La fiabilité à partir des DONNÉES Un cadre pour la technologie

Pourquoi recueillir des données? Une seule raison : Effectuer des analyses. - Reliability Analysis Pourquoi analyser? Pour améliorer en continu le processus de maintenance. (CPI = Continuous Process Improvement) Pourquoi CPI? Cest notre travail (celui de tout le monde, de la gérance de maintenance en particulier). Pourquoi? La survie économique du plus apte. Marcher de pair avec le changement. (Faut-il poser la question?)

La « fausse » promesse de la technologie CBM Basée sur la logique : Plus (de données) est mieux, Plus vite est mieux, et Plus de vues (PDAs, etc.) est mieux. Tout cela est bon, mais il y une faute dans la logique. Quelle est la faute logique? Il y a un approvisionnement infini de mauvaises données. La logique évite la question : Quelles sont les bonnes données?

Quelles sont les bonnes données? Les données sur l'âge (vie, durée de vie, évènement): Les occurrences des modes de défaillance (potentiels, fonctionnels), leurs ages de travail, et leurs types dévénement (PF, FF, S, …). Les données de surveillance de la condition (CBM) pertinentes aux modes de défaillance d'intérêt. RCM - Connaissance des modes de défaillances.

L'accomplissement de la fiabilité à partir des données 1. Extraction/transformation de données 2. Les relations entre la gestion des BT et les enregistrements de RCM 3. La génération d'échantillons 4. Analyse de fiabilité Quatre défis doivent être surmontés Procédé unifié OMDEC Systematique Rapide Orienté résultats Accent typique

Défi 1 Extraction des données, transformation Exemple: extraction FMEA Exemple: Extraction: Bons de travail Ellipse input Données d'entrée de Maximo Modes de défaillances: RCM cost, RCMO, RCM toolkit, etc Output for LRCM Sorties pour LRCM Extraction/Transf ormations de données

Défi 2 LRCM …le plus difficile des quatres – Le défi clé Texte du bon de bon de travail selectionné Texte de lengregistrement de RCM sélectionné Indicateurs du type dévènement: PF (bleu), FF (rouge), S (jaune). Insérer/Editer KRs (avec trace de verification) Slice and dice KPIs 1.Lier les BT et la base de connaissance RCM. 2.Construire la base de connaissance… Dynamiquement, Jour-à-jour à lintérieru du processus des BT

Défi 3: Genération déchantillon Base de connaissance RCM Bons de travail Table des évenements (léchantillon)

Défi 3: Genération déchantillon BT. 1, FF RCMREF15 BT. 2, FF RCMREF16 BT. 3, FF RCMREF16 BT. 4, S RCMREF15 BT. 5, PF RCMREF15 CMMS Bons de travailTable dévènements EF15 B15 EF16 B16 EF16 B16 ES15 B15 EF15 B15 Échantillon Right (Temporary) Suspensions: Legend: EF: endings by failure ES: endings by suspension Life cycles: Left Suspensions: Temps de calendrier /Challenge 3 contd:

Défi 4: Analyse de fiabilité Model risque + RULE et Intervalle de confiance Model de coût Décision basée sur: Coût, (disponibilité) et probabilité Decision basée sur: Probabilité RULE Scatter + Predictive model Model prédictif

Proposition Surmoner Défi 2 living reliability on-the-job Iterative Integrée

Le processus (On-the-job) LRCM Surmontage du défi (2) clé 1. Surveiller des liens BT - B de C 2. Surveiller des mise à jours des enregisterments de la B de C. 3. Poser des questions 4. Proposer des révisions 5. Obtenir de la retroaction 6. Obtenir le consensus. Équipe

OMDEC spécialistes en LRCM + Ingénieurs, planificateurs, superviseurs, techniciens LRCM conseils Méthodes, analyses modèles Enregistrement s de connaissance Work orders and KR links On-the-job travail déquipe Leadership: Reconnaissance, Empowerment, Intéret visible Gestionnaires de Maintenance Rapports de progrès KPIs

Participants BI-Cycle, OMDEC Murray Wiseman – LRCM, spécialiste CBM Dr. Daming Lin – Statisticien de données de maintenance, expertise: fiabilité, traitement des signaux, logiciel de fiabilité, base de données, et ETL. Oscar Hoyos – Ingénieur, LRCM-EXAKT entraineur, Yanacocha, Newmont Gold, 6σ, Komatsu. Joan Dorrepaal – Spécialist BI, Pres. BI-Cycle