设施中吸取的许多经验教训将反映在新设计中。

从数据中提取的另一个错误假设是腐蚀的影响。原始数据似乎表明，由于轴点蚀，压缩机每四年（48 个月）需要维护 30 天。在压缩机轴中使用升级材料将消除这些类型的问题。

表 1 进一步表明，由于振动造成的平均修复时间 (MTTR) 为 60 天。将此假设与由于改进备件管理而使新压缩机的平均预期 MTTR 仅为 4 天。

正如这个例子所示，从数据中提取的假设对于使用旧设备的老化设施可能是准确的，但在应用于采用升级材料和更高效技术设计的新设施时并不准确。

表 1. 为可靠性、可用性和可维护性研究收集的原始现场数据

表 2 总结了可靠性工程师更正的相同数据集。访问提供给第三方供应商的相同数据，工程师过滤原始数据以消除所有可以由过程仪表自动纠正的维护问题。然后根据维护和运营管理策略对数据进行分类，以识别与设计缺陷相关的问题，例如瓶颈、有限的容量和可用性。

更正后的数据可以应用于新设施，并用于为设计优化做出决策。例如，由于干密封，气体压缩机的故障模式现在显示 MTBF 为八年，MTTR 为三天。此外，新设施设计中的材料升级也消除了轴压压缩机的腐蚀假设。

表 2. 为可靠性、可用性和可维护性研究收集的过滤数据

两种设计的可用性和容量如图 1 所示。这说明了基于提供的数据集的两个模型之间的结果差异以及可用性和容量结果的差异。由于MTTR长MTBF短，原始数据显示新设施的可用性为77.34%，而校正后的数据集计算出的整体可用性为99%，代表实际情况。

在同一个项目中，对其他设备进行了类似的实践。由于高可用性，项目管理团队 (PMT) 被告知要消除备用设备。结果用于优化设计配置以充分利用系统。正如本案例研究所示，通过消除不必要的设备和加快项目的完成时间并避免成本，采用更正后的数据可以对新项目的资本和建设成本产生巨大影响。

图 1. 可靠性、可用性和可维护性 (RAM) 研究的结果

图 2. 输入数据、设计和模拟器结果之间的关系

任何可靠性软件或模拟器的有意义的结果都取决于输入数据和设计的质量。俗话说“进垃圾，出垃圾”。图 2 显示了设计和输入数据与 RAM 仿真结果之间的关系。一旦基于输入数据构建了 RAM 模型，就可以引入潜在的优化。数据是模型和其他可靠性性能测量中的关键元素。

重点可靠性研究也是如此。可靠性工程师花费大量时间分析运营中的数据。例如，工程师可能会对特定的不良行为项进行可靠性研究，这些不良行为者被定义为具有高维护成本和高故障率的组件、设备或系统。

该评估的结果用于将有限的资源集中用于在维护成本和可用性方面对现场操作最有利的高影响项目。如果工程师有不具代表性的数据或数据不足，所有的结果和建议都不能解决真正的问题。

这意味着失去了为维护计划、备件管理、维护预算和技术挑战增加价值的机会。因此，高质量的数据需要高效的数据收集系统，以明确识别支持组织必须做出的决策所需的数据类型和数量。

提高数据质量的 3 个关键步骤

1. 部署正确的数据库平台

在完成所有必填字段之前，为组织选择的解决方案不应关闭任何维护通知或工作订单。换言之，所选平台应禁用快捷方式，以确保所收集数据的一致性。

2. 将现有功能集成为一个综合解决方案

该平台应将所有可靠性功能整合到一个解决方案中，以更好地集成数据并减少组织中部署的系统数量。例如，如果从仓库中取出任何备件，则应根据特定通知进行收费。这将需要一个将备件管理与维护活动相结合的平台。

3. 实施数据质量保证计划

已部署解决方案的质量保证活动应包括对整个组织的数据质量进行定期审核。例如，质量保证团队可以随机审核每个运营设施 5% 的维护通知和工作订单，以评估收集到的数据的质量。评估结果可用于进一步提高解决方案的利用率并确保有效的数据库。

数据是基石

必须正确收集、存储和分析完整的资产维护和维修历史数据。一线员工，包括参与数据收集的维护人员和操作人员，也必须了解他们在数据质量方面的作用的重要性。

请记住，数据是任何公司决策的基石，数据质量是所有可靠性研究的核心。如果您拥有高质量的数据，则可以自信地将其用于有效的宣传、有意义的研究、战略规划和管理交付。

关于作者

Khalid A. Al-Jabr 是沙特阿美公司的可靠性工程专家，他拥有超过 18 年的工业经验，专注于设备可靠性和挑战。他拥有博士学位，是一名特许工程师，并获得了工程管理和数据分析专业认证。

Qadeer Ahmed 在沙特阿美担任可靠性咨询工程师，拥有 18 年的可靠性工程经验。他是一名特许工程师，拥有博士学位。并且是认证维护和可靠性专家 (CMRP) 和六西格码黑带。

Dahham Al-Anazi 是沙特阿美咨询服务部门的可靠性工程负责人。他拥有超过 25 年的技术经验，并拥有机械工程博士学位。