Pourquoi les données sont la base de la fiabilité

À l'ère technologique d'aujourd'hui, les données sont essentielles à la prise de décision. Ce domaine de spécialité est connu sous le nom de « science des données ». Les entreprises peuvent tirer parti de la technologie en collectant, analysant et utilisant des données pour prendre des décisions éclairées.

Un groupe de recherche prédit qu'avec le taux de croissance actuel des données, d'ici 2025, la taille des données sera de 163 zettaoctets. Pour mieux comprendre ce nombre, considérons qu'un zettaoctet équivaut à mille milliards de gigaoctets. Cela soulève des questions sur le stockage, la qualité et la gestion des données.

Cet article discutera de l'importance des données et de leur utilisation dans la réalisation d'études de fiabilité significatives. La définition courante de la fiabilité est la probabilité qu'un équipement, un système ou une installation fonctionne sans défaillance pendant une période donnée dans des conditions d'exploitation spécifiques. Par conséquent, des données de défaillance historiques précises et leur analyse appropriée sont essentielles pour toute analyse de fiabilité.

L'analyse des données offre la possibilité d'examiner d'énormes quantités de données et d'extraire des informations utiles qui peuvent ensuite soutenir une meilleure prise de décision. Cela n'est possible que si l'on a une confiance raisonnable dans les données, car de mauvaises données peuvent conduire à de mauvaises décisions.

Avantages de l'analyse des données

L'analyse de fiabilité est un moyen efficace d'aider la direction et les ingénieurs à prendre des décisions techniques et financières. Entre autres choses, l'analyse des données aide à optimiser la conception des projets, à réduire les coûts, à prévoir la durée de vie des composants, à enquêter sur les défaillances, à évaluer les intervalles de garantie, à mettre en œuvre des périodes d'inspection efficaces et à déterminer des indicateurs de performance clés (KPI). Des données précises sont vitales pour effectuer une étude de fiabilité complète.

La filtration et la collecte des données sont des responsabilités importantes de tout ingénieur en fiabilité. La collecte de données est la méthode de collecte et d'évaluation des informations sur les variables d'intérêt pour établir un modèle systématique pour répondre à des questions de recherche spécifiques, évaluer des hypothèses, et estimer et soutenir les résultats.

Ainsi, la collecte des données est la phase commune à toutes les recherches. Assurer une collecte de données précise et honnête est le facteur commun et le même objectif pour ces études.

De nombreux outils et techniques sont disponibles pour traiter les données de manière à les rendre plus précises et fiables, par exemple pour éliminer les valeurs aberrantes qui peuvent fausser les résultats globaux de l'analyse de fiabilité.

Établir des données fiables

Dans toute installation d'exploitation, des données précises et fiables, qui incluent les enregistrements de maintenance et de défaillance des actifs, les fenêtres de fonctionnement, etc., peuvent constituer la base des études d'ingénierie de fiabilité. Malheureusement, toutes les entreprises ne disposent pas des systèmes, des processus et de la culture requis pour la collecte et la gestion des données.

Une exigence pour établir une base de données robuste est de s'assurer que tous les points de données significatifs sont collectés et stockés. Une base de données qui ne collecte que quelques données importantes peut offrir une image incomplète et peut-être même trompeuse des opérations actuelles et de l'état des actifs.

L'utilisation d'outils validés, qui sont des méthodes de collecte des données évaluées et fiables, peut être une pratique utile. Par exemple, une grande entreprise finlandaise a signalé qu'environ un rapport de maintenance clôturé sur six (17,2 %) n'incluait pas de mode de défaillance.

De plus, aucun des rapports de maintenance clôturés n'a enregistré le nombre et le type de pièces de rechange. Ces observations suggèrent que cette entreprise particulière dispose d'une base de données limitée qui n'offrirait qu'une perspective étroite sur les pannes d'équipement et l'historique de maintenance, avec des informations critiques manquantes, telles que l'emplacement des pannes et leur impact.

Une exigence supplémentaire pour une analyse de données efficace est la communication des données en temps opportun. Les services de maintenance qui rendent compte de leurs résultats chaque semaine ou même chaque mois sont plus susceptibles de perdre des données et des activités critiques que les organisations qui déploient un système dynamique qui consolide les données en continu.

Une autre bonne pratique consiste à s'assurer que le système de collecte et de stockage des données définit ce qui est considéré comme des instances et des valeurs de données de haute qualité, avec autant d'automatisation que possible, pour favoriser la cohérence des rapports et la capacité de recherche dans les bases de données. Un système de rapport de maintenance qui dépend de champs de texte ouverts convertit essentiellement l'analyse des données en un processus manuel.

Bien que les champs de texte ouverts aient leur place dans toute base de données bien conçue, ils doivent être utilisés pour fournir plus de détails et de clarification.

Au lieu de cela, le système de collecte et de stockage des données doit avoir des cellules distinctes pour chaque point de données significatif, en utilisant autant de menus déroulants que possible pour assurer la cohérence de la description et des rapports. Les ingénieurs en fiabilité ne seront en mesure d'effectuer des études de fiabilité approfondies que si les données sont consultables et décrites de manière cohérente dans l'ensemble du système.

La définition des types de rapports et d'analyses requis à partir d'une base de données déterminera les champs de données à inclure. Ainsi, la première étape pour obtenir des données de haute qualité consiste à définir la question à laquelle il faut répondre et à s'assurer que les données collectées sont appropriées à cette fin.

Pour les études de fiabilité, les champs du système de base de données doivent collecter des informations de maintenance sur les pièces de rechange, les modes de défaillance, les heures de travail, les principaux résultats d'inspection, les composants endommagés et les activités de routine. De plus, le contrôle de la cohérence des rapports dans ces domaines via des menus déroulants complets permettra aux applications logicielles d'exécuter des fonctions clés, telles que le calcul du temps moyen entre les pannes (MTBF), la disponibilité et d'autres KPI de fiabilité.

Facteurs de qualité des données

Outils et technologie

Une myriade d'outils est disponible pour atteindre les objectifs de qualité des données, y compris des outils pour réduire les doublons, intégrer et migrer les données entre et entre les plates-formes, et effectuer des analyses de données.

Les outils d'analyse de données permettent à l'utilisateur d'extraire le sens des données, telles que la combinaison et la catégorisation des données pour révéler des tendances et des modèles. De nombreuses technologies sont désormais compatibles avec le mobile. Ces technologies peuvent minimiser les erreurs humaines et système dans la collecte de données. L'adoption de ces nouveaux outils et technologies peut contribuer à améliorer la qualité des données.

Personnes et processus

Chaque employé à tous les niveaux des opérations de l'entreprise, de l'équipe de maintenance à l'ingénieur et à la direction, doit partager une compréhension commune du rôle des données dans l'entreprise. Cela inclut quelles données seront collectées, à quelle fréquence et à quelles fins les données seront utilisées. Parallèlement à la formation, des processus clairs doivent être établis pour assurer une collecte et un stockage de données fiables et cohérents.

Culture organisationnelle

Le soutien de la direction et la culture d'entreprise jouent un rôle essentiel dans la qualité des données. Les KPI signalés à la direction doivent surveiller la qualité des données. Si une organisation souhaite lancer un nouveau projet ou une nouvelle initiative pour améliorer les performances, augmenter le nombre d'opportunités ou résoudre des problèmes importants, elle doit souvent apporter des modifications, notamment des modifications aux processus, aux rôles, aux structures et aux types d'organisation et à l'utilisation de la technologie. .

Les procédures et les processus de travail doivent être mis à jour et alignés sur les meilleures pratiques. L'amélioration continue sera le moteur du succès. La qualité et la quantité des données seront déterminantes pour ce pilote. Grâce à une formation continue, l'importance des données peut être développée parmi le personnel, ce qui contribuera à améliorer la culture organisationnelle.

Impact des données sur la fiabilité

Pour une illustration de l'importance de la qualité des données, considérons l'étude de cas suivante. Une installation a lancé un projet visant à augmenter la production de pétrole en installant un nouveau package de séparation gaz-pétrole (GOSP) avec des unités de stabilisation du brut. Les GOSP seraient composés de pièges de séparation, d'installations de manutention de brut humide, d'un séparateur eau-huile, d'installations de compression de gaz, d'un système de torche, de pompes de transfert/expédition et d'installations de stabilisation.

Une étude de fiabilité, disponibilité et maintenabilité (RAM) a été menée pour prédire la disponibilité de production des installations et la comparer à la disponibilité cible. L'étude serait également utilisée pour identifier les domaines qui limitent le débit de production, recommander des mesures pour atteindre la disponibilité nécessaire pour atteindre les objectifs commerciaux de production, confirmer les philosophies d'exploitation et de maintenance adoptées pour répondre à la disponibilité totale du système et définir des actions correctives ou des modifications de conception potentielles. .

Les données brutes de maintenance sont résumées dans le tableau 1. Elles sont basées sur des entretiens avec les équipes de maintenance des installations d'exploitation existantes. Les données collectées pour l'étude présentaient des problèmes dans un certain nombre de domaines, à commencer par la fausse comparaison des données d'entretien des anciens actifs pour déterminer les enveloppes d'exploitation de la nouvelle installation.

Par exemple, le tableau 1 suggère que tous les 10 mois, un compresseur sera hors service pendant 30 jours en raison de problèmes de garniture mécanique. Cette estimation suppose qu'un compresseur passera 10 % de sa durée de vie à subir une maintenance en raison de problèmes de garniture mécanique. Cette hypothèse est incorrecte puisque l'installation adoptera de nouvelles technologies. De plus, de nombreux enseignements tirés des anciennes installations seront reflétés dans la nouvelle conception.

Une autre hypothèse erronée extraite des données est l'impact de la corrosion. Les données brutes semblent suggérer que le compresseur est maintenu en maintenance pendant 30 jours tous les quatre ans (48 mois) en raison de piqûres d'arbre. L'utilisation de matériaux améliorés dans l'arbre du compresseur éliminera ces types de problèmes.

Le tableau 1 indique en outre que le délai moyen de réparation (MTTR) dû aux vibrations est de 60 jours. Comparez cette hypothèse avec le MTTR moyen attendu pour les nouveaux compresseurs de seulement quatre jours en raison d'une meilleure gestion des pièces de rechange.

Comme l'illustre cet exemple, les hypothèses extraites des données qui peuvent être exactes pour les installations vieillissantes dotées d'équipements anciens ne sont pas exactes lorsqu'elles sont appliquées à de nouvelles installations conçues avec des matériaux améliorés et des technologies plus efficaces.

Tableau 1. Données de terrain brutes collectées pour une étude de fiabilité, de disponibilité et de maintenabilité

Le tableau 2 résume le même ensemble de données corrigé par les ingénieurs de fiabilité. En accédant aux mêmes données fournies au fournisseur tiers, les ingénieurs ont filtré les données brutes pour éliminer tous les problèmes de maintenance qui pouvaient être automatiquement corrigés par l'instrumentation de processus. Les données ont ensuite été classées par stratégies de maintenance et de gestion opérationnelle afin d'identifier les problèmes liés aux défauts de conception, tels que les goulots d'étranglement, la capacité et la disponibilité limitées.

Les données corrigées peuvent être appliquées à la nouvelle installation et être utilisées pour prendre des décisions pour l'optimisation de la conception. Par exemple, les modes de défaillance des compresseurs à gaz affichent désormais un MTBF de huit ans dû aux joints secs et un MTTR de trois jours. De plus, les hypothèses de corrosion pour les compresseurs à arbre ont été éliminées par des matériaux améliorés dans la nouvelle conception de l'installation.

Tableau 2. Données filtrées collectées pour l'étude de fiabilité, disponibilité et maintenabilité

La disponibilité et la capacité pour les deux conceptions sont représentées dans la figure 1. Cela illustre la différence de résultats entre les deux modèles sur la base des ensembles de données fournis ainsi que la différence dans les résultats de disponibilité et de capacité. Les données d'origine évaluent la disponibilité de la nouvelle installation à 77,34 % en raison d'un MTTR long et d'un MTBF court, tandis que l'ensemble de données corrigé calcule la disponibilité globale à 99 %, ce qui représente la situation réelle.

Sur le même projet, une pratique similaire a été faite pour les autres équipements. L'équipe de gestion de projet (PMT) a reçu l'ordre d'éliminer les équipements de rechange en raison de la haute disponibilité. Les résultats ont été utilisés pour optimiser la configuration de conception pour une utilisation complète du système. Comme l'illustre cette étude de cas, l'utilisation de données corrigées peut avoir un impact énorme sur les coûts d'investissement et de construction de nouveaux projets en éliminant les équipements inutiles et en accélérant le temps d'achèvement du projet et en évitant les coûts.

Figure 1. Résultats de l'étude de fiabilité, disponibilité et maintenabilité (RAM)

Figure 2. La relation entre les données d'entrée, la conception et les résultats du simulateur

Des résultats significatifs pour tout logiciel ou simulateur de fiabilité dépendent de la qualité des données d'entrée et de la conception. Comme le dit le proverbe, « les ordures dedans, les ordures dehors ». La figure 2 montre la relation entre la conception et les données d'entrée avec les résultats de la simulation RAM. Une fois que le modèle RAM est construit sur la base des données d'entrée, une optimisation potentielle peut être introduite. Les données sont l'élément clé du modèle et d'autres mesures de performance de fiabilité.

Il en va de même pour les études de fiabilité ciblées. Les ingénieurs en fiabilité passent une grande partie de leur temps à analyser les données des opérations. Par exemple, les ingénieurs peuvent mener une étude de fiabilité sur des éléments spécifiques d'acteurs malveillants, qui sont définis comme un composant, un équipement ou un système avec des coûts de maintenance élevés et des taux de défaillance élevés.

Les résultats de cette évaluation sont utilisés pour concentrer les ressources limitées sur les éléments à fort impact avec le plus grand avantage pour les opérations sur le terrain en termes de coûts de maintenance et de disponibilité. Si les ingénieurs ont des données non représentatives ou pas assez de données, tous les résultats et recommandations ne résoudront pas les vrais problèmes.

Cela représente une occasion perdue d'ajouter de la valeur à la planification de la maintenance, à la gestion des pièces de rechange, à la budgétisation de la maintenance et aux défis techniques. Ainsi, des données de qualité nécessitent des systèmes de collecte de données efficaces qui identifient clairement les types et la quantité de données nécessaires pour soutenir les décisions que l'organisation doit prendre.

3 étapes clés pour améliorer la qualité des données

1. Déployez la bonne plateforme de base de données

La solution sélectionnée pour l'organisation ne doit fermer aucune notification de maintenance ni aucun ordre de travail tant que tous les champs requis ne sont pas remplis. En d'autres termes, la plate-forme sélectionnée doit désactiver les raccourcis pour assurer la cohérence des données collectées.

2. Intégrer les fonctions existantes dans une solution complète

La plate-forme doit intégrer toutes les fonctions de fiabilité dans une seule solution pour mieux intégrer les données et réduire le nombre de systèmes déployés dans une organisation. Par exemple, si des pièces de rechange ont été retirées de l'entrepôt, elles devraient être imputées sur une notification spécifique. Cela nécessiterait une plate-forme qui assimile la gestion des pièces de rechange aux activités de maintenance.

3. Mettre en œuvre un programme d'assurance qualité des données

Les activités d'assurance qualité pour la solution déployée doivent inclure un audit périodique de la qualité des données dans l'ensemble de l'organisation. Par exemple, l'équipe d'assurance qualité pourrait auditer au hasard 5 pour cent des notifications de maintenance et des ordres de travail pour chaque installation d'exploitation afin d'évaluer la qualité des données collectées. Les résultats de cette évaluation pourraient ensuite être utilisés pour améliorer encore l'utilisation de la solution et garantir une base de données efficace.

Les données sont la pierre angulaire

Les données complètes sur l'entretien des actifs et l'historique des réparations doivent être collectées, stockées et analysées correctement. Les employés de première ligne, y compris les équipes de maintenance et le personnel d'exploitation impliqués dans la collecte de données, doivent également comprendre l'importance de leur rôle dans la qualité des données.

N'oubliez pas que les données sont la pierre angulaire de la prise de décision dans toute entreprise et que la qualité des données est au cœur de toutes les études de fiabilité. Si vous disposez de données de haute qualité, vous pouvez les utiliser en toute confiance pour un plaidoyer efficace, une recherche significative, une planification stratégique et une gestion.

À propos des auteurs

Khalid A. Al-Jabr est un spécialiste de l'ingénierie de la fiabilité pour Saudi Aramco qui a plus de 18 ans d'expérience industrielle en mettant l'accent sur la fiabilité et les défis des équipements. Il détient un doctorat, est un ingénieur agréé et est certifié en tant que professionnel de la gestion de l'ingénierie et de l'analyse de données.

Qadeer Ahmed travaille comme ingénieur consultant en fiabilité pour Saudi Aramco et a 18 ans d'expérience dans l'ingénierie de fiabilité. Ingénieur agréé, il est titulaire d'un doctorat. et est un professionnel certifié en maintenance et fiabilité (CMRP) et une ceinture noire Six Sigma.

Dahham Al-Anazi est un leader de l'ingénierie de fiabilité pour le département de services de conseil de Saudi Aramco. Il a plus de 25 ans d'expérience technique et détient un doctorat en génie mécanique.