DET TEKNISK-NATURVITENSKAPELIGE FAKULTET MASTEROPPGAVE Studieprogram/spesialisering: Industriell teknologi og driftsledelse Forfatter: Michael Sørensen Fagansvarlig: Vårsemesteret, 2010 Åpen (signatur forfatter) Veileder: Tore Markeset Tittel på masteroppgaven: En kvantitativ og risikobasert tilnærming til identifisering av forebyggende vedlikeholdsintervaller uten bruk av spesialistkompetanse Engelsk tittel: A quantitative and risk based approach for identification of preventive maintenance intervals without the use of specialists Studiepoeng: 30 Emneord: Optimering, vedlikeholdsintervaller, kvantitative metoder, Sidetall: 80 + vedlegg/annet: 20 Finnsnes, 10/06/2010 dato/år
En kvantitativ og risikobasert tilnærming til identifisering av forebyggende vedlikeholdsintervaller uten bruk av spesialistkompetanse Av Michael Sørensen 10. juni 2010 Industriell teknologi og driftsledelse Universitetet i Stavanger Skrevet i samarbeid med Finnfjord AS
Innhold 1 INNLEDNING... 8 1.1 PROBLEMSTILLING... 9 1.1.1 Avgrensninger... 10 2 METODE... 11 3 FINNFJORD AS... 12 3.1 PRODUKSJON... 12 3.2 VEDLIKEHOLDSORGANISASJON... 12 4 TEORI FOR VEDLIKEHOLDSMODELLER... 13 4.1 OPTIMALISERINGSPROSESSEN... 15 4.1.1 Risikobasert beslutningsgrunnlag... 16 4.2 DATAGRUNNLAG... 20 4.2.1 Datainnsamling for bruk i FMECA... 21 4.3 DATAANALYSE... 22 4.3.1 Sviktrate... 22 4.3.2 Prosessraten... 23 4.3.3 Weibullfordelingen... 24 4.3.4 Eksponentialfordelingen... 24 4.3.5 Innledende test av data... 24 4.3.6 Identifisering av levetidsfordeling med Nelson-Aalen plott... 26 4.3.7 Analytisk estimering av parametrene i sannsynlighetsfordelingen... 30 4.4 MANGELFULL DATA... 32 4.4.1 Ekspertvurderinger av pålitelighetsdata... 33 4.4.2 Ekspertvurderinger med punktestimering... 34 4.4.3 Ekspertvurderinger med intervaller... 35 4.4.4 Bayesianske metoder... 36 5 KONSTRUKSJON AV OPTIMERINGSMODELLER... 41 5.1 OPTIMERINGSMODELLER... 42 5.2 BLOKK METODEN... 43 5.3 FV I FORM AV UTSKIFTING ETTER ALDER... 44 5.3.1 Utskifting etter alder med hensyn til tiden... 45 5.4 MINIMAL REPARASJON... 46 5.5 UTSKIFTING AV UTSTYR MED STORE KAPITALKOSTNADER... 49 5.6 TILSTANDSBASERT VEDLIKEHOLD... 50 5.7 RELATIVE RISK OG PROPORTIONAL HAZARDS MODELL (PHM)... 51 5.8 PROPORTIONAL INTENSITY MODEL (PIM)... 52 6 CASE FRA FINNFJORD AS... 54 6.1 VALG AV SYSTEM FOR ANALYSE... 54 6.2 FMECA... 56 6.3 SCHENKELEVATOR... 58 6.4 SCHENKBÅND - MINIMAL REPARASJON... 61 6.5 UTSTYR MED STORE KAPITALKOSTNADER... 63 6.6 KRAN... 64 6.6.1 Situasjon... 64 6.6.2 Konstruksjon av modell... 65
6.6.3 Validering... 67 6.6.4 Resultat... 67 7 DISKUSJON AV RESULTATER... 69 7.1 LØNNSOMHETEN AV CASENE... 69 7.2 DATAANALYSE... 70 7.2.1 Bruk av Bayesiansk statistikk... 71 7.2.2 Ingeniørestimater... 72 7.3 PRAKTISK BRUK AV OPTIMERINGSMODELLENE... 72 7.4 ILLUSTRASJON AV DEN BENYTTEDE OPTIMERINGSPROSESSEN... 73 8 KONKLUSJON... 76 9 REFERANSER... 78
Oversikt over Figurer Figur 1 Beslutningsprosess for tildeling av type FV... 14 Figur 2 Typisk optimering innenfor vedlikehold... 15 Figur 3 Overordnet struktur for optimaliseringsprosessen... 16 Figur 4 Flytdiagram kritikalitetsanalyse fra NORSOK... 18 Figur 5 NORSOK flytdiagram opprettelse vedlikeholdsprogram... 20 Figur 6 Faktorer som påvirker resultatet av optimeringen... 20 Figur 7 Data i optimeringsprosessen... 22 Figur 8 Illustrasjon av sannsynlighetsfordelingen, påliteligheten og upåliteligheten... 23 Figur 9 Kritiske områder for testobservatoren, u... 25 Figur 10 Antall svikt som funksjon av tid... 26 Figur 11 Identifikasjon av weibullfordeling med plott av kumulativ sviktrate... 27 Figur 12 Ln plott av levetid og kumulativ sviktrate... 29 Figur 13 Fordeler med formel ekspertvurdering og ingeniørvurdering... 34 Figur 14 Rom med mest sannsynlige parametre fra ekspertvurderinger (Zuashkiani, 2008) 35 Figur 15 Bruk av Bayes metode... 37 Figur 16 Levetidsfordeling f(t) med stokastiske parametre... 37 Figur 17 Komponentenes sviktrate avgjør ROCOF til systemet... 41 Figur 18 Fornyelsesprosesser... 42 Figur 19 Sykluser ved blokkmetoden... 43 Figur 20 Sykluser ved forbyggende utskiftinger og syklus ved svikt... 44 Figur 21 Syklusillustrasjon... 46 Figur 22 Homogen poissonprosess... 47 Figur 23 Inhomogen poissonprosess... 47 Figur 24 Syklus for minimal reparasjon... 48 Figur 25 Sykluser ved store kapitalkostnader og lange intervaller (Jardine og Tsang, 2006). 50 Figur 26 Parameter over tid hvor tilstanden er tilfredsstilende.... 51 Figur 27 Paretodiagram med kostnader for arbeidstimer... 54 Figur 28 Paretodiagram kostnader tapt produksjon... 55 Figur 29 Paretodiagram for delekostnader og innleie... 55 Figur 30 Paretodiagram for totale kostnader... 56
Figur 31 FMECA-gruppen... 57 Figur 32 Bilde av gir til Schenkelevator... 59 Figur 33 Kostnad per måned med ulike intervaller... 60 Figur 34 Bånd til Schenkelevator... 61 Figur 35 Antall svikt per år... 62 Figur 36 Årlige kostnader ved utskiftning i år n... 62 Figur 37 EAC for ulike intervaller for utskiftning av Schenkelevator... 63 Figur 38 Illustrasjon av Kran 2... 64 Figur 39 Tappehalskran 1... 65 Figur 40 Plott i Weibull++ programvare... 71 Figur 41 Illustrasjon av optimeringsprosess... 74
Oversikt over Tabeller Tabell 1 Weibullfordelte levetider... 26 Tabell 2 Weibullfordelte levetider med suspensjoner... 28 Tabell 3 Data uten suspensjoner for estimering av kumulativ sviktrate... 28 Tabell 4 Utdrag av FMECA for utstyr med største kostnader identifisert i paretoanalysen... 58 Tabell 5 Optimum... 60 Tabell 6 Sensitivitet for korrektive kostnader... 60 Tabell 7 Sensitivitet for planlagte kostnader... 61 Tabell 8 Historikk mot modellens forutsigelser... 67 Tabell 9 Sensitivitetsanalyse med tapt produksjonstid... 68 Forkortelser Her følger en alfabetisk oversikt over de forkortelser som er tatt i bruk. CRF = Capital Recovery Factor CMMS = Computerized Maintenance Management System EAC = Equivalent Annual Cost FMEA = Failure Mode and Effect Analysis FMECA = Failure Mode Effect and Criticality Analysis FV = Forebyggende Vedlikehold MPMT =Mean Preventive Maintenance Time MTBF = Mean Time Between Failures MTTR = Mean Time To Repair NDT = Non Destructive Testing NFPV = Norsk Forening for Produksjon og Vedlikehold NHPP = Non Homogeneous Poisson Process NIST = National Institute of Standards and Technology OEM = Original Equipment Manufacurer PHM = Proportional Hazards Modell PIM = Proportional Intensity Model PLS = Programmerbar Logisk Styringsenhet RCM = Reliability Centered Maintenance ROCOF = Rate of occurance of failures SME= Sannsynlighetsmaksimeringsestimator TPM = Total Productive Maintenance
Sammendrag Med utgangspunktet Å finne fram til en framgangsmåte og optimeringsmodeller som kan danne et kvantitativt beslutningsgrunnlag for tildeling av ressurser til forebyggende vedlikeholdsintervaller velegnet for små og mellomstore bedrifter, er det foreslått en risikobasert framgangsmåte for tildeling av forebyggende vedlikeholdsintervaller basert på bevis og data. Med kvantitative metoder belyses verdien av ulike strategier tydelig, og det bør da bli enklere å oppnå aksept for de valgte strategiene. Fokuset er på enkle og lite ressurskrevende metoder og begrenser seg til grunnleggende modeller som blokk, alder og minimal reparasjon. I tillegg behandles et tilfelle med både deterministiske kostnader og kapitalkostnader. Modellene illustreres med virkelige eksempler fra en mellomstor norsk bedrift, Finnfjord AS. Her utvelges kritiske systemer som skal vurderes for optimalisering. Identifiseringen av dette utstyret baseres på en risikobasert metode, og basert på analyse av datagrunnlaget blir de mest relevante modellene for optimering av vedlikeholdsintervaller presentert. Gjennom casene blir det demonstrert at disse metodene også fungerer i praksis. Det ble funnet at bedrifter med begrensede ressurser og kompetanse vil kunne ta i bruk grunnleggende modeller, men at det foreligger et potensial for et større bruk av optimeringsmodeller hvis programvaren som allerede er på markedet i dag videreutvikles. Bruk av modellene og den nødvendige dataanalysen er demonstrert med ferdige oppsett i standardverktøyet Excel for weibullfordelte levetider. Oppsettene vil også kunne fungere som maler for lignende tilfeller.
1 INNLEDNING Påfallende mye litteratur innenfor vedlikeholdsfaget innledes med noen ord omkring de betydelige ressurser som ofte inngår i vedlikeholdsbudsjettet, og de mange områder hvor vedlikehold ellers har påvirkningskraft overfor bedriftens konkurranseevne (Sherwin, 2000; Marais, 2008; Alsyouf, 2006; Al-Najar, 2006; Campbell & Jardine, 2001). Det kan dermed virke som om bedrifter ikke alltid er tilstrekkelig oppmerksomme på koblingen mellom vedlikehold og de overordnede økonomiske resultatene. Når store ressurser går til vedlikehold vil en kostnadseffektiv vedlikeholdsstrategi derfor representere en betydelig verdi for bedriftene. I tillegg kommer alle andre kostnader relatert til produksjonstap, kvalitet osv. som muligens er enda større enn de direkte kostnadene. Det antas at ulike vedlikeholdsstrategier har ulik betydning for bedriftenes resultater, noe som mange vil mene er en selvfølge i dag. Problemstillingen er også aktuell i Norge, og i følge Norsk Forening for Produksjon og Vedlikehold (NFPV) er det likevel fremdeles stort potensial for optimaliseringer innenfor vedlikehold i norske bedrifter. Dette gjelder spesielt innenfor forebyggende vedlikehold (FV) (NFPV, 2002). Dette var også en del av konklusjonen i to undersøkelser av svenske bedrifter (Jonsson, 1997 og Alsyouf, 2009), og det antas her at norske og svenske forhold er sammenlignbare. Det finnes antakelig flere gode forklaringer på hvorfor bedrifter ikke klarer å realisere dette potensialet, selv om de ofte er i hard konkurranse på det globale markedet og dermed har lite rom for å drive suboptimalt. En årsak kunne ganske enkelt være manglende oppmerksomhet på at det i det hele tatt eksisterer et potensial, og en oppfattelse av at vedlikehold nå engang bare koster det det koster eller fungerer som et stort, umettelig svart hull i budsjettet. Det er selvfølgelig også mulig å anerkjenne vedlikeholdsstrategien som en positiv bidragsyter til bedriftens konkurranseevne uten likevel å få realisert dette potensialet. I dette siste tilfellet kan det være veldig begrenset hva små og mellomstore bedrifter har tilgjengelig av ressurser og kompetanse innenfor dette multidisiplinære området hvor det kreves mer enn innsikt i de spesifikke tekniske systemene for å oppnå suksess. En god del kompetanse innenfor især statistikk er også nødvendig. Dessuten må tilstrekkelig data være tilgjengelig og kjennskap til bruk av programvare i beregningene er avgjørende. I tillegg har forskning innenfor vedlikeholdsoptimering ofte vært publisert i matematiske tidsskrifter som pålitelighets- og vedlikeholdsingeniører vanligvis ikke leser. Denne typen forskning presenteres som oftest også i et vanskelig tilgjengelig matematisk språk og, ikke minst, med begrenset relevans for praktiske problemstillinger. (Sherwin, 2000; Scarf, 1997; Dekker, 1996) Det finnes mange andre utfordringer i forhold til for eksempel organisatoriske og strategiske problemstillinger - og ikke minst implementering, men denne oppgaven vil i motsetning til kvalitative metoder som klassisk Reliability Centered Maintenance (RCM) og Total Productive Maintenance (TPM), hovedsakelig være fokusert på kvantitative metoder med datagrunnlag, dataanalyse, og beslutningsanalyse relatert til FV. 8
I rapporten fra NFPV(2002) nevnes det at en del vedlikeholdsledere hadde et ønske om å øke andelen av FV. I konkurransen om ressurser internt i bedriften er det nærliggende å forestille seg at kvantitative argumenter står sterkest, og derfor antas det her at en kvantitativ metode som optimering av vedlikeholdsintervaller definitivt er velegnet til å rettferdiggjøre anbefalinger innenfor FV. 1.1 Problemstilling Ved bruk av kvantitativ metoder, som statistikk og beslutningsanalyse, kan usikkerhet behandles i beslutningsprosessen på en systematisk og gjennomskuelig måte. Avgjørelser basert på synsing eller prinsippet om den sterkestes rett for investeringer og prioriteringer vil dermed stå svakere. Kvantitative metoder tydeliggjør også resultatene, noe som er en fordel når man skal argumentere for å bruke ressurser på især FV. Når det i litteraturen nevnt over stadfestes at denne typen beslutninger har stor økonomisk betydning, og at FV har et stort potensial, er det nærliggende å undersøke om en slik kvantitativ og risikobasert metode kan være relevant for norske, og da spesielt små og mellomstore bedrifter. Optimering av forebyggende vedlikeholdsintervaller er lite utbredt, selv om dette er anerkjent som et viktig satsningsområde innenfor FV (Jardine, 2006). Gitt disse utfordringene innenfor vedlikeholdsområdet blir hovedmålet som følger: Hovedmål Å finne fram til en framgangsmåte og optimeringsmodeller som kan danne et kvantitativt beslutningsgrunnlag for tildeling av ressurser til forebyggende vedlikeholdsintervaller velegnet for små og mellomstore bedrifter. Mål Første del av hovedmålet, selve framgangsmåten, består hovedsakelig av de innledende prosesser som er nødvendige før optimering av forebyggende vedlikeholdsintervaller kan beregnes og vil kunne nås gjennom følgende delmål: Utvelgelse av kritiske systemer som skal vurderes for optimering Tildeling av vedlikehold som baserer seg på en risikobasert metode Demonstrere at metodene fungerer i praksis under de gitte forutsetninger Andre del av hovedmålet, å finne velegnede optimeringsmodeller som kan danne grunnlag for å tildele ressurser til arbeidet med forebyggende vedlikeholdsintervaller, består av følgende delmål: Finne en velegnet metode for analyse av data til bruk i optimeringsmodellene Finne fram til de mest relevante modeller for optimering av vedlikeholdsintervaller Demonstrere at metodene fungerer i praksis under de gitte forutsetninger 9
Aktiviteter: Målene nevnt over består av følgende aktiviteter: Utføre paretoanalyse for identifisering av kritiske systemer Gjøre bruk av FMECA analyse Utforme regneark i standardprogramvaren Excel uten bruk av spesialisert programvare for dataanalyse Litteraturstudie for identifisering av grunnleggende optimeringsmodeller Implementering av optimeringsmodellene i Excel Teste metodene gjennom case fra Finnfjord AS 1.1.1 Avgrensninger Optimeringsprosessen må være anvendelig for ikke-spesialister, og derfor enkel å anvende i praksis. Dette betyr at metoder som vil kreve spesialistkompetanse utelukkes som alternativer i denne sammenhengen. Metoden som velges skal være anvendelig for små- og mellomstore bedrifter, og må derfor være gjennomførbar med begrensede ressurser. Optimering av intervaller for FV vil begrense seg til grunnleggende og relativt enkle modeller som vil være realistiske å implementere i praksis. Modellene vil gjelde for utskiftning av utstyr med blokk- og aldersmetoden, minimal reparasjon og tilfeller med store kapitalkostnader og deterministisk kostnadsutvikling. (Se kapittel 4) 10
2 METODE For å sikre at modellen blir anvendelig i praksis vil utgangspunktet for casene her være fra virkelige problemstillinger i en mellomstor norsk industribedrift. Bedriften Finnfjord AS, som er en produsent av ferrosilisium, bli benyttet og regnes i denne sammenheng for å være representativ for små og mellomstore bedrifter. Prinsippene for tildeling av vedlikehold og bestemmelse av intervaller regnes ikke for bransjespesifikke. Ved at utstyret i modellene representerer store verdier for bedriften, og konsekvensene ved svikt er betydelige, vil det være mulig å trekke paralleller til andre små og mellomstore bedrifters vedlikeholdsstrategi. Interessante modeller ble identifisert ved hjelp av litteraturstudie innenfor kvantitativ optimering og dens utfordringer. Ved å ta høyde for de angitte begrensninger i utvalgsprosessen er relevante optimeringsmodeller presentert. Det tilstrebes å beskrive en komplett metode fra start til slutt. For å komme frem til den risikobaserte prosessen som leder fram til bruk av modellene ble det også gjennomført litteraturstudie. Tilgjengelig spesialisert programvare på området er også undersøkt for å se på deres anvendelighet i prosessen. I casene er først en kartlegging av kostnader utført slik at det mest kritiske utstyr kunne identifiseres ved hjelp av paretoanalyse. På bakgrunn av disse resultatene er intervju utført for estimering av levetidsparametre med ingeniørvurderinger for å kompensere for manglende data. Mulige begrensninger ved bruk av ingeniørestimater til datainnsamling er diskutert i avsnitt 7.2.2. Løsningen på problemet som mangelen på data utgjør ble foreslått av Zuashkiani, under et seminar i april 2010. Denne viten, sammen med de tilknyttede kostnader, benyttes til modellvalg og oppbygging av modeller. Grunnlaget for modellene er dataanalysen, og enkle framgangsmåter er vist med bruk av Excel. På bakgrunn av teorien og modellene litteraturstudiene, er det konstruert modeller i Excel som antas å være velegnede med de gitte begrensningene. Alle modellene som er lagt til grunn for anbefalingene er vedlagt både i papirformat, samt i Excelfiler. 11
3 FINNFJORD AS Finnfjord er et smelteverk i Lenvik kommune i Troms, og er en av Europas ledende produsenter av ferrosilisium (FeSi). Ferrosilisium benyttes i produksjonen av stål og forskjellige stålprodukter. Finnfjord leverer også silika, som inngår i moderne betongteknologi. I 1983 ble smelteverket som det fremstår i dag grunnlagt, og har siden da blitt utvidet og modernisert frem til i dag å dekke rundt 15 % av EUs behov for ferrosilisium. Det er i overkant av 100 ansatte på Finnfjord, og omsetningen var i 2008 ca 850 millioner kroner. ( www.finnfjord.no) 3.1 Produksjon Produksjonen er energikrevende. For å produsere ferrosilisium benyttes det i alt 3 elektriske reduksjonsovner som opereres med effekter på 20, 42 og 45 MW. Årlig forbruk er da på rundt 950 GWh elektrisk kraft ved full kapasitetsutnyttelse. Elektrisk energi er en stor del av produksjonskostnadene, ca 45 %. Det er derfor fokus i dag på å utnytte energien best mulig, og dette er også et besluttet å være bedriftens viktigste strategiske satsningsområde. (www.finnfjord.no) Finnfjord har i dag flere prosjekter som skal gjenvinne energi, og satser også sterkt på å utvikle prosesser som kan imøtekomme stadig sterkere miljø- og produktkrav. Generelt er 100 % tilgjengelighet med full kapasitetsutnyttelse ønskelig og nedetid i produksjonen medfører derfor betydelige kostnader i form av tapt produksjon. Hele prosessen med lossing av råvarer fra skip til utstøping av ferdig ferrosilisium er sårbar overfor svikt. Det stilles derfor store krav til utstyret som i tillegg representerer store kostnader i form av tilknyttet vedlikehold. Kritisk og kostbart utstyr i produksjonsprosessen er ikke et særtilfelle for metallindustrien og samme forhold gjør seg ofte gjeldende for små- og mellomstore bedrifter i andre bransjer. 3.2 Vedlikeholdsorganisasjon Vedlikeholdet er organisert med en vedlikeholdssjef, en elektrosjef med ansvar for elektrikere, en planlegger, 3 vedlikeholdsingeniører og 1 verkstedsjef som har ansvaret for mekanikere. Det er ca. 5 elektrikere og 15 mekanikere. På nåværende tidspunkt er det satt fokus på utvikling av vedlikeholdet med bl.a. en igangværende TPM-prosess, og et stadig behov for utvikling av vedlikeholdet er påkrevd i forbindelse med nye prosjekter. Vedlikeholdsbudsjettet utgjør et tosifret millionbeløp, noe som er betydelig i seg selv, men påvirkningskraften vedlikeholdet indirekte har på produksjonen er utvilsomt også stor. Det er derfor viktig at beslutninger tas på et faglig velfundert grunnlag basert på bevis og data, og her vil kvantitative og risikobaserte metoder være velegnet. 12
4 TEORI FOR VEDLIKEHOLDSMODELLER En oversikt over et særdeles stort antall eksisterende modelltyper er presentert av Wang (2002) og modellene som behandles videre her vil representerer et veldig begrenset utsnitt. For å belyse hvilken type modeller og hvorfor de er valgt er FV inndelt i 3 hovedgrupper: Tilstandsbasert vedlikehold, Tidsbasert vedlikehold Forebyggende utskiftning De 3 hovedgrupper framgår i høyre side av Figur 1, som er gjengitt fra Jardine og Tsang (2006). Figuren illustrerer beslutningslogikken for tildeling av vedlikehold når først det er avgjort at vedlikeholdet på det spesifikke utstyret må være forebyggende. Beslutningslogikken er den del av prosessen for tildeling av vedlikehold som vil bli beskrevet nærmere i avsnitt 6.2.1. Det vil naturligvis igjen være undergrupper som termografi, vibrasjonsmåling osv. som må bestemmes i hvert enkelttilfelle. Hovedgruppen forebyggende utskiftning vil her være hovedfokuset, fordi den inneholder modeller som er grundig gjennomtestet og så tilpass enkle at det burde være god mulighet for å ta dem i bruk i praksis. Forebyggende utskiftninger representerer ikke alltid de største potensielle gevinster innenfor optimering, men i tillegg til at de valgte modellene er relativt simple, så danner de også ofte grunnlaget for andre og mer avanserte modeller (Aven og Dekker, 1997; Wang, 2002). For tilstandsbasert vedlikehold er man også ofte avhengig av tilstedeværelsen av teknologi og kompetanse på måleteknikker for tilstandskontroll. Modellene for forebyggende utskiftning krever til gjengjeld bare forholdsvis enkle data som ofte allerede registreres i utgangspunktet i bedriftens CMMS system. (Computerized maintenance management system). Med dette øker sannsynligheten for at de valgte modellene er innenfor rekkevidde for små og mellomstore bedrifter som ikke gjør bruk av grundige pålitelighetsanalyser eller har tatt i bruk programmer med omfattende bruk av tilstandsbasert teknologi. Selv om det ikke her utarbeides eksempler med tilstandsbaserte modeller, er to typer likevel funnet veldig interessante på grunn av deres potensial og derfor omtalt i avsnitt 5.6. 13
Vedlikeholdet på gitt utstyr må være forebyggende Teknisk mulig og økonomisk hensiktsmessig å oppdage gradvis feilutvikling ved hjelp av tilstandsbasert vedlikehold? Ja Tilstandsbasert vedlikehold Nei Teknisk mulig og økonomisk fordelaktig å reparere komponenten slik at sannsynligheten for svikt minskes? Ja Tidsbasert reparasjon Nei Teknisk mulig og økonomisk hensiktsmessig å skifte ut komponenten slik at sannsynligheten for svikt minskes? Ja Forebyggende utskiftning Nei Redesign eller annen løsning Figur 1 Beslutningsprosess for tildeling av type FV Den optimale beslutningen balanserer ofte mellom ulike kostnader og fordeler, og optimeringsmodeller blir da et velegnet verktøy da de er matematiske modeller som nettopp etterstreber en optimal balanse ved å kvantifisere kostnader og fordeler (Dekker, 1995). I praksis betyr det å ta hensyn til kostnader forbundet med både FV, korrektiv vedlikehold, kostnader forbundet med tapt produksjon osv. En måte å se på optimering innenfor vedlikehold er presentert i Figur 2. Her illustreres at øking av tiden mellom FV på x-aksen fører til lavere forebyggende kostnader, men også til større kostnader forbundet med det korrektive vedlikeholdet. Økingen i korrektive kostnader kunne også avspeile øking i tapt produksjon og ofte vil optimum skulle finnes mellom FV og tapt produksjon. 14
12 10 kostnader/tid 8 6 4 Totale kostnader Korrektive kostnader 2 Optimum Forebyggende kostnader 0 0 2 4 6 8 10 12 Forebyggende vedlikeholdsintervall Figur 2 Typisk optimering innenfor vedlikehold Målet med optimeringsmodellene vil i det følgende bli å minimere kostnadene ved å identifisere de optimale tidsintervallene for vedlikehold i forbindelse med forebyggende utskiftninger. Innenfor operational research er det utviklet mange ulike modeller, hvor noen utvalgte modeller blir behandlet her. Det antas at disse modellene er grunnleggende og er anvendelige for ikke-spesialister innenfor pålitelighet og optimering og som ellers har relativ bred anvendelighet. 4.1 Optimaliseringsprosessen Den overordnede strukturen for optimaliseringsprosessen vil hovedsakelig være som illustrert i Figur 2. Prosessen innfrir kravene til hva som kan kalles en RCM prosess ved å inkludere følgende 7 kriterier: 1. Identifikasjon av systemer/utstyr som skal analyseres 2. Bestemme funksjonene til systemene/utstyret 3. Bestemme hva som definerer svikt hos disse funksjonene 4. Identifisere årsaken til sviktene 5. Identifisere effekten av sviktene 6. Bruk av RCM-logikk for å tildele velegnet vedlikehold 7. Dokumentasjon av vedlikeholdsprogrammet og kontinuerlig forbedring i takt med innhentet erfaring. 15 (Campbell & Jardine, 2001) For å sikre en kostnadseffektiv prosess, bør ikke alle systemer bli utsatt for grundige analyser, og de systemer eller utstyr med størst potensial identifiseres derfor først. Når systemene som man ønsker å analysere grundig er kartlagt, utføres en Failure Mode Effect and Criticality Analysis (FMECA) med det formål å kartlegge feilmodi og deres effekt og konsekvenser. Med den viten FMECA bringer med seg om de ulike feilmodi kan det besluttes hvilken type vedlikehold som er velegnet ved hjelp av en beslutningslogikk som beskrives nærmere i
avsnitt 6.2. Til slutt blir da spørsmålet ved hvilke intervaller FV bør utføres. Denne identifiseringen av forebyggende vedlikeholdsintervaller bestemmes på bakgrunn av optimeringsmodellene. Hovedelementene i denne strukturen kan også kjennes igjen i NORSOK standarden Z-008, og i avsnitt 4.1.1 vil standarden bli beskrevet nærmere i forhold til en praktisk og enkel metode som blir fulgt i et case igjennom oppgaven. Valg av system FMECA for valgt system Identifisering av velegnet vedlikehold på utstyr Optimering av forebyggende vedlikeholdsintervaller Figur 3 Overordnet struktur for optimaliseringsprosessen 4.1.1 Risikobasert beslutningsgrunnlag Risikovurderinger er nyttige som beslutningsgrunnlag når begrensede ressurser betinger at man må prioritere blant mange muligheter. Mengden av utstyr kan ofte være såpass stor at det vil være behov for prioriteringer når tildelingen av ulike typer av vedlikehold på utstyret skal besluttes. Det finnes ulike oppfatninger av begrepet risiko, men her er definisjonen fra Aven (2007) valgt: risiko er en kombinasjon av mulige konsekvenser (utfall) og tilhørende usikkerhet. Ved bruk av denne definisjonen tas det hensyn til både konsekvenser og de tilhørende usikkerheter i beslutningsprosessen. Risiko behøver dermed heller ikke å beskrives som en kvantitativ størrelse, i motsetning til den litt mer enkle definisjonen av risiko som lik sannsynlighet x konsekvens. Dette medfører at risiko meningsfylt kan uttrykkes med for eksempel høy/lav og ofte/sjelden uten at det trengs å foreligge konkrete tall. Her vil derimot sannsynlighet x konsekvens alene beskrive forventningsverdien ved å betrakte kostnaden og sannsynligheten for at denne kostnad vil forekomme. Forventningsverdiene for de ulike alternativer sammenlignes, og største forventningsverdi bør velges hvis ikke den tilhørende risikoen vurderes som uakseptabel. Å velge løsninger med størst forventningsverdi maksimerer bedriftens overskudd i det lange løp, hvilket anses som grunnleggende økonomisk teori. I hovedtrekk vil risikovurderinger her primært bli brukt i utvelgelsen av kritisk utstyr (prioritering), og forventningsverdier vil bli brukt som et beslutningskriterium. Før en beslutning kan tas på bakgrunn av ovenstående, gjenstår det å bestemme etter hvilke kriterier en beslutning er lønnsom. Internrente og netto nåverdi er eksempler på vanlige metoder for å avgjøre om det bør investeres eller ikke. Netto nåverdi metoden er oftest sterkest da den for eksempel tar hensyn til nåverdi og ikke vil gi flere optimum som kan være tilfellet ved bruk av internrentemetoden (Brealey et al., 2006). Formålet med risikovurderinger og netto nåverdi som beslutningskriterier blir da å bidra med kostnadseffektive beslutninger. Det vil være tilfeller hvor det i praksis ikke er nødvendig å ta hensyn til tidsverdien av penger, og i noen av modellene som blir presentert i senere avsnitt er tidshorisonten såpass liten at det ikke er nødvendig å ta hensyn til nåverdien. 16
Man kunne for så vidt velge å gå gjennom alt utstyr fra en ende til en annen, men ut fra antakelsen om at noen systemer har større potensial enn andre for optimalisering, kan man velge å identifisere de mest kritiske systemene først og dermed begrense analysens omfang. En mye brukt metode til dette er paretoanalyse, hvor man foruten kostnader også kan prioritere sikkerhet, tilgjengelighet eller andre områder som vektlegges ut fra relevante kriterier til disse. I caset som presenteres under er fokuset på kostnader, som her alene avgjør hvilke systemer som tas med for videre analyse. Kostnader kan ofte inndeles i material- og delekostnader, lønnskostnader og kostnader relatert til produksjonstap. Når alle kostnadene er summert, vil utstyr tilknyttet de høyeste kostnader trå tydelig fram. Beslutningsgrunnlag for valg av system Basis for beslutninger vil her være risikovurderinger og lønnsomhetsbetraktninger, noe som er i tråd med NORSOK standarden Z-008, som har følgende formål: establish a basis for preparation and optimization of maintenance programs for new and in-service oil and gas plants. This NORSOK standard describes an efficient and rational working process resulting in an optimized maintenance program based on risk analysis and cost-benefit principles (NORSOK Z-008, 2001, s. 7) Selv om denne standarden er utviklet for bruk innenfor petroleumsindustrien, bør den også kunne brukes innenfor andre industrier da den bygger på kost/nytte betraktninger og risikovurderinger - et grunnlag som antas å være ettertraktet i alle typer industri. En annen fordel med standarden er at den er lett tilgjengelig og kan nedlastes gratis fra internett. Standarden vil her videre bli brukt som en ledetråd, men med visse vesentlige unntakelser for å tilpasse den til små- og mellomstore bedrifter. Unntakelsene vil bli beskrevet i neste avsnitt. Første del av av NORSOK Z-008 inneholder definering av systemgrenser og kritikalitetsanalyse. Flytdiagrammet i Figur 4 vil her være utgangspunktet for det videre arbeid med utvilklingen av intervaller. 17
Figur 4 Flytdiagram kritikalitetsanalyse fra NORSOK Formålet med bruk av standarden er først og fremst å konstruere et risikobasert vedlikeholdsprogram. I Figur 4 tilsvarer dette punkt 4.1. Teknisk dokumentasjon i punkt 5.2.1 er nødvendig senere i analysen, men for å spare tid kan det med fordel ventes til relevant utstyr er definert. Punkt 5.2.2 går på systemgrenser, og er et vesentlig punkt som det her anbefales å avvike fra standarden. Dette utdypes nærmere i neste avsnitt. Beslutningskriterier bestemmes i 5.2.3, og i flytdiagrammets punkt 5.3 vurderes det hvilke systemer som skal analyseres etter kritikalitet for å sikre en kostnadseffektiv framgangsmåte. Dette vil bli behandlet i caset i avsnitt 6.1. Avvik fra NORSOK En stor del av flytdiagrammet for kritikalitetsanalysen er tilknyttet definering av systemgrenser og funksjoner på system- og undersystemnivå. Dette er en vanlig framgangsmåte også i RCM (Moubray, 1997) Man kan mene at systemgrenser og systemfunksjoner bidrar til å skape en oversikt og innsikt i anlegget, men spørsmålet er om det koster mer enn det smaker, siden denne delen av analysen kan bli omfattende. Det vil i det følgende bli argumentert for hvorfor denne delen av analysen kan unnlates. Bloom (2005) argumenterer med at hvis alle komponenter i kritisk utstyr gjennomgås på en systematisk måte som ved FMECA, vil alle konsekvensene også bli identifisert som følger av svikt relatert til de enkelte komponenter. Altså vil ikke systemgrenser og systemfunksjoner være nødvendige for å belyse relasjonen mellom komponenter og konsekvenser som er hovedgrunnlaget for avgjørelser omkring tildeling av vedlikehold. Hvis man derimot tar utgangspunkt i systemfunksjoner og deres svikt, så må man igjennom en prosess hvor det enkelte utstyret som bidrar til systemsvikten må identifiseres. Dermed introduseres en mulighet til å overse utstyr som kan bidra til svikt, hvor metoden som i stedet tar 18
utgangspunkt i alle komponenter sikrer at ingen komponenter eller utstyr blir oversett. Utgangspunktet med å begynne analysen på komponentnivå og derfra identifisere hvilke svikt komponentene kan forårsake må også kunne sies å være et enklere konsept enn om man først skal definere systemgrenser og funksjoner for deretter å identifisere tilhørende svikt. Bloom (2005) argumenterer for at vektleggingen av systemgrenser i klassisk RCM kommer av at systemgrensene allerede var definerte av flyindustrien før Nowland og Heap begynte sitt arbeid med utvikling av RCM-metoden fra flyindustrien. Offshore systemer, som NORSOK er utviklet til, er ofte veldig omfattende med et stort antall komponenter som muligens kan rettferdiggjøre omfattende ressursbruk på oppdeling av produksjonsutstyret i systemavgrensninger, hovedfunksjoner, hovedsystemer og undersystemer. For mindre bedrifter med mer oversiktlige systemer og mindre rotasjon av personell, vil denne innledende disiplin med fordel kunne begrenses betraktelig. Definisjon av systemer og systemgrenser behøver ikke nødvendigvis å lede til målet om effektivt vedlikehold, og prosessen kan antas å miste fart hvis ledere føler de allokerer ressurser til en prosess som de mistenker er lite verdiskapende. Især hvis vedlikeholdet har en uavklart rolle vil prosessene rundt FV kunne ende i skyggen av de mer direkte aktiviteter forbundet med det fysiske vedlikeholdet. FMECA for valgt system Framgangsmåten som beskrives i denne NORSOK-standarden har mye til felles med Reliability Centered Maintenance (RCM) metoden. I neste fase konstrueres vedlikeholdsprogrammet og beslutningsdiagrammet for dette er vist i Figur 5. En stor del av prosessen vil bestå av en FMECA analyse, og hvordan dette kan gjøres vil bli illustrert med et case i avsnitt 6.2. 19