Analiza Crow‑AMSAA, zwana także analizą wzrostu niezawodności, to technika wykresowa, która pokazuje, czy maszyna, flota lub zakład staje się bardziej niezawodny, pozostaje bez zmian, czy po cichu się pogarsza. Nanosząc skumulowane awarie względem skumulowanego czasu pracy na osiach log‑log, nachylenie powstałej linii, beta, daje werdykt: poniżej 1 oznacza poprawę niezawodności, blisko 1 — brak zmian, powyżej 1 — przyspieszanie awaryjności.
Metoda wywodzi się z obserwacji Duane’a, że dane o awariach w rozwijających się systemach wykreślają się jako linia prosta na kartce log‑log, co później sformalizował Larry Crow w US Army Materiel Systems Analysis Activity (AMSAA) jako statystycznie rygorystyczny model. Jej atrakcyjność w przemyśle wynika z odporności: toleruje mieszane tryby awarii i chaotyczne dane z rzeczywistości — dokładnie takie, jak wyglądają zapisy utrzymania ruchu — i wymaga jedynie dat awarii oraz miary eksploatacji (godziny, cykle, tony).
Linia napełniająca zanotowała 24 awarie w pierwszych 4 000 godzinach pracy, po czym wdrożono zmieniony program prewencyjny. W ciągu następnych 4 000 godzin zanotowano 9 awarii. Na wykresie Crow‑AMSAA wczesne dane mają betę około 1,1, co wskazuje na lekkie pogorszenie; po wdrożeniu programu nachylenie zmienia się do około 0,6, co oznacza wyraźną poprawę. Kierownictwo pytało „czy program PM się opłaca?” — odpowiedź widać na jednym wykresie: ta sama linia, która wcześniej generowała awarię co 167 godzin, teraz generuje ją co 440 godzin i dalej się wydłuża. Wykres także projekcje naprzód: przy utrzymaniu obecnego nachylenia następna awaria spodziewana jest za około trzy tygodnie, co jest racjonalnym sposobem planowania części zamiennych i inspekcji. Ta prognoza zakłada, że warunki pozostaną niezmienione; to założenie powinno być jawne, nie ukryte.
Obie metody się uzupełniają, nie rywalizują. Analiza Weibulla bada pojedynczy tryb awarii w populacji identycznych elementów, aby scharakteryzować rozkład ich czasu życia — idealna do ustalania odstępów wymiany. Crow‑AMSAA bada system podlegający naprawom w czasie, łącząc wszystkie tryby awarii — idealna do oceny, czy zarządzanie niezawodnością jako całość przynosi efekty. Weibull odpowiada „kiedy ten typ komponentu zawiedzie”; Crow‑AMSAA odpowiada „czy ta maszyna staje się lepsza czy gorsza pod naszą opieką”, co czyni go też uczciwym miernikiem skuteczności strategii sugerowanych przez badania nad sześcioma wzorcami awarii.
Tylko dwóch rzeczy, ale szczerze: kompletnych zdarzeń awaryjnych i wiarygodnego czasu pracy. Obie te rzeczy giną przy słabej ewidencji: awarie naprawiane bez zleceń roboczych znikają z licznika, a czas kalendarzowy podszywający się pod czas pracy fałszuje mianownik. Czyste, spójne zapisy awarii z rzeczywistymi godzinami pracy to cały warunek wstępny, a metryki takie jak MTBF mają tę samą zależność.
Fabrico dostarcza dwóch składników, których potrzebuje wykres: każdą awarię zarejestrowaną jako zlecenie robocze ze znacznikami czasu i kodami oraz prawdziwy czas pracy mierzony automatycznie przez monitoring produkcji w czasie rzeczywistym, a nie szacowany z kalendarza. Wyeksportuj pary danych, a wykres Crow‑AMSAA powstanie w kilka minut w dowolnym narzędziu analitycznym; trudna część — wiarygodne dane — jest już wykonana. Fabrico nie uruchamia samego modelu statystycznego; sprawia, że warto go uruchomić. Oprogramowanie stworzone w UE, z przechowywaniem danych w UE.
Znaczące nachylenia wyłaniają się z zaskakująco niewielu punktów; tuzin zdarzeń awaryjnych już rysuje użyteczną linię. To sprawia, że metoda jest praktyczna dla pojedynczych krytycznych maszyn, nie tylko dla flot, choć więcej zdarzeń poprawia zarówno oszacowanie nachylenia, jak i wykrywanie punktów zmiany.
Tak — to jej główna zaleta. Wykres śledzi całkowitą intensywność awarii systemu, z mieszanymi trybami włącznie. Gdy linia załamuje się w niepożądanym kierunku, zagłębiasz się w tryby i komponenty za pomocą narzędzi Pareto i Weibulla, aby ustalić przyczynę.
Dzielą symbol i podobną interpretację (poniżej 1 — poprawa lub wczesna awaryjność; powyżej 1 — pogorszenie lub zużycie), ale należą do różnych modeli: parametr kształtu Weibulla opisuje rozkład czasu życia komponentu; beta w Crow‑AMSAA opisuje trend intensywności awarii systemu podlegającego naprawom. Mylenie ich jest częstym i mylącym błędem.
Chcesz historię awarii i rzeczywiste godziny pracy wystarczająco czyste, by je wykreślić? Zarezerwuj demonstrację Fabrico, aby zobaczyć automatyczne przechwytywanie OEE i jak rekordy CMMS budują zestaw danych o niezawodności, na jaki zasługują Twoje analizy.
Zaloguj
Blog
