برنامه‌های قابلیت اطمینان خود را با استفاده از داده‌ها ساده‌سازی کنید
تحول در قابلیت اطمینان با تکیه بر تحلیل داده‌محور
طیف گسترده‌ای از برنامه‌های صنعتی نظیر بازرسی تجهیزات ثابت (Fixed Equipment Inspections)، بازرسی مبتنی بر ریسک (Risk-Based Inspection)، نگهداری مبتنی بر قابلیت اطمینان (Reliability Centered Maintenance)، بهینه‌سازی موجودی قطعات یدکی (Spare Parts Optimization)، انطباق با الزامات مدیریت ایمنی فرایند (Process Safety Management Compliance)، برنامه‌ریزی تعمیرات اساسی (Turnaround Planning)، و تحلیل مخاطرات فرایند (Process Hazard Analysis) به‌طور مداوم در حال توسعه و تعمیق هستند. در کنار این موارد، حوزه‌هایی مانند تأکیدات ویژه (Special Emphasis)، استفاده از یادگیری ماشینی در تجهیزات دوار حیاتی (Critical Rotating Equipment Machine Learning) و بهینه‌سازی بازرسی سازه‌ای (Structural Inspection Optimization) نیز به‌عنوان رویکردهای نوین در بهبود عملکرد نگهداری و قابلیت اطمینان مطرح شده‌اند.
با پیشرفت روزافزون فناوری‌های نوین، افزایش توانمندی‌های علم داده (Data Science) و ظرفیت‌های محاسباتی که امکان تحلیل حجم عظیمی از داده‌ها را فراهم کرده‌اند، و همچنین فشارهای ناشی از مقررات سخت‌گیرانه و الزامات عملکردی کسب‌وکارها، سازمان‌های صنعتی بیش از پیش به سمت استفاده از تحلیل‌های داده‌محور (Analytics) برای بهبود عملکرد در حوزه قابلیت اطمینان روی آورده‌اند.
با این حال، با وجود اثربخشی بالقوه این اقدامات، دستیابی به نتایج موفقیت‌آمیز تنها زمانی امکان‌پذیر خواهد بود که رویکردهای سنتی مورد بازنگری قرار گیرند. در این راستا، ضروری است که مرزهای عملکردی قدیمی و ساختارهای جزیره‌ای قابلیت اطمینان (Traditional Reliability Silos) کنار گذاشته شده و برنامه‌ها در قالبی یکپارچه و داده‌محور بازتعریف شوند.
استفاده از قابلیت اطمینان مبتنی بر داده برای ایجاد هم‌گرایی بین برنامه‌های قابلیت اطمینان و یکپارچگی مکانیکی
در یکی از فعالیت‌های اخیر شرکت Pinnacle، تمرینی طراحی و اجرا شد که طی آن گروهی از متخصصان با پیشینه‌ها و حوزه‌های تخصصی مختلف در زمینه نگهداری و قابلیت اطمینان گرد هم آورده شدند. هدف از این تمرین، بررسی روش‌هایی بود که از طریق آنها می‌توان داده‌ها را به‌صورت ساده‌سازی‌شده و مؤثر در سراسر برنامه‌های قابلیت اطمینان به‌کار گرفت و به نوعی هم‌گرایی بین عملکرد قابلیت اطمینان و یکپارچگی مکانیکی (Mechanical Integrity) ایجاد کرد.
تمرکز اصلی این گفت‌وگوها و تحلیل‌ها، بر فرآیندهای کاری (Work Processes) و مدیریت داده‌ها (Data Management) معطوف بود. باید توجه داشت که در این تمرین، موضوعاتی نظیر نیروی انسانی، فرهنگ سازمانی و ساختارهای سازمانی مورد بررسی قرار نگرفتند؛ هرچند که این عناصر نیز در موفقیت نهایی برنامه‌ها نقشی حیاتی ایفا می‌کنند.
در چنین رویکردی، استفاده هوشمندانه از داده‌ها به‌عنوان مبنای تصمیم‌گیری فنی، می‌تواند مسیر هم‌راستاسازی بین حوزه‌های مختلف مهندسی و عملیاتی را هموار کند و منجر به افزایش بهره‌وری، کاهش دوباره‌کاری‌ها، و ارتقاء قابلیت پیش‌بینی در حوزه نگهداری شود.
پیش‌فرض مشترک در برنامه‌های قابلیت اطمینان و یکپارچگی مکانیکی: چرخه داده‌محور
یکی از مفروضات بنیادینی که در تمرین اخیر شرکت Pinnacle مورد توجه قرار گرفت، این بود که برنامه‌های قابلیت اطمینان (Reliability) و یکپارچگی مکانیکی (Mechanical Integrity - MI)، به‌رغم تفاوت‌های ظاهری، بر پایه یک پیش‌فرض مشترک بنا شده‌اند. این پیش‌فرض شامل یک چرخه مداوم است که در آن:
داده‌ها جمع‌آوری می‌شوند،
داده‌های گردآوری‌شده تحلیل می‌گردند،
اقدامات مبتنی بر تحلیل اجرا می‌شوند،
در صورت نیاز، این اقدامات بازتنظیم می‌شوند،
و این فرایند به‌صورت تکراری برای بهبود مستمر تحلیل‌ها ادامه می‌یابد.
با وجود این ساختار منطقی، آنچه در عمل مشاهده می‌شود آن است که بخش عمده‌ای از فعالیت‌های میدانی در یک تأسیسات صنعتی صرف جمع‌آوری داده‌ها می‌شود. فرآیندهایی مانند:
بازرسی‌های مبتنی بر استانداردهای مؤسسه نفت آمریکا (American Petroleum Institute - API)
آزمون‌های غیرمخرب (Nondestructive Examination - NDE)
بازدیدهای اپراتوری (Operator Rounds)
و فناوری‌های پایش وضعیت پیش‌بین (Predictive Technologies)
همگی وابسته به گردآوری داده‌هایی هستند که در سطح سالانه، هزینه‌ای معادل میلیون‌ها دلار برای یک تأسیسات به همراه دارند.
از آنجا که تصمیمات نگهداری و تعمیرات به‌طور مستقیم بر مبنای این داده‌های جمع‌آوری‌شده اتخاذ می‌شوند، روشن است که حتی ناکارآمدی‌های جزئی در این چرخه، می‌تواند موجب افزایش چشمگیر هزینه‌ها و کاهش اثربخشی اقدامات نگهداری گردد. از این‌رو، بهینه‌سازی فرآیند جمع‌آوری، تحلیل و بهره‌برداری از داده‌ها، نه‌تنها یک ضرورت اقتصادی، بلکه یک عامل کلیدی در ارتقاء قابلیت اطمینان تجهیزات محسوب می‌شود.
گام نخست در ادغام برنامه‌های قابلیت اطمینان و یکپارچگی مکانیکی
در این تمرین، زمانی که پرسیده شد چگونه می‌توان برنامه‌های قابلیت اطمینان (Reliability) و یکپارچگی مکانیکی (Mechanical Integrity - MI) را بیشتر با یکدیگر ادغام کرد، پاسخ بر شروع از اصول پایه تأکید داشت.
به‌طور مشخص، ابتدا باید مشخص شود که هر برنامه چه هدفی را دنبال می‌کند و مکانیزم‌های دستیابی به این اهداف چگونه عمل می‌کنند.
پس از شناسایی این موارد، باید فرآیندهای مشترکی استخراج شوند که تمرکز آنها بر داده‌هایی باشد که قابلیت اطمینان را هدایت می‌کنند، نه صرفاً بر فناوری‌ها.
در ادامه برخی از سوالات رایجی که در طول این تمرین مطرح شدند آورده شده است:
چه داده‌ها و ساختارهای داده‌ای مورد نیاز هستند؟
داده‌ها چگونه جمع‌آوری می‌شوند؟
احتمال خرابی (Probability of Failure - PoF) چگونه تحلیل می‌شود؟
پیامدهای خرابی (Consequence of Failure - CoF) چگونه تعیین می‌شوند؟
چگونه وظایف انتخاب می‌شوند؟
کنترل‌های فرآیند کاری مانند برنامه‌ریزی، زمان‌بندی، مدیریت انباشت کارها (Backlog) و مدیریت پیمانکاران چگونه عمل می‌کنند؟
نمونه‌ای از ادغام: تحلیل حالات خرابی و اثرات آن (Failure Mode and Effects Analysis - FMEA)
به‌عنوان نمونه، تنها یک حوزه مورد بررسی قرار گرفت: تحلیل حالات خرابی و اثرات آن (FMEA). این فرآیند به‌صورت شهودی قابل درک است و به‌عنوان یکی از ابزارهای رایج، مبنای مشترکی برای هر دو برنامه قابلیت اطمینان (Reliability) و یکپارچگی مکانیکی (Mechanical Integrity - MI) محسوب می‌شود.
با این حال، این تصور وجود دارد که FMEAها به‌صورت یکنواخت در هر دو حوزه به‌کار می‌روند، در حالی‌که تفاوت‌های اساسی در نحوه توسعه، استفاده از وظایف (Task Utilization) و برداشت‌های داده‌ای (Data Insights) میان این دو رویکرد مشاهده می‌شود.
توسعه
قابلیت اطمینان (Reliability):
در برنامه‌های مرتبط با قابلیت اطمینان، دارایی‌ها معمولاً دارای چندین الزام عملکردی هستند. از این‌رو، لازم است در گام نخست، تمامی عملکردهای دارایی به‌صورت دقیق تعریف شوند. پس از آن، فرآیند شناسایی حالات خرابی (Failure Modes)، مکانیزم‌های خرابی (Failure Mechanisms) و اقدامات کاهش‌دهنده (Mitigation Tasks) دنبال می‌شود.
یکپارچگی مکانیکی (Mechanical Integrity - MI):
در رویکرد MI، تمرکز اصلی بر جلوگیری از نشت و از دست رفتن محتویات سیستم (Loss of Containment) قرار دارد. در نتیجه، عملکرد مربوط به جلوگیری از نشت، به‌صورت ضمنی فرض گرفته می‌شود و توسعه تحلیل از مرحله شناسایی حالات خرابی آغاز می‌شود.
استفاده از وظایف (Task Utilization)
قابلیت اطمینان (Reliability):
در برنامه‌های مربوط به تجهیزات غیرثابت (Non-Fixed Equipment)، مجموعه‌ای از وظایف شامل جمع‌آوری داده‌ها، اقدامات پیشگیرانه و اقدامات اصلاحی (Corrective) به‌کار گرفته می‌شود. هدف از این ترکیب، کاهش فرسودگی شتاب‌یافته، حفظ در دسترس بودن دارایی (Asset Availability) و بازتنظیم چرخه عمر دارایی به‌گونه‌ای است که از نظر اقتصادی بهینه باشد.
یکپارچگی مکانیکی (Mechanical Integrity - MI):
در مورد تجهیزات ثابت (Fixed Equipment)، بیشتر وظایف در قالب جمع‌آوری داده‌ها یا اقدامات اصلاحی طبقه‌بندی می‌شوند و سهم وظایف پیشگیرانه نسبتاً محدودتر است. دلیل این امر آن است که بیشتر دارایی‌های ثابت به‌گونه‌ای طراحی شده‌اند که به‌صورت طبیعی دچار فرسودگی می‌شوند و اقدامات پیشگیرانه در این حوزه اغلب مستلزم تغییرات مهندسی هستند. بنابراین، تمرکز اصلی بر جمع‌آوری داده‌هایی است که امکان پیش‌بینی زمان رسیدن به نقطه بحرانی (Critical Threshold) را فراهم می‌سازد تا تعمیرات اصلاحی به‌صورت کنترل‌شده و اقتصادی انجام‌پذیر باشد.
برداشت‌های داده‌ای (Data Insights)
قابلیت اطمینان (Reliability):
در برنامه‌های قابلیت اطمینان، وظایف معمولاً بر پایه حالت خرابی (Failure Mode) تعریف می‌شوند و داده‌های جمع‌آوری‌شده، منعکس‌کننده مکانیزم خرابی (Failure Mechanism) هستند. به‌عنوان نمونه، در مورد پمپی که مستعد خرابی است، ممکن است وظیفه‌ای برای آنالیز روغن (Oil Analysis) تعریف شود که در آن، افزایش ذرات جامد در روغن مشاهده شده و این امر به‌عنوان نشانه‌ای از افزایش احتمال خرابی در نظر گرفته می‌شود.
یکپارچگی مکانیکی (Mechanical Integrity - MI):
در رویکرد سنتی MI، وظایف بر اساس مکانیزم‌های خرابی پیش‌بینی‌شده تعیین می‌گردند، اما داده‌هایی که جمع‌آوری می‌شوند اغلب حالت خرابی را نمایش می‌دهند. رایج‌ترین نوع داده، ضخامت (Thickness) است که معمولاً نشان‌دهنده ضخامت کلی دیواره بوده و تمامی مکانیزم‌های فعال فرسودگی در آن نقطه را به‌صورت تجمیعی منعکس می‌کند.
برای مثال، اگر لوله‌ای هم‌زمان در معرض خوردگی جوی خارجی (External Atmospheric Corrosion) و خوردگی داخلی ناشی از آب ترش (Internal Sour Water Corrosion) باشد، داده‌های به‌دست‌آمده از ضخامت‌سنجی التراسونیک (Ultrasonic Thickness - UT) تنها ضخامت کل دیواره و نرخ فرسودگی را نشان می‌دهند، بدون آنکه مشخص سازند چه بخشی از این کاهش ضخامت به هر یک از مکانیزم‌ها مربوط می‌شود.
در نتیجه، داده‌های جمع‌آوری‌شده بیشتر بیانگر حالت خرابی مانند نازک‌شدن دیواره هستند، نه مکانیزم خاص خرابی مانند خوردگی جوی یا خوردگی آب ترش.
این‌ها تنها چند مثال هستند. با این حال، به‌سرعت می‌توان دریافت که داده‌های اضافی به بهبود قابلیت اطمینان دارایی کمکی نمی‌کنند، خصوصاً وقتی سوالات زیر مطرح شوند:
واقعاً به چه داده‌هایی نیاز دارم و هر چند وقت یک‌بار به آنها نیاز دارم؟
چه میزان اطلاعات باید در تحلیل حالات خرابی و اثرات آن (FMEA) وارد شود؟
اطلاعات باید با چه توالی منطقی جریان یابد تا FMEA به درستی انجام شود؟
این اطلاعات چگونه به پیش‌بینی احتمال خرابی (Probability of Failure - PoF) یا پیامدهای خرابی (Consequence of Failure - CoF) کمک می‌کند؟
آیا اقدامات کاهش‌دهنده مبتنی بر این اطلاعات فایده‌ای دارند و آیا می‌توان آنها را کمی‌سازی کرد؟
ساده‌سازی واژگان برای تمرکز بر اهداف اصلی
در جریان این تمرین، اصطلاحات و واژگان تخصصی تا حد امکان ساده‌سازی شد تا تمرکز صرفاً بر آنچه واقعاً مورد نیاز است قرار گیرد، نه بر پیچیدگی‌های زبانی یا فنی.
به‌عنوان نمونه، از به‌کارگیری واژگان رایج اما فنی مانند «مکانیزم آسیب» (Damage Mechanism) یا «فعال‌سازی مکانیزم» (Mechanism Activation) پرهیز شد تا ارتباطات و تصمیم‌گیری‌ها شفاف‌تر و عملی‌تر صورت گیرد.
در نتیجه، توانستیم عناوین مشترک FMEA خود را در شش ستون اصلی خلاصه کنیم:
عملکرد (Function): الزامات عملکردی دارایی چیست؟
حالت خرابی (Failure Mode): چه چیزی می‌تواند باعث از دست رفتن عملکرد شود؟
مکانیزم خرابی (Failure Mechanism): چرا خرابی اتفاق می‌افتد؟
تکنیک پایش (Surveillance Technique): چه داده‌هایی جمع‌آوری می‌شوند تا روند و احتمال خرابی دارایی محاسبه شود؟
مکان پایش شرایط (Condition Monitoring Location - CML): محل دقیق جمع‌آوری یا منبع داده‌ها کجاست؟ به‌عنوان مثال، ممکن است جریان فرآیند را از طریق یک سیستم ثبت داده‌های فرایندی (Process Historian) رصد کنید، اما CML شماره فرستنده خاصی است که داده‌ها را ارسال می‌کند.
وظیفه نگهداری (Maintenance Task): چه اقداماتی برای کاهش خرابی انجام خواهد شد وقتی مقدار بحرانی مشخص شده برسد؟
ایجاد جریان داده مشترک و افزایش کارایی تحلیل‌ها
از طریق این تجمیع، یک جریان منطقی داده به‌صورت گروهی توسعه یافت که قابلیت استفاده توسط تمامی رشته‌های تخصصی را دارد و به نوع خاصی از تجهیزات یا فناوری وابسته نیست. این رویکرد با بهره‌گیری از داده‌های مشترک و فعالیت‌های همپوشان—که پیش‌تر به‌صورت تکراری انجام می‌شدند—موجب افزایش کارایی فرآیند شد.
همچنین مشخص شد که انتخاب وظایف در این ساختار جدید، مختصرتر و هدفمندتر شده است، که این موضوع به بهبود روش‌های کمی‌سازی ارزش وظایف و افزایش هم‌گرایی در تحلیل‌های احتمال خرابی (Probability of Failure) و پیامد خرابی (Consequence of Failure) منجر شده است.
بدیهی است که برخی دارایی‌ها ممکن است نیازمند فیلد منطقی اضافی باشند، اما این موارد قابل مدیریت در قالب تحلیل‌های خاص و مستقل خواهند بود.
مثالی که نحوه استفاده از ساختار مشترک در این نوع تحلیل را نشان می‌دهد، به شرح زیر است:
پمپ گریز از مرکز (Centrifugal Pump):
مخزن انباشته (Accumulator Drum Boot):
پوسته استوانه‌ای (Cylindrical Shell):
اکنون که یک ساختار تحلیلی مشترک در دسترس است، امکان ادغام جنبه‌های قابلیت اطمینان (Reliability) و یکپارچگی مکانیکی (Mechanical Integrity - MI) در قالب یک تحلیل واحد فراهم شده است تا تمرکز اصلی بر قابلیت اطمینان دارایی باشد.
برای نمونه، در خصوص مبدل حرارتی فین‌فن (Fin-Fan Heat Exchanger)، در ساختارهای تحلیلی سنتی لازم بود ابتدا تحلیلی برای مدل‌سازی خوردگی انجام شود و سپس تحلیلی جداگانه برای اجزای چرخان تهیه گردد. اما در این مدل داده‌محور جدید، هر دو دیدگاه در قالب یک تحلیل یکپارچه ارائه می‌شوند. این تحلیل شامل تعریف دقیق مدهای خرابی (Failure Modes)، مکانیزم‌های خرابی (Failure Mechanisms)، روش‌های پایش (Surveillance Techniques)، نقاط پایش شرایط (CMLs)، و وظایف نگهداری (Maintenance Tasks) است که تحلیلی کامل از قابلیت اطمینان دارایی ارائه می‌دهد.
این تحلیل مبتنی بر داده‌هایی است که باید جمع‌آوری و تحلیل شوند تا زمان انجام وظایف نگهداری پیش‌بینی شده و از بروز خرابی پیش از وقوع آن جلوگیری شود.
ملاحظات مربوط به استراتژی‌های یکپارچه‌سازی
برای آنکه بتوانید از داده‌ها به‌درستی در جهت یکپارچه‌سازی برنامه‌های خود استفاده کنید، باید با «در نظر داشتن هدف نهایی» شروع کنید. تصور کنید می‌خواهید داده‌ها شما را به کجا برسانند و سپس مسیر را به‌صورت معکوس طراحی کنید. این طرز فکر به شما کمک می‌کند فقط اطلاعات ضروری را جمع‌آوری کرده و اقداماتی را انجام دهید که مستقیماً باعث بهبود قابلیت اطمینان (Reliability) می‌شوند.
در ادامه، باید مشخص کنید:
تصمیمات کلیدی که باید در این فرآیند اتخاذ کنید
نوع اطلاعات و ویژگی‌های لازم برای اتخاذ مؤثر و کارآمد این تصمیمات
محاسبات موردنیاز برای تولید این اطلاعات
داده‌های خام مورد نیاز برای اجرای این محاسبات
بهترین روش برای جمع‌آوری این داده‌های خام
همانند تمام تلاش‌های تحولی ارزشمند، فرآیند یکپارچه‌سازی نیز هرگز کامل نخواهد بود. رمز موفقیت، پیشرفت مستمر و ملموسی است که بتوان آن را به‌صورت عملی پیاده‌سازی کرد تا نتایجی قابل اندازه‌گیری به همراه داشته باشد.
جمع‌بندی
امکان یکپارچه‌سازی و ساده‌سازی برنامه‌های مرتبط با قابلیت اطمینان (Reliability) از طریق بهره‌گیری هدفمند از داده‌ها فراهم شده است. نکته اساسی در این مسیر، تشخیص نوع داده‌های مورد نیاز و نحوه استفاده مؤثر از آنها است؛ نه اتکا به رویکردهای پراکنده و فاقد انسجام.
Powered by Froala Editor
.jpg)
برای ثبت نظر ابتدا وارد حساب کاربری خود شوید