Por que os dados são a base da confiabilidade

Na era tecnológica de hoje, os dados são essenciais para a tomada de decisões. Este campo de especialidade é conhecido como "ciência de dados". As empresas podem tirar proveito da tecnologia coletando, analisando e utilizando dados para tomar decisões informadas.

Um grupo de pesquisa prevê que, com a taxa atual de crescimento dos dados, em 2025 o tamanho dos dados será de 163 zetabytes. Para compreender melhor esse número, considere que um zetabyte é igual a um trilhão de gigabytes. Isso levanta questões sobre armazenamento, qualidade e gerenciamento de dados.

Este artigo irá discutir a importância dos dados e seu uso na realização de estudos de confiabilidade significativos. A definição comum de confiabilidade é a probabilidade de que uma peça de equipamento, sistema ou instalação opere sem falhas por um determinado período de tempo sob condições operacionais específicas. Portanto, dados de falha históricos precisos e sua análise adequada são essenciais para qualquer análise de confiabilidade.

A análise de dados fornece uma oportunidade para examinar grandes quantidades de dados e extrair informações úteis que podem, então, apoiar uma melhor tomada de decisão. Isso só é possível se alguém tiver uma confiança razoável nos dados, porque dados ruins podem levar a decisões ruins.

Benefícios da análise de dados

A análise de confiabilidade é uma forma eficaz de ajudar a gerência e os engenheiros a tomar decisões técnicas e financeiras. Entre outras coisas, a análise de dados auxilia na otimização de projetos de projeto, redução de custos, previsão de vida útil de componentes, investigação de falhas, avaliação de intervalos de garantia, implementação de períodos de inspeção eficazes e determinação de indicadores-chave de desempenho (KPIs). Dados precisos são vitais para a realização de um estudo abrangente de confiabilidade.

A filtragem e coleta de dados são responsabilidades importantes de qualquer engenheiro de confiabilidade. A coleta de dados é o método de reunir e avaliar informações sobre variáveis ​​de interesse para estabelecer um modelo sistemático para responder a perguntas de pesquisa especificadas, avaliar hipóteses e estimar e apoiar resultados.

Assim, a coleta de dados é a fase comum para todas as pesquisas. Garantir uma coleta de dados precisa e honesta é o fator comum e o mesmo objetivo para esses estudos.

Muitas ferramentas e técnicas estão disponíveis para processar dados de maneiras que os tornam mais precisos e confiáveis, como para eliminar valores discrepantes que podem distorcer os resultados gerais da análise de confiabilidade.

Estabelecendo dados robustos

Em qualquer instalação operacional, dados precisos e confiáveis, que incluem manutenção de ativos e registros de falhas, janelas de operação, etc., podem fornecer a base para estudos de engenharia de confiabilidade. Infelizmente, nem todas as empresas possuem os sistemas, processos e cultura necessários para a coleta e gerenciamento de dados.

Um requisito para estabelecer um banco de dados robusto é garantir que todos os pontos de dados significativos sejam coletados e armazenados. Um banco de dados que coleta apenas alguns dados importantes pode oferecer uma imagem incompleta e talvez até enganosa das operações atuais e das condições dos ativos.



Utilizar ferramentas validadas, que são métodos para coletar os dados avaliados e confiáveis, pode ser uma prática útil. Por exemplo, uma grande empresa na Finlândia relatou que aproximadamente um em cada seis relatórios de manutenção fechados (17,2 por cento) não incluía um modo de falha.

Além disso, nenhum dos relatórios de manutenção fechados registrou o número e o tipo de peças sobressalentes. Essas observações sugerem que essa empresa em particular tem um banco de dados limitado que ofereceria apenas uma perspectiva estreita sobre falhas de equipamentos e histórico de manutenção, com informações críticas ausentes, como a localização das falhas e seu impacto.

Um requisito adicional para uma análise de dados eficaz é o relatório de dados em tempo hábil. Os departamentos de manutenção que relatam suas descobertas semanalmente ou mesmo mensalmente têm maior probabilidade de perder dados e atividades críticas do que as organizações que implantam um sistema dinâmico que consolida os dados continuamente.

Outra prática recomendada é garantir que o sistema de coleta e armazenamento de dados defina o que é considerado instâncias e valores de dados de alta qualidade, com o máximo de automação possível, para promover consistência na geração de relatórios e capacidade de pesquisa no banco de dados. Um sistema de relatório de manutenção que depende de campos de texto aberto converte essencialmente a análise de dados em um processo manual.

Embora os campos de texto aberto tenham um lugar em qualquer banco de dados bem projetado, eles devem ser usados ​​para fornecer mais detalhes e esclarecimentos.

Em vez disso, o sistema de coleta e armazenamento de dados deve ter células separadas para cada ponto de dados significativo, utilizando tantos menus suspensos quanto possível para garantir a consistência da descrição e do relatório. Os engenheiros de confiabilidade só serão capazes de realizar estudos extensivos de confiabilidade quando os dados forem pesquisáveis ​​e descritos de forma consistente em todo o sistema.

Definir os tipos de relatórios e análises necessários de um banco de dados determinará os campos de dados a serem incluídos. Assim, o primeiro passo para obter dados de alta qualidade é definir a pergunta a ser respondida e garantir que os dados coletados sejam adequados para esse propósito.

Para estudos de confiabilidade, os campos do sistema de banco de dados devem coletar informações de manutenção sobre peças sobressalentes, modos de falha, horas de trabalho, principais descobertas de inspeção, componentes danificados e atividades de rotina. Além disso, o controle da consistência dos relatórios nesses campos por meio de menus suspensos abrangentes permitirá que os aplicativos de software executem funções importantes, como o cálculo do tempo médio entre falhas (MTBF), disponibilidade e outros KPIs de confiabilidade.

Fatores de qualidade de dados

Ferramentas e tecnologia

Uma miríade de ferramentas está disponível para atender aos objetivos de qualidade de dados, incluindo ferramentas para reduzir a duplicação, integrar e migrar dados entre plataformas e realizar análises de dados.

As ferramentas de análise de dados permitem ao usuário extrair significado dos dados, como combinar e categorizar dados para revelar tendências e padrões. Muitas tecnologias agora são habilitadas para dispositivos móveis. Essas tecnologias podem minimizar erros humanos e de sistema na coleta de dados. A adoção dessas novas ferramentas e tecnologias pode ajudar a melhorar a qualidade dos dados.

Pessoas e processos

Cada funcionário em todos os níveis das operações da empresa, desde a equipe de manutenção até o engenheiro e a gerência, deve compartilhar um entendimento comum da função dos dados na empresa. Isso inclui quais dados serão coletados, com que frequência e para que fins os dados serão usados. Junto com o treinamento, processos claros devem ser estabelecidos para garantir coleta e armazenamento de dados confiáveis ​​e consistentes.

Cultura Organizacional

O suporte da gestão e a cultura da empresa desempenham um papel vital na qualidade dos dados. Os KPIs relatados à gerência devem monitorar a qualidade dos dados. Se uma organização gostaria de lançar um novo projeto ou iniciativa para melhorar o desempenho, aumentando o número de oportunidades ou abordando questões significativas, muitas vezes deve fazer mudanças, incluindo mudanças em processos, funções de trabalho, estruturas e tipos organizacionais e o uso de tecnologia .

Os procedimentos e processos de trabalho devem estar atualizados e alinhados às melhores práticas. A melhoria contínua será o motor do sucesso. A qualidade e a quantidade de dados serão fundamentais para este direcionador. Por meio de treinamentos contínuos, a importância dos dados pode ser desenvolvida entre as pessoas, o que ajudará a aprimorar a cultura organizacional.

Impacto dos dados na confiabilidade

Para uma ilustração da importância da qualidade dos dados, considere o seguinte estudo de caso. Uma instalação lançou um projeto para aumentar a produção de petróleo através da instalação de um novo pacote de separação de gás-óleo (GOSP) com unidades de estabilização de petróleo. Os GOSPs seriam compostos de armadilhas de separação, instalações de manuseio de óleo cru, um separador de água e óleo, instalações de compressão de gás, um sistema de queima, bombas de transferência / transporte e instalações de estabilização.

Um estudo de confiabilidade, disponibilidade e manutenção (RAM) foi conduzido para prever a disponibilidade de produção das instalações e compará-la com a disponibilidade alvo. O estudo também seria usado para identificar áreas que limitam o rendimento da produção, recomendar medidas para atingir a disponibilidade necessária para entregar as metas de negócios de produção, confirmar as filosofias de operação e manutenção adotadas para atender à disponibilidade total do sistema e definir ações corretivas ou possíveis alterações de design .

Os dados brutos de manutenção estão resumidos na Tabela 1. Baseia-se em entrevistas com equipes de manutenção de instalações operacionais existentes. Os dados coletados para o estudo apresentaram problemas em várias áreas, começando com a falsa comparação de dados de manutenção de ativos antigos para determinar envelopes operacionais para a nova instalação.

Por exemplo, a Tabela 1 sugere que a cada 10 meses um compressor ficará fora de serviço por 30 dias devido a problemas de vedação mecânica. Esta estimativa pressupõe que um compressor passará 10 por cento de sua vida útil em manutenção devido a problemas de vedação mecânica. Essa suposição está incorreta, uma vez que a instalação adotará novas tecnologias. Além disso, muitas lições aprendidas com as instalações mais antigas serão refletidas no novo design.

Outra suposição incorreta extraída dos dados é o impacto da corrosão. Os dados brutos parecem sugerir que o compressor é mantido em manutenção por 30 dias a cada quatro anos (48 meses) como resultado de corrosão do eixo. O uso de material atualizado no eixo do compressor eliminará esses tipos de problemas.

A Tabela 1 indica ainda que o tempo médio de reparo (MTTR) devido à vibração é de 60 dias. Compare esta suposição com o MTTR médio esperado para novos compressores de apenas quatro dias devido ao gerenciamento aprimorado de peças sobressalentes.

Como este exemplo ilustra, as suposições extraídas de dados que podem ser precisas para instalações antigas com equipamentos antigos não são precisas quando aplicadas a novas instalações projetadas com materiais atualizados e tecnologias mais eficientes.



Tabela 1. Dados de campo brutos coletados para um estudo de confiabilidade, disponibilidade e capacidade de manutenção

A Tabela 2 resume o mesmo conjunto de dados corrigido por engenheiros de confiabilidade. Acessando os mesmos dados fornecidos ao fornecedor terceirizado, os engenheiros filtraram os dados brutos para eliminar todos os problemas de manutenção que poderiam ser corrigidos automaticamente pela instrumentação do processo. Os dados foram então categorizados por estratégias de gerenciamento operacional e de manutenção para identificar problemas relacionados a falhas de design, como gargalos, capacidade limitada e disponibilidade.

Os dados corrigidos podem ser aplicados à nova instalação e usados ​​para tomar decisões para otimização do projeto. Por exemplo, os modos de falha para compressores de gás agora mostram um MTBF de oito anos devido a vedações secas e um MTTR de três dias. Além disso, as suposições de corrosão para compressores de eixo foram eliminadas por materiais atualizados no novo projeto de instalação.



Tabela 2. Dados filtrados coletados para o estudo de confiabilidade, disponibilidade e capacidade de manutenção

A disponibilidade e a capacidade de ambos os designs são representadas na Figura 1. Isso ilustra a diferença nos resultados entre os dois modelos com base nos conjuntos de dados fornecidos, bem como a diferença nos resultados de disponibilidade e capacidade. Os dados originais colocam a disponibilidade da nova instalação em 77,34 por cento devido a um MTTR longo e MTBF curto, enquanto o conjunto de dados corrigido calculou a disponibilidade geral em 99 por cento, o que representa a situação real.

No mesmo projeto, uma prática semelhante foi feita para os outros equipamentos. A equipe de gerenciamento de projetos (PMT) foi instruída a eliminar equipamentos sobressalentes devido à alta disponibilidade. Os resultados foram usados ​​para otimizar a configuração do projeto para utilização total do sistema. Como este estudo de caso ilustra, o emprego de dados corrigidos pode ter um grande impacto sobre os custos de capital e de construção de novos projetos, eliminando equipamentos desnecessários e acelerando o tempo de conclusão do projeto e evitando custos.



Figura 1. Resultados do estudo de confiabilidade, disponibilidade e manutenção (RAM)



Figura 2. A relação entre os dados de entrada, o projeto e os resultados do simulador

Resultados significativos para qualquer software ou simulador de confiabilidade dependem da qualidade dos dados de entrada e do projeto. Como diz o ditado, "entra lixo, sai lixo". A Figura 2 mostra a relação entre o projeto e os dados de entrada com os resultados da simulação de RAM. Uma vez que o modelo de RAM é construído com base nos dados de entrada, a otimização potencial pode ser introduzida. Os dados são o elemento-chave no modelo e em outras medidas de desempenho de confiabilidade.

O mesmo é verdadeiro para estudos de confiabilidade específicos. Os engenheiros de confiabilidade gastam muito do seu tempo analisando dados nas operações. Por exemplo, os engenheiros podem conduzir um estudo de confiabilidade em itens específicos de mau agente, que são definidos como um componente, equipamento ou sistema com altos custos de manutenção e altas taxas de falha.

Os resultados desta avaliação são usados ​​para concentrar recursos limitados em itens de alto impacto com o maior benefício para as operações de campo em termos de custos de manutenção e disponibilidade. Se os engenheiros tiverem dados não representativos ou dados insuficientes, todos os resultados e recomendações não resolverão os problemas reais.

Isso representa uma oportunidade perdida de agregar valor ao planejamento de manutenção, gerenciamento de peças sobressalentes, orçamento de manutenção e desafios técnicos. Assim, dados de qualidade requerem sistemas de coleta de dados eficientes que identifiquem claramente os tipos e a quantidade de dados necessários para apoiar as decisões que a organização deve tomar.

3 etapas principais para melhorar a qualidade dos dados

1. Implante a plataforma de banco de dados certa

A solução selecionada para a organização não deve fechar nenhuma notificação de manutenção ou ordens de serviço até que todos os campos obrigatórios sejam preenchidos. Em outras palavras, a plataforma selecionada deve desabilitar atalhos para garantir a consistência dos dados coletados.

2. Integre funções existentes em uma solução abrangente

A plataforma deve incorporar todas as funções de confiabilidade em uma solução para melhor integrar os dados e reduzir o número de sistemas implantados em uma organização. Por exemplo, se alguma peça de reposição foi retirada do depósito, ela deve ser cobrada em uma notificação específica. Isso exigiria uma plataforma que assimilasse o gerenciamento de peças sobressalentes com as atividades de manutenção.

3. Implementar um programa de garantia de qualidade de dados

As atividades de garantia de qualidade para a solução implantada devem incluir uma auditoria periódica da qualidade dos dados em toda a organização. Por exemplo, a equipe de garantia de qualidade pode auditar aleatoriamente 5 por cento das notificações de manutenção e ordens de serviço para cada instalação operacional para avaliar a qualidade dos dados coletados. Os resultados dessa avaliação podem ser usados ​​para melhorar ainda mais a utilização da solução e garantir um banco de dados eficaz.

Dados são a pedra angular

Os dados completos do histórico de manutenção e reparo dos ativos devem ser coletados, armazenados e analisados ​​corretamente. Os funcionários da linha de frente, incluindo equipes de manutenção e pessoal de operações envolvidos na coleta de dados, também devem compreender a importância de seu papel na qualidade dos dados.

Lembre-se de que os dados são a base para a tomada de decisões em qualquer empresa, e a qualidade dos dados está no centro de todos os estudos de confiabilidade. Se você tiver dados de alta qualidade, poderá utilizá-los com segurança para uma defesa eficaz, pesquisas significativas, planejamento estratégico e entrega de gerenciamento.

Sobre os autores

Khalid A. Al-Jabr é um especialista em engenharia de confiabilidade da Saudi Aramco, que tem mais de 18 anos de experiência industrial com foco em confiabilidade e desafios de equipamentos. Ele possui um Ph.D., é engenheiro credenciado e certificado como profissional em gerenciamento de engenharia e análise de dados.

Qadeer Ahmed trabalha como engenheiro consultor de confiabilidade para a Saudi Aramco e tem 18 anos de experiência em engenharia de confiabilidade. Engenheiro credenciado, ele possui um Ph.D. e é um Certified Maintenance &Reliability Professional (CMRP) e um Six Sigma Black Belt.

Dahham Al-Anazi é um líder em engenharia de confiabilidade para o departamento de serviços de consultoria da Saudi Aramco. Ele tem mais de 25 anos de experiência técnica e é doutorado em engenharia mecânica.