1 / 14

La fiabilité à partir des DONNÉES

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)

rafael
Download Presentation

La fiabilité à partir des DONNÉES

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. La fiabilité à partir des DONNÉES Un cadre pour la technologie

  2. 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? • C’est 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?)

  3. 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? ”

  4. 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 d’événement (PF, FF, S, …). • Les données de surveillance de la condition (CBM) • pertinentes aux modes de défaillance d'intérêt. • RCM - Connaissance des modes de défaillances.

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

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

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

  8. Défi 3: Genération d’échantillon Base de connaissance RCM Bons de travail Table des évenements (l’échantillon)

  9. EF15 BT. 1, FF RCMREF15 B15 EF16 BT. 2, FF RCMREF16 B16 EF16 BT. 3, FF RCMREF16 B16 Échantillon ES15 BT. 4, S RCMREF15 B15 EF15 BT. 5, PF RCMREF15 B15 Legend: Left Suspensions: Life cycles: Right (Temporary) Suspensions: EF: endings by failure ES: endings by suspension Défi 3: Genération d’échantillon CMMS Bons de travail Table d’évènements /Challenge 3 cont’d: Temps de calendrier

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

  11. PropositionSurmoner Défi 2 “living reliability” “on-the-job” Iterative Integrée

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

  13. OMDEC spécialistesen LRCM + Ingénieurs, planificateurs, superviseurs, techniciens Gestionnaires de Maintenance Rapports de progrès KPIs LRCM conseils Enregistrements de connaissance Work orders and KR links Méthodes, analyses modèles Leadership: Reconnaissance, Empowerment, Intéret visible “On-the-job” travail d’équipe

  14. 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

More Related