Hvorfor bry seg om når ting svikter?
RAMS (Reliability, Availability, Maintainability and Safety) er fagfeltet som handler om nøyaktig dette: Hvor sannsynlig er det at et teknisk system svikter, og hvor alvorlig blir det? Hvor mye kan vi stole på at systemet gjør jobben sin, hvor fort kan det repareres hvis det først går galt, og hvor sjelden kan vi tillate oss å gjøre vedlikehold uten at risikoen blir uakseptabel? Vi bryr oss om nøyaktig de samme spørsmålene enten det er snakk om en vaskemaskin, en varmepumpe eller et vannkraftverk.
Dette er viktig av to grunner. Økonomisk medfører hyppig vedlikehold økte vedlikeholdskostnader, og dessuten produksjonsstans. Det motsatte ytterpunktet, å la anlegget gå uten tilsyn, kan imidlertid bli enda dyrere hvis det ender i havari, lang nedetid og dyr utskiftning. Tenk deg et kraftverk som snart trenger vedlikehold: venter man til neste planlagte stans om et år, eller legger man inn en ekstra produksjonsstans for å gjøre vedlikehold nå? Og hvor stor er sjansen for at man, ved å vente, ender opp med havari midt på vinteren, når strømprisen er på sitt høyeste?
Bærekraftmessig ønsker man å få mest mulig ut av anlegget man allerede har, fremfor å skifte ut komponenter for tidlig og dermed skape unødvendige utslipp fra produksjon og transport av nytt utstyr. I tillegg venter NVE at strømforbruket vårt vil fortsette å øke fremover, særlig drevet av elektrifisering og en kraftig vekst i datasentre. Skal vi dekke det behovet med en pålitelig, grønn energikilde, må vi utnytte vannkraften vi har så godt som mulig.
Dagens praksis med tilstandskarakterer
For å støtte akkurat denne typen beslutninger har man innført tilstandskarakterer fra 1 til 5 på komponenter i norske vannkraftverk, der 1 er god-som-ny og 5 er svikt. Karakterene settes ved tilsyn, etter et felles sett kriterier utviklet av Fornybar Norge. Ved å se på hvor lenge komponenter typisk blir værende i hver karakter, kan man anslå sannsynligheten for at tilstanden forverres ytterligere.
For å få et estimat på oppholdstid i hver karakter trenger man historikk fra flere anlegg langt tilbake i tid, og det må være en komponent som kan inspiseres for å anslå tilstand. På starten av sommeren ble vi kontaktet av en prosjektpartner som lurte på om man kunne få nyttige anslag på komponenters levetid og sviktsannsynlighet basert på enklere data, og dette var bakgrunnen for sommerprosjektet mitt.
Kan man benytte levetidsdata?
I stedet for å finne store mengder tilstandshistorikk er det lettere å bare hente ut levetider for komponentene. Dataen jeg fikk utlevert var levetider for én bestemt type turbin fra flere ulike anlegg. Mange av levetidene var sensurerte; altså vet man ikke levetiden, fordi komponenten fortsatt er i drift og ikke har sviktet ennå.
For å håndtere dette brukte jeg to metoder fra pålitelighetsteori. Den første, et Kaplan-Meier-estimat, bruker både svikttidene og de sensurerte tidene direkte til å bygge en pålitelighetskurve, uten å anta noen bestemt matematisk form på levetiden. Den andre metoden tilpasser en gammafordeling til dataene ved hjelp av en sannsynlighetsmaksimeringsestimator (SME).
En gammafordeling ble valgt fordi den samme fordelingen ligger til grunn for tilstandskarakter-modellen, og dermed er kjent for bransjen fra før. Fordelen med en tilpasset fordeling er at den også gir et anslag utover den eldste turbinen i datasettet, noe et Kaplan-Meier-estimat ikke kan.
Med utgangspunkt i den tilpassede pålitelighetsfunksjonen kan man til slutt regne ut noe konkret og nyttig: gitt at en turbin har overlevd til alder a, hva er sannsynligheten for at den svikter før den når alder b? Dette er tall som det er lett å forholde seg til og som kan hjelpe beslutningsprosessen når man for eksempel skal planlegge hvor vedlikehold og utskiftninger skal prioriteres fremover.
«All models are wrong, but some are useful»
Statistikeren George Box sa en gang at alle modeller er feil, men noen er nyttige. Det sitatet passer godt her.
For at estimatet skal bety noe, må man finne ut hvor godt modellen faktisk beskriver virkeligheten, og ikke stole blindt på tallet som kommer ut.
Den første utfordringen med dette er mengden data man trenger for å få pålitelige estimat. Dette er også nødvendig for å si noe om hvor stor usikkerheten til estimatet er. De vanlige formlene for konfidensintervall rundt gammaparameterne forutsetter at man har nok svikthendelser til at usikkerheten oppfører seg tilnærmet normalfordelt, men med få svikt er det ikke opplagt om den antakelsen holder.
Den andre utfordringen er mer grunnleggende, og handler om hva svikt egentlig betyr i dette datasettet. Modellen forutsetter at forskjellene mellom turbinene i stor grad skyldes tilfeldig slitasje, ikke rutinene for vedlikehold på ulike anlegg. Tenk deg at du skulle anslå levetiden til vaskemaskiner basert på et utvalg der noen eiere bytter ut en slitt del før den ryker, mens andre lar maskinen gå til den stopper helt. Da måler du delvis vedlikeholdsvanene til eierne, ikke maskinens egentlige holdbarhet. Det samme kan skje her: hvis vedlikeholdsrutinene varierer mye fra anlegg til anlegg, eller hvis mekanikerne i praksis tilbakestiller komponenten til «god som ny» gjennom vedlikeholdet sitt, vil modellen overvurdere levetiden, og verdien av analysen svekkes tilsvarende. Hvis man i motsatt tilfelle har noen få feilmoder som dominerer, og disse enten behandles likt på tvers av anleggene eller ikke lar seg vedlikeholde bort, gir dataene et mye mer troverdig bilde.
Er det verdt det, da?
Kort sagt: ja, men med forbehold. Så lenge man er klar over fallgruvene og hvilke forhold som svekker estimatenes troverdighet, kan et slikt verktøy være en støtte sammen med annen tilgjengelig informasjon og erfaring. Verktøyet er også bygget for å kunne brukes på andre datasett med tilsvarende struktur.
Dessverre er det begrenset hva man når i løpet av en sommer og jeg skulle gjerne jobbet videre med dette prosjektet. Ved å se på hvordan denne typen levetidsdata kan kombineres med modellen for tilstandskarakterer som brukes i dag, kan man kanskje få et enda bedre estimat på oppholdstidene i hver karakter og overgangsraten mellom dem. Selv om det er mange ting jeg gjerne skulle sett mer på, er det ingen tvil om at jeg har lært mye gjennom en sommer i SINTEF.
Kommentarer
Ingen kommentarer enda. Vær den første til å kommentere!