”risk-based（リスク・ベース）”は、”リスクをいつも頭におく” ,チェック and チューンナップ

 

RBI/RBM

この記事は生産系むftのプラントの設備設計から廃棄まで、いわゆる、ゆりかごから墓場までを論じています。

日常の生活、業務に置き換えて、”そうだな私のしごとは生産系ではないが、日常業務に置き換えて考えてみると当てはまる”と思ってください。

Introduction：リスクベースメンテナンスは、

プラント設備の劣化や安全 システム設計のリスクを評価して保守/点検スケ ジュール を策定する手法です。 リスクベースアプローチ により優先 順位を付けたタスクを計画・実行すると、 信頼性の向上 と保守コストの最適化に貢献します。

Risk Based Maintenance is the method for developing maintenance/inspection schedules on the evaluation of the risk of plant equipment degradation and/or failure to Design Safety System. Planning tasks prioritized by using the risk-based approach can contribute to improvements in reliability and the optimization of maintenance costs.

①現状のメンテナンスの問題点

設備の老朽、劣化の進行に伴い近年メンテナンスに対する要求が高まっています。

さて、現状のメンテナンス技術、技能は高いレベルに保たれていますか

例: 誤操作・誤判断に起因する事故の比重が減り、設備の維管理の不良による事故の比重が増える傾向

例:設備の維持管理不良による事故は、近年、増加傾向

例:化学業界全体における従業員数は、減少傾向が継続、直近50年で約50万人から35万人へと30%減少

例:石油化学業30社の事業所について、主たる製品の製造プロセスに注目すると、バッチプロセスの事業所よりも、連続プロセスを行う事業所の事故発生率が高い水準

例:人的被害を伴う高圧ガス事故は全体の2割弱。死者、重傷者、軽傷者ともに、一般化学、石油化学、 石油精製の順に人的被害が大きい。

近年、プラントの事故件数が増える傾向は経験者の退職、技能伝承の弱体、作業者へのスキルアップへの取り組みが進んでいない。

さらに、科学的合理性ある保守・保全実施されていたとはかならずしもいえない。

問題解決は, 単にメンテナンスへ資源を投入するということではありません。

①設備の経年変化、損傷による部分、部位を定期メンテナンスによ るデーターをデーター化（ＳＱＬ）する活用する。

②解析実施に莫大な作業量を消化するために人工知能（AI）やディープラーニング（深層学習）、DX（デジタルトランスフォーメーション）(AI,DL,DX＝機械学習)が必要

合理的でユスト効果の高いメンテナンスを可能にするための方法を考える必要があります。

• その１:メンテナンスの問題点は, メンテナンスが対象設備、 業界などごとに扱われていることです。縦割りで縦軸で進められ、 関連関係団体のヨコ軸が通っていません。横軸をとうそうの意識は あるが組織・体制がついてこない。

結果、プラント系工場,加工組立系の工場, 社会イ ンフラ分野ごとに横通しなく議論がされている。

議論では, 「ウチはヨソとは違う, 機械は1台1台に個性があるから, 同一化して考えることは無理だ、経営体質も違う」という意見があります。

重要なことは、『工学は,個々に違うものなかに共通項を見出す、

その共通項から一般的な法則やルールに基づく知識体系化を図り, 体系化された知識を, 個別の問題に適用し科学的合理性ある問題解決をすることです。現状のメンテナンス活動の問題解決の基本は普遍化されたアプローチをとることです。

• その２:「ウチはヨソとは違う、同じアプローチをとれる経営環境にない。会社が違えばメンテナンス予算も人材も違う。背景が種々雑多でも、知識体系化には科学的合理性を使い問題解決に取り組む、つまり 普遍化された原理原則３現主義アプローチ体系を構築すること

期待されるメンテナンスの合理化と, その結果として現れる効率化をオープンにする、蓋をしない。

重要な点は、社内のメンテナンスにかかわる保全要員が、個々の問 題のどこが共通点なのか, 問題の発掘のために時間を割き、メンテナンス技術を発展させようとする委員会を立ち上げる。

• その３:メンテナンスにかんする問題点は, 本来メンテナンスはライフサイクル（ゆりかごから墓場まで）にかかわる問題であることに気づいているが、口癖がついでる「ウチはヨソとは違う、同じアプローチをとれる環境にない。会社が違えばメ ンテナンス予算も人材も背景も違う。」ここが解決されていません。

 

では、どうすればいいの?

メンテナンス計画

設備の経年変化、損傷による部分、部位を定期メンテナンスによるデーターをデーター化（ＳＱＬ）する活用すること、また損傷、劣化が引き起こす故障の予測技術を確立,AI化する必要があります。

設備の構造、機能の解析が必要

でも不可欠な設計情報は設計部門からメンテナンス部門へ渡されてないことが一般的です。一方, 設計 段階で決めたメンテナンスの方法は, 設計、保全、保全専門会社との コニュニケーションを欠き、かならずしも現場で適切に運用されてはいないこともある。

したがって, 実際の運転条件,使用環境で生じる種々の不具合に関する経験を3者関連部門で話し合うコミュニケーションの場でインプットしあいメンテナンス方法の見直しが必要です。

 

プラントが直面する課題の構造

 

②メンテナンス管理の重要性

メンテナンス概念、
メンテナンス管理の重要性メーカが推奨するメンテナンス方法を改善する仕組みをユーザが開発しないで, メンテナンスを実施している場合があります。

設備のライフサイクルを通じた一貫したメンテナンス管理をしていないため, メンテナンスの効率化が上がらないことがあります。

ここまでに書いてきたメンテナンスに関する問題は、短期間で解決できるものではないが、次のような取組みをし問題解決をすることが重要です。

1. サイクリック型社会におけるメンテナンスの重要性の認識

社会は, サイクリック型社会に向かっています。大量生産、大量消費、大量廃棄のモノ中心のライフサイクルから使用価値に立脚したライフサイクルへの移行中です。このような流れの中で形成された循環型社会のメンテナンスの重要性を認識する活動が必要です。

2. メンテナンス概念の再確立

メンテナンス技術体系の確立には, メンテナンス概念をもう一度、確立することが必要です。 世の中にはまだ, 「メンテナンスは修理」、または「壊れたものを直す技術」 と考えている人がいます。

これに対して, 使いながら改善、改良を続け, モノをより有効に活用することがメンテナンスであるというメンテナンス概念の再確立です。

生産設備に関しては, 運用段階での継続的な改善、改良が, 稼動率の向上と故障低域に大きな効果を生むことは, TPMの例から確認されています。 耐久消費財に関しても, 生活消費財に関してもレンタル, リースなど組み合わせ, アップグレードを含むメンテナンス·サービスを図り,コストフィットと環境効率の向上を実現することです。

3. IT/AIを活用したメンテナンス管理

継続的な改善·改良を実施してモノを活用していくためには、ライフサイクルを通じたメンテナンスの管理が必要になります。そのためには,製品や 設備に関する設計, 製造, 使用データを統合的に管理し、ライフサイクルの各段階で活用できるようにする必要があります。

• コンピュータによる支援.製品開発のコンピュータ利用は すでに急速に進み, デジタルプロセスや仮想生産、ＤＸといったキーワードがさかんに使われ、さらにAIに勢いがでています。このなかで, 従来では考えられなかったようなAI設計、３D設計、生産プリンター、バーチャル空間など、その活用が盛んになっています。
• 製品開発プロセスにおいては, （これを忘れちゃいけない＝＝＞） 品質を落とすことなく、品質を向上させながら開発リードタイムの短縮, 開発コスト削減といった要求を達成する。工程の下流で摺合せが行われていたプロセス評価を開発工程の上流で、 設計への負荷増大を防ぐためにFMEA、コンピュータ・デジタル,AI支援が必要です。

メンテナンスにおいても, 設備のライフサイクルを通じたデータ管理や解析実施に莫大な作業量を消化するために人工知能（AI）やディープラーニング（深層学習）、DX（デジタルトランスフォーメーション）(AI,DL,DX＝機械学習)が必要となりますITの積極活用は最重要となっています。

 

③劣化·故障解析の目的と概要

劣化·故障解析の目的は, 設備の使用にともなって生じる劣化の予測と、それによって引き起こされる故障の予測をすることです。

劣化·故障解析は、設備開発段階での信頼性 保全性設計をする場合、運用段階で基本メンテナンス計画のために実施する場合, 運用段階で発生した種々の不具合の診断の場合など, 多くの場面で必要とされます。（設備の経年変化、損傷による部分、部位を定期メンテナンスによるデーターをデーター化（ＳＱＬ）する活用すること、また損傷、劣化が引き起こす故障の予測技術を確立する必要があります。

 

劣化は物理的·化学的なモノ・アイテムの属性の変化です。一方、故障はアイテムに要求された機能が達成できなくなることです。

設備の運用段階では、運転条件,環境条件に応じてアイテムはストレスを受け, それによってアイテムに種々の劣化メカニズムが起き、材質, 形状, 表面性状等の属性変化が生じます。

アイテムに加わるストレスは設備構造や、その挙動,環境条件などに依存し,またそれらによってアイテムに生じる劣化はアイテムの属性に依存します。したがって, 劣化解析では、劣化要因を的確に把握することが重要となります。

ここからは劣化に続いて故障解析についての説明です、

• 故障解析においては, 劣化によるアイテムの属性変化がそのアイテムの機能のどこに、どのような変化を生じさせるのか, さらにはそれが他のアイテムにどのように影響していくのかを解析。
• 劣化故障解析は信頼性,安全性解析,メンテナンス計画等のさまざまな分野において必要とされる基本的な解析です。よく知られているのは、 FMEA (Failure Mode and Effects Analysis),FTA (Fault Tree Analysis)です。

ITの世界に依存する、製造業の世界でもIoT活用を含めた AI,DL,DXへの関心が高まっています。

企業の多くは「具体的な成果を得ることが難しい」や「全体最適につながる基盤作りがうまくいかない」というような声が多く、順調に進んでいるとはいえない状況が生まれています。

基本的には、IOTデーターを集約するIoT基盤作りを進め、集約したデータを活用、現場にフィードバックする仕組みを作り、製造ラインに反映、生産性向上をすることです。

 

IoTシステムでは、現場に近いところでデータを収集したり、さまざまなロジックを実行したりする基盤と、現場から集めた膨大なデーターを高速に処理する高性能な基盤を柔軟に連携させることが必要十分条件です。マイクロソフトは2016年ごろからデータ領域から情報を処理する「エッジ層」、クラウドで大容量データを処理する「クラウド層」、さらに両者を中継してデータを整流化する役目を担う「フォグ層」の3つの層を構築、それぞれの要件を吸収するという考えをベースにしています。すなわちマイクロソフトに限らず、「IoTを取り巻く環境では、3つの層の考え方に合理性が不可欠ということです。

IoTやデジタル変革などへの取り組みは「終わりのない旅（ジャーニー）」です。

音声説明Reviewください。