데이터가 신뢰성의 기초인 이유

오늘날의 기술 시대에는 데이터가 의사 결정의 핵심입니다. 이 전문 분야를 "데이터 과학"이라고 합니다. 기업은 정보에 입각한 결정을 내리기 위해 데이터를 수집, 분석 및 활용함으로써 기술을 활용할 수 있습니다.

한 연구 그룹은 현재의 데이터 성장률로 2025년까지 데이터 크기가 163제타바이트가 될 것이라고 예측합니다. 이 숫자를 더 잘 이해하려면 1제타바이트가 1조 기가바이트와 같다고 생각하십시오. 이는 데이터 저장, 품질 및 관리에 대한 질문을 제기합니다.

이 기사에서는 의미 있는 신뢰성 연구를 수행할 때 데이터의 중요성과 데이터 사용에 대해 설명합니다. 신뢰성의 일반적인 정의는 장비, 시스템 또는 시설이 특정 작동 조건에서 주어진 기간 동안 고장 없이 작동할 확률입니다. 따라서 정확한 과거 고장 데이터와 적절한 분석은 신뢰성 분석에 매우 중요합니다.

데이터 분석은 방대한 양의 데이터를 조사하고 더 나은 의사 결정을 지원할 수 있는 유용한 정보를 추출할 수 있는 기회를 제공합니다. 이는 데이터에 대한 합리적인 확신이 있는 경우에만 가능합니다. 데이터가 부족하면 잘못된 결정을 내릴 수 있기 때문입니다.

데이터 분석의 이점

신뢰성 분석은 경영진과 엔지니어가 기술 및 재정적 결정을 내리는 데 도움이 되는 효과적인 방법입니다. 무엇보다도 데이터 분석은 프로젝트 설계 최적화, 비용 절감, 구성 요소 수명 예측, 오류 조사, 보증 간격 평가, 효과적인 검사 기간 구현 및 핵심 성과 지표(KPI) 결정에 도움이 됩니다. 정확한 데이터는 포괄적인 신뢰성 연구를 수행하는 데 매우 중요합니다.

데이터 필터링 및 수집은 모든 신뢰성 엔지니어의 중요한 책임입니다. 데이터 수집은 특정 연구 질문에 대한 답변, 가설 평가, 결과 추정 및 지원을 위한 체계적인 모델을 수립하기 위해 관심 변수에 대한 정보를 수집 및 평가하는 방법입니다.

따라서 데이터 수집은 모든 연구의 공통 단계입니다. 정확하고 정직한 데이터 수집을 보장하는 것은 이러한 연구의 공통 요소이자 동일한 목표입니다.

신뢰도 분석의 전체 결과를 왜곡할 수 있는 이상값을 제거하는 것과 같이 데이터를 보다 정확하고 신뢰할 수 있는 방식으로 처리하는 데 사용할 수 있는 많은 도구와 기술이 있습니다.

강력한 데이터 구축

모든 운영 시설에서 자산 유지 관리 및 고장 기록, 운영 기간 등을 포함하는 정확하고 신뢰할 수 있는 데이터는 신뢰성 엔지니어링 연구의 기초를 제공할 수 있습니다. 안타깝게도 모든 기업이 데이터 수집 및 관리에 필요한 시스템, 프로세스 및 문화를 갖고 있는 것은 아닙니다.

강력한 데이터베이스를 구축하기 위한 한 가지 요구 사항은 모든 의미 있는 데이터 포인트를 수집하고 저장하는 것입니다. 일부 중요한 데이터만 수집하는 데이터베이스는 현재 운영 및 자산 상태에 대한 불완전하고 아마도 오해의 소지가 있는 그림을 제공할 수 있습니다.

평가되고 신뢰할 수 있는 데이터를 수집하는 방법인 검증된 도구를 활용하는 것은 유용한 방법이 될 수 있습니다. 예를 들어, 핀란드의 한 대기업은 폐쇄된 유지보수 보고서 6건 중 약 1건(17.2%)에 오류 모드가 포함되어 있지 않다고 보고했습니다.

또한 마감된 유지보수 보고서에는 예비 부품의 수와 유형이 기록되어 있지 않습니다. 이러한 관찰 결과는 이 특정 회사가 장비 고장 및 유지 관리 이력에 대한 좁은 관점만 제공하고 고장 위치 및 그 영향과 같은 중요한 정보가 누락된 제한된 데이터베이스를 가지고 있음을 시사합니다.

효과적인 데이터 분석을 위한 추가 요구 사항은 적시에 데이터를 보고하는 것입니다. 매주 또는 매월 조사 결과를 보고하는 유지 관리 부서는 데이터를 지속적으로 통합하는 동적 시스템을 배포하는 조직보다 중요한 데이터와 활동을 잃을 가능성이 더 큽니다.

또 다른 모범 사례는 데이터 수집 및 저장 시스템이 보고 및 데이터베이스 검색 가능성의 일관성을 촉진하기 위해 가능한 한 많은 자동화와 함께 고품질 데이터 인스턴스 및 가치로 간주되는 것을 정의하도록 하는 것입니다. 열린 텍스트 필드에 의존하는 유지 관리 보고 시스템은 기본적으로 데이터 분석을 수동 프로세스로 변환합니다.

열린 텍스트 필드는 잘 설계된 데이터베이스에 위치하지만 더 자세한 내용과 설명을 제공하는 데 사용해야 합니다.

대신, 데이터 수집 및 저장 시스템은 설명과 보고의 일관성을 보장하기 위해 가능한 한 많은 드롭다운 메뉴를 활용하여 각 의미 있는 데이터 포인트에 대해 별도의 셀을 가져야 합니다. 신뢰성 엔지니어는 데이터가 검색 가능하고 시스템 전체에서 일관되게 설명될 때만 광범위한 신뢰성 연구를 수행할 수 있습니다.

데이터베이스에서 필요한 보고서 및 분석 유형을 정의하면 포함할 데이터 필드가 결정됩니다. 따라서 고품질 데이터를 얻는 첫 번째 단계는 답변할 질문을 정의하고 수집된 데이터가 해당 목적에 적합한지 확인하는 것입니다.

신뢰성 연구를 위해 데이터베이스 시스템 필드는 예비 부품, 고장 모드, 작업 시간, 주요 검사 결과, 손상된 구성 요소 및 일상적인 활동에 대한 유지 관리 정보를 수집해야 합니다. 또한 포괄적인 드롭다운 메뉴를 통해 이러한 필드에서 보고의 일관성을 제어하면 소프트웨어 응용 프로그램이 MTBF(평균 고장 시간), 가용성 및 기타 안정성 KPI 계산과 같은 주요 기능을 수행할 수 있습니다.

데이터 품질 요소

도구 및 기술

중복 감소, 플랫폼 간 및 플랫폼 간 데이터 통합 ​​및 마이그레이션, 데이터 분석 수행을 위한 도구를 포함하여 데이터 품질 목표를 달성하기 위해 수많은 도구를 사용할 수 있습니다.

데이터 분석 도구를 사용하면 추세와 패턴을 나타내기 위해 데이터를 결합하고 분류하는 등 데이터에서 의미를 추출할 수 있습니다. 이제 많은 기술이 모바일을 지원합니다. 이러한 기술은 데이터 수집 시 인적 및 시스템 오류를 최소화할 수 있습니다. 이러한 새로운 도구와 기술을 채택하면 데이터 품질을 개선하는 데 도움이 될 수 있습니다.

사람과 프로세스

유지 보수 직원에서 엔지니어 및 경영진에 이르기까지 회사 운영의 모든 수준에 있는 각 직원은 회사에서 데이터의 역할에 대한 공통된 이해를 공유해야 합니다. 여기에는 어떤 데이터가 수집되는지, 얼마나 자주, 어떤 목적으로 데이터가 사용될 것인지가 포함됩니다. 교육과 함께 신뢰할 수 있고 일관된 데이터 수집 및 저장을 보장하기 위해 명확한 프로세스를 수립해야 합니다.

조직 문화

관리 지원 및 회사 문화는 데이터 품질에 중요한 역할을 합니다. 경영진에게 보고된 KPI는 데이터 품질을 모니터링해야 합니다. 조직이 성과 개선, 기회의 수 증가 또는 중대한 문제 해결을 위한 새로운 프로젝트 또는 이니셔티브를 시작하려는 경우 프로세스, 직무 역할, 조직 구조 및 유형, 기술 사용의 변경을 포함하여 종종 변경을 해야 합니다. .

절차 및 작업 프로세스를 업데이트하고 모범 사례에 맞춰 조정해야 합니다. 지속적인 개선이 성공의 원동력이 될 것입니다. 데이터의 질과 양이 이 동인의 핵심이 될 것입니다. 지속적인 교육을 통해 데이터의 중요성을 직원들 사이에서 발전시킬 수 있으며, 이는 조직 문화를 향상시키는 데 도움이 될 것입니다.

신뢰성에 대한 데이터의 영향

데이터 품질의 중요성을 설명하기 위해 다음 사례 연구를 고려하십시오. 한 시설에서 원유 안정화 장치가 있는 새로운 가스-오일 분리 패키지(GOSP)를 설치하여 석유 생산량을 늘리는 프로젝트를 시작했습니다. GOSP는 분리 트랩, 습식 원유 처리 시설, 물 오일 분리기, 가스 압축 시설, 플레어 시스템, 이송/선적 펌프 및 안정화 시설로 구성됩니다.

시설의 생산 가용성을 예측하고 목표 가용성과 비교하기 위해 신뢰성, 가용성 및 유지보수성(RAM) 연구를 수행했습니다. 이 연구는 또한 생산 처리량을 제한하는 영역을 식별하고, 생산 비즈니스 목표를 달성하는 데 필요한 가용성을 달성하기 위한 조치를 권장하고, 전체 시스템 가용성을 충족하기 위해 채택된 운영 및 유지 관리 철학을 확인하고, 개선 조치 또는 잠재적인 설계 변경을 정의하는 데 사용됩니다. .

원시 유지 보수 데이터는 표 1에 요약되어 있습니다. 기존 운영 시설의 유지 보수 직원과의 인터뷰를 기반으로 합니다. 연구를 위해 수집된 데이터는 새로운 시설의 운영 범위를 결정하기 위해 오래된 자산의 유지 관리 데이터를 잘못 비교하는 것부터 시작하여 여러 영역에서 문제가 있었습니다.

예를 들어, 표 1은 기계적 밀봉 문제로 인해 압축기가 10개월마다 30일 동안 서비스를 중단할 것이라고 제안합니다. 이 추정치는 압축기가 기계적 밀봉 문제로 인해 유지 보수를 받는 데 수명의 10%를 소비한다고 가정합니다. 시설이 새로운 기술을 채택할 것이기 때문에 이 가정은 정확하지 않습니다. 또한 오래된 시설에서 얻은 많은 교훈을 새로운 디자인에 반영할 예정입니다.

데이터에서 추출한 또 다른 잘못된 가정은 부식의 영향입니다. 원시 데이터에 따르면 샤프트 피팅의 결과로 압축기가 4년(48개월)마다 30일 동안 유지 보수가 유지됩니다. 압축기 샤프트에 업그레이드된 재료를 사용하면 이러한 유형의 문제를 해결할 수 있습니다.

표 1은 또한 진동으로 인한 평균 수리 시간(MTTR)이 60일임을 나타냅니다. 이 가정을 개선된 예비 부품 관리로 인해 단 4일의 새 압축기에 대한 평균 예상 MTTR과 비교하십시오.

이 예에서 알 수 있듯이 오래된 장비가 있는 노후된 시설에 대해 정확할 수 있는 데이터에서 추출한 가정은 업그레이드된 재료와 보다 효율적인 기술로 설계된 새 시설에 적용할 경우 정확하지 않습니다.

표 1. 신뢰성, 가용성 및 유지보수성 연구를 위해 수집된 원시 현장 데이터

표 2는 신뢰성 엔지니어가 수정한 동일한 데이터 세트를 요약한 것입니다. 엔지니어는 타사 공급업체에 제공된 동일한 데이터에 액세스하여 원시 데이터를 필터링하여 프로세스 계측으로 자동으로 수정할 수 있는 모든 유지 관리 문제를 제거했습니다. 그런 다음 데이터를 유지 관리 및 운영 관리 전략별로 분류하여 병목 현상, 제한된 용량 및 가용성과 같은 설계 결함과 관련된 문제를 식별했습니다.

수정된 데이터는 새 시설에 적용하고 설계 최적화를 위한 결정을 내리는 데 사용할 수 있습니다. 예를 들어, 가스 압축기의 고장 모드는 이제 건식 씰로 인한 8년의 MTBF와 3일의 MTTR을 보여줍니다. 또한 샤프트 압축기에 대한 부식 가정은 새로운 시설 설계에서 업그레이드된 재료로 제거되었습니다.

표 2. 안정성, 가용성 및 유지보수성 연구를 위해 수집된 필터링된 데이터

두 설계의 가용성 및 용량은 그림 1에 나와 있습니다. 이는 제공된 데이터 세트를 기반으로 한 두 모델 간의 결과 차이와 가용성 및 용량 결과의 차이를 보여줍니다. 원래 데이터는 긴 MTTR과 짧은 MTBF로 인해 새 시설의 가용성을 77.34%로 설정했지만 수정된 데이터 집합은 실제 상황을 나타내는 전체 가용성을 99%로 계산했습니다.

동일한 프로젝트에서 다른 장비에 대해서도 유사한 작업이 수행되었습니다. 프로젝트 관리 팀(PMT)은 고가용성으로 인해 예비 장비를 제거하라는 지시를 받았습니다. 결과는 전체 시스템 활용을 위해 설계 구성을 최적화하는 데 사용되었습니다. 이 사례 연구에서 알 수 있듯이 수정된 데이터를 사용하면 불필요한 장비를 제거하고 프로젝트 완료 시간을 단축하고 비용을 절감함으로써 신규 프로젝트의 자본 및 건설 비용에 막대한 영향을 미칠 수 있습니다.

그림 1. 안정성, 가용성 및 유지보수성(RAM) 연구 결과

그림 2. 입력 데이터, 설계 및 시뮬레이터 결과 간의 관계

신뢰성 소프트웨어 또는 시뮬레이터의 의미 있는 결과는 입력 데이터 및 설계의 품질에 따라 달라집니다. "쓰레기 인, 쓰레기 아웃"이라는 말이 있듯이. 그림 2는 설계 및 입력 데이터와 RAM 시뮬레이션 결과 간의 관계를 보여줍니다. RAM 모델이 입력 데이터를 기반으로 구축되면 잠재적인 최적화가 도입될 수 있습니다. 데이터는 모델 및 기타 신뢰성 성능 측정의 핵심 요소입니다.

집중된 신뢰성 연구의 경우에도 마찬가지입니다. 신뢰성 엔지니어는 운영 데이터를 분석하는 데 많은 시간을 할애합니다. 예를 들어, 엔지니어는 유지 보수 비용이 높고 고장률이 높은 구성 요소, 장비 또는 시스템으로 정의되는 특정 불량 행위자 항목에 대한 신뢰성 연구를 수행할 수 있습니다.

이 평가 결과는 유지 보수 비용 및 가용성 측면에서 현장 운영에 가장 큰 이점을 제공하는 고영향 품목에 제한된 자원을 집중하는 데 사용됩니다. 엔지니어가 대표성이 없는 데이터를 가지고 있거나 데이터가 충분하지 않은 경우 모든 결과와 권장 사항은 실제 문제를 해결하지 못합니다.

이는 유지보수 계획, 예비 부품 관리, 유지보수 예산 책정 및 기술적 과제에 가치를 추가할 기회를 상실했음을 나타냅니다. 따라서 품질 데이터를 위해서는 조직이 내려야 하는 결정을 지원하는 데 필요한 데이터의 유형과 양을 명확하게 식별하는 효율적인 데이터 수집 시스템이 필요합니다.

데이터 품질을 개선하기 위한 3가지 핵심 단계

1. 올바른 데이터베이스 플랫폼 배포

조직을 위해 선택한 솔루션은 모든 필수 필드가 완료될 때까지 유지 관리 알림이나 작업 주문을 닫지 않아야 합니다. 즉, 선택한 플랫폼은 수집된 데이터의 일관성을 보장하기 위해 바로 가기를 비활성화해야 합니다.

2. 기존 기능을 포괄적인 솔루션에 통합

플랫폼은 데이터를 더 잘 통합하고 조직에 배포된 시스템 수를 줄이기 위해 모든 안정성 기능을 하나의 솔루션으로 통합해야 합니다. 예를 들어, 창고에서 예비 부품을 가져온 경우 특정 통지에 따라 비용을 청구해야 합니다. 이를 위해서는 예비 부품 관리와 유지 보수 활동을 통합하는 플랫폼이 필요합니다.

3. 데이터 품질 보증 프로그램 구현

배포된 솔루션에 대한 품질 보증 활동에는 조직 전체의 데이터 품질에 대한 정기적인 감사가 포함되어야 합니다. 예를 들어, 품질 보증 팀은 수집된 데이터의 품질을 평가하기 위해 각 운영 시설에 대한 유지 관리 알림 및 작업 주문의 5%를 무작위로 감사할 수 있습니다. 이 평가 결과는 솔루션 활용도를 더욱 개선하고 효과적인 데이터베이스를 확보하는 데 사용될 수 있습니다.

데이터는 초석입니다

전체 자산 유지 관리 및 수리 이력 데이터를 올바르게 수집, 저장 및 분석해야 합니다. 데이터 수집에 관여하는 유지 관리 직원 및 운영 직원을 포함한 일선 직원도 데이터 품질에 대한 자신의 역할의 중요성을 이해해야 합니다.

데이터는 모든 회사의 의사 결정을 위한 초석이며 데이터 품질은 모든 신뢰성 연구의 핵심이라는 것을 기억하십시오. 고품질 데이터가 있다면 효과적인 옹호, 의미 있는 연구, 전략적 계획 및 관리 전달을 위해 자신 있게 활용할 수 있습니다.

저자 소개

Khalid A. Al-Jabr은 장비 신뢰성과 과제에 중점을 둔 18년 이상의 산업 경험을 보유한 Saudi Aramco의 신뢰성 엔지니어링 전문가입니다. 그는 박사 학위를 취득했으며 공인 엔지니어이며 엔지니어링 관리 및 데이터 분석 전문가로 인증되었습니다.

Qadeer Ahmed는 Saudi Aramco에서 컨설팅 신뢰성 엔지니어로 일하고 있으며 신뢰성 엔지니어링 분야에서 18년의 경험을 가지고 있습니다. 공인 엔지니어인 그는 박사 학위를 보유하고 있습니다. 그리고 CMRP(Certified Maintenance &Reliability Professional)이자 Six Sigma Black Belt입니다.

Dahham Al-Anazi는 Saudi Aramco 컨설팅 서비스 부서의 신뢰성 엔지니어링 리더입니다. 그는 25년 이상의 기술 경험을 갖고 있으며 기계 공학 박사 학위를 보유하고 있습니다.