ارایه یک مدل پیشگیرانه ایمنی و بازرسی فنی تجهیزات پرریسک در حوزه نفت و گاز و پتروشیمی با رویکرد آینده پژوهی

مقدمه در بسیاری از صنایع حیاتی نظیر نفت و گاز نیروگاه ها و سیستم صنعت نفت و گاز به عنوان یکی از پیچیده ترین و پرریسک ترین صنایع، جهان با چالش های متعددی در حوزه نگهداری و بازرسی مواجه است. بخشی از نظام نگهداری و بازرسی تجهیزات وابسته است به عملکرد ایمن و اقتصادی تجهیزات. تجهیزات عملیاتی در این صنعت تحت شرایط ناگهانی، فشار و دمای بالا و خوردگی سیالات خورنده قرار دارند. تجهیزات نه تنها موجب توقف تولید و تحمیل هزینه های سنگین می شوند بلکه می توانند تبعات ایمنی و زیست محیطی قابل توجهی نیز به همراه داشته باشند. یکی از رویکردهای کلیدی برای کاهش این ریسک ها اجرای بازرسی فنی پیشگیرانه است که هدف آن شناسایی زودهنگام نقص ها قبل از بروز خرابی های بحرانی می باشد. روش های سنتی نگهداری (CM) و تحلیل قابلیت اعتماد، علی رغم مزایا، محدودیت هایی در پیش بینی زمان خرابی دارند و با وجود اهمیت این رویکرد برنامه های بازرسی در بسیاری از سازمان ها همچنان بر پایه بازه های زمانی ثابت یا تجربیات گذشته طراحی می شوند که منجر به مصرف منابع اضافی و افزایش هزینه ها می شود. این نوع سیاست ها غالبا منجر به دو مشکل عمده می شوند: ۱. بازرسی های بیش از حد که موجب افزایش هزینه های مستقیم و کاهش بهره وری می گردد. ۲. بازرسی های ناکافی که احتمال وقوع خرابی های ناگهانی و خسارت مالی را افزایش می دهد. پیشرفت های اخیر در حوزه هوش مصنوعی و یادگیری ماشین امکان ارائه یک مدل نوآورانه PCI فراهم کرده است که پیش بینی دقیق تر خرابی و برنامه ریزی نگهداری بهینه را فراهم می کند. این مدل شاخص های قابلیت فرآیند (Cpk/Ppk) را با احتمال خرابی تجهیزات (PoF) ترکیب می کند و با استفاده از الگوریتم های هوش مصنوعی و ادغام داده های تاریخی درصد دقت یادگیری ماشین را افزایش و هزینه ها و ریسک های عملیاتی را کاهش می دهد. نتایج نشان داد که مدل پیشنهادی PC-RBI با ترکیب شاخص قابلیت فرآیند و PoF تا ۳۰٪ دقت پیش بینی خرابی را افزایش و هزینه های نگهداری را تا ۴۰٪ کاهش می دهد. این مدل یک چارچوب علمی و عملی برای تصمیم گیری هوشمند و بهینه در نگهداری تجهیزات نفت و گاز ارائه می دهد.

کلیدواژه ها:

RBI ، هوش مصنوعی ، تحلیل داده ، قابلیت فرآیند ، تصمیم گیری هوشمند ، نگهداری ، پیش بینی