Sześć wzorców awaryjności to sześć krzywych warunkowego prawdopodobieństwa awarii zidentyfikowanych przez Stanley’a Nowlana i Howarda Heapa w ich badaniu niezawodności dla United Airlines z 1978 roku, pokazujących, że prawdopodobieństwo awarii danego elementu nie podąża za jednym uniwersalnym „kształtem zużycia”.
Ich praca, finansowana przez Departament Obrony USA i później stanowiąca podstawę Reliability Centered Maintenance (RCM), obaliła wygodne założenie, że większość urządzeń starzeje się przewidywalnie i można je chronić poprzez planowe remonty. Dane mówiły inaczej.
Dla planistów utrzymania ruchu jest to najważniejszy pojedynczy powód, by przesunąć wydatki z rutynowych, kalendarzowych remontów na działania oparte na stanie technicznym.
Nowlan i Heap wykreślili dla dużych populacji komponentów lotniczych, jak warunkowe prawdopodobieństwo awarii zmienia się w zależności od wieku eksploatacyjnego. Prawdopodobieństwo warunkowe to szansa, że element ulegnie awarii w następnym przedziale czasu, pod warunkiem że przetrwał do tej pory.
Stwierdzili, że te krzywe grupują się w sześć odrębnych kształtów i, co krytyczne, że tylko trzy z nich wykazują wzrost ryzyka awarii wraz z wiekiem. Pozostałe trzy są płaskie lub maleją w czasie, co oznacza, że starsze części nie są bardziej podatne na awarię niż młodsze.
To odkrycie jest blisko powiązane z, ale szersze niż klasyczna krzywa wannowa, która jest tylko jednym z sześciu wzorców. Krzywa wannowa jest intuicyjna i nadal nauczana wszędzie, a mimo to opisywała mniejszość badanych komponentów. Zrozumienie wszystkich sześciu wymaga praktycznej znajomości statystyki awaryjności; zwykłym narzędziem do dopasowywania tych krzywych do rzeczywistych danych jest rozkład Weibulla.
Dodając trzy wzorce związane z wiekiem (A, B i C) otrzymujemy w przybliżeniu 11 procent. Pozostałe 89 procent (D, E i F) zdominowane jest przez awarie losowe lub wczesne, gdzie planowany remont nie robi nic użytecznego, a może wręcz wprowadzić nowe wczesne wady montażowe.
Wyobraź sobie flotę 200 identycznych łożysk skrzyni biegów, które mają wzorzec F. W pierwszych 500 godzinach pracy wczesne wady (błędny montaż, zanieczyszczenia) powodują 12 awarii. Po tym okresie docierania populacja ustala się na niskim, losowym poziomie około 1 awarii na 1 000 łożyskogodzin.
Planista ustala „bezpieczną” wymianę co 4 000 godzin. Ponieważ łożyska nie ulegają zużyciu, każda taka wymiana zastępuje zdrowe łożysko nowym, a każde nowe zamontowane łożysko ponownie wchodzi w 500-godzinny okres zwiększonego ryzyka wczesnych awarii. Jeśli nawet 6 procent nowych montażów ma wadę, celowo wyprodukowano nową falę wczesnych awarii na komponencie, który działał prawidłowo.
Kalendarzowy przegląd nie zmniejszył ryzyka; jedynie spowodował jego ponowne pojawienie się. Podejście oparte na stanie (condition-based maintenance), które monitoruje drgania i temperaturę, pozostawiłoby sprawne łożyska w spokoju i działało tylko wobec tych, które faktycznie się degradują.
Praktyczny wniosek nie brzmi „przestań wykonywać utrzymanie zapobiegawcze”. Chodzi o dopasowanie taktyki do wzorca. Wymiana oparta na czasie ma sens tylko dla komponentów, które rzeczywiście wykazują efekty zużycia związane z wiekiem (wzorce A, B i C), i to tylko wtedy, gdy istnieje wyraźny, dominujący punkt zużycia.
Dla pozostałych odpowiedzią w ramach RCM są zadania oparte na stanie (on-condition), kontrole wykrywające awarie, przeprojektowanie lub świadoma decyzja o eksploatacji do awarii (run-to-failure), gdy konsekwencje są akceptowalne.
Tu też zaostrza się szersza debata o utrzymaniu reaktywnym kontra proaktywnym: „proaktywne” nie musi oznaczać działań opartych na kalendarzu i często nie powinno.
Niekorzystnym powodem, dla którego wiele zakładów domyślnie stosuje kalendarzowe PM, jest brak historii awarii pozwalającej w ogóle wykreślić te krzywe. Klasyfikacja komponentu jako losowego versus zużyciowego wymaga zapisów awarii z datami i godzinami pracy oraz odczytów stanu. Bez tego planiści wracają do najbezpieczniej brzmiącego harmonogramu.
Rzetelna analiza wzorców zależy od zdyscyplinowanego CMMS , które rejestruje każde zlecenie pracy z przypisanym trybem awarii, oraz od sygnałów stanu w czasie rzeczywistym zamiast ręcznych obchódów. Czystsze dane bezpośrednio poprawiają też Twoje Overall Equipment Effectiveness , ponieważ przestoje nieplanowane maleją, gdy utrzymanie celuje w zasoby, które faktycznie się degradują.
Stosowanie sześciu wzorców awaryjności jest dobre tylko tak długo, jak dobre są dane, na których się opiera, a to jest warstwa, którą dostarcza Fabrico.
Fabrico to platforma monitorowania OEE i produkcji w czasie rzeczywistym połączona z gotowym do użycia w terenie CMMS, dająca historię awarii z czasem, godziny pracy i szczegóły zleceń potrzebne do sklasyfikowania rzeczywistego zachowania awaryjnego każdego zasobu zamiast zgadywania.
Jego monitorowanie wizyjne odczytuje stan maszyny nawet na starszym wyposażeniu bez PLC, dzięki czemu sygnały stanu są dostępne dokładnie dla tych starszych zasobów, które najczęściej wykazują wzorce losowe lub wczesnych awarii.
Zlecenia pracy, rejestry zasobów, harmonogramy prewencyjne i śledzenie części zapasowych są w jednym miejscu, a Fabrico jest zbudowane w UE z przechowywaniem danych w UE. Fabrico jest fundamentem danych w czasie rzeczywistym, który pozwala zespołowi niezawodności zdecydować w oparciu o dowody, które zasoby zasługują na harmonogram, a które powinny być obserwowane.
Nie. Oznacza to, że planowana wymiana według sztywnych interwałów jest skuteczna tylko dla około 11 procent komponentów, których ryzyko awarii rzeczywiście rośnie z wiekiem. Dla tych zasobów jest to dokładnie właściwa taktyka. Chodzi o to, że stosowanie harmonogramu kalendarzowego do pozostałych 89 procent marnuje robociznę i części oraz może wprowadzać nowe wczesne wady montażowe, więc taktyka musi być dopasowana do rzeczywistego wzorca każdego komponentu.
Krzywa wannowa to tylko jeden z sześciu wzorców (wzorzec A). Nowlan i Heap pokazali, że odnosiła się ona tylko do niewielkiej części badanych komponentów. Traktowanie krzywej wannowej jako uniwersalnej prowadzi planistów do oczekiwania strefy zużycia, której większość urządzeń nigdy nie osiąga, i właśnie to założenie ich badania sprostowały.
Potrzebujesz historii awarii dla każdego zasobu z datami i godzinami pracy, trybem awarii dla każdego zdarzenia i najlepiej danych stanu, takich jak trendy drgań lub temperatury. Przy wystarczającej liczbie rekordów możesz dopasować krzywą Weibulla dla każdego trybu awarii i zobaczyć, który z sześciu wzorców dominuje. Większość zakładów uważa, że blokadą jest dyscyplina rejestrowania danych, a nie sama statystyka.
Gotowy przestać planować remonty na zasobach, które nigdy się nie zużywają? Zobacz, jak Fabrico przekształca dane maszyn w czasie rzeczywistym i ustrukturyzowaną historię zleceń w podstawę dowodową dla inteligentniejszych decyzji utrzymaniowych. Zarezerwuj demo Fabrico i zacznij wykorzystywać swoje dane o awariach.
Zaloguj
Blog
