Ekonomiska konsekvensanalyser av komponenthaverier i ...

More documents

Recommendations

Info

Figur 2.3 – Händelseträd med inledande händelse, händelsesekvenser samt konsekvensutfall. 2.2.3 FMEA/FMECA Failure Mode and Effect Analysis (FMEA), eller feleffektanalys, görs för att identifiera och förebygga olika kända eller möjliga fel i ett tekniskt system. Metoden innebär att experter systematiskt går igenom systemet, identifierar olika felmoder för en komponent eller olika fel på systemnivå samt hur dessa fel påverkar systemet. Vidare utreds också möjliga sätt att eliminera felen eller mildra effekten av dem. (Davidsson, 2003) Nästa steg efter FMEA är att utreda hur kritiskt felet är. Detta görs genom en criticality analysis (CA) vilket sammantaget med FMEA blir en Failure mode, effect and criticality analysis (FMECA). I en CA rankas olika fel efter inflytande baserat på en kombination av sannolikhet och konsekvens. Sannolikheten att ett fel inträffar kvantifieras genom att det klassificeras utifrån en logaritmisk skala med olika kvalitativa sannolikhetsklasser kopplade till varje intervall (från frekvent till väldigt osannolikt). Konsekvensen kvantifieras inte utan bedöms enligt en rent kvalitativ skala med olika konsekvensklasser. För att sedan bestämma ett systems kriticitetstal så räknas antalet systemfel per konsekvensklass orsakade av en systemkomponents felmod över en viss tid. Till slut beräknas varje komponents allvarlighetsnivå genom att summera kriticitetstalen för varje felmod hos komponenten. Genom att ranka komponenterna utifrån kriticitetstal så kan slutsatser dras om: • Vilka komponenter som bör studeras vidare. • Vilka komponenter som ska övervakas extra under produktion. • Vilka speciella krav som ska ställas på leverantören vad gäller design, prestanda, tillförlitlighet, säkerhet eller kvalitetsnivå. • Vilka prioriteringar av investeringar i olycksförberedande arbete som bör göras. (Kumamoto, 1996) 2.2.4 Markovkedja En Markovkedja är en tidskontinuerlig och tillståndsdiskret sannolikhetsmodell. Den beskriver olika tillstånd och beräknar sannolikheter för att gå från ett tillstånd till ett annat. Antalet tillstånd måste vara två eller fler. En Markovkedja ger svar på frågorna: • Givet att systemet som ämnas undersökas befinner sig i ett tillstånd, vad är sannolikheten att det kommer att stanna kvar i detta tillstånd 16
! ! • Givet att systemet som ämnas undersökas befinner sig i ett tillstånd, vad är sannolikheten att det kommer att gå över i något av de andra tillstånden • Vad är den förväntade tiden i varje tillstånd En Markovkedja används för att analysera system som kan anta olika tillstånd, det allra enklaste exemplet är ett system med två tillstånd. Den börjar med att det system som ska analyseras identifieras. Nästa steg är att identifiera systemets tillstånd, exempelvis ett dikotomt 1 system med de två tillstånden E 1 och E 2 . Sedan analyseras flödet mellan tillstånden, det vill säga övergångssannolikheterna för att gå från tillstånd E 1 till E 2 och E 2 till E 1 . Sannolikheten att stanna kvar i det tillstånd systemet befinner sig i plus sannolikheten att gå över i ett annat tillstånd ska alltid vara lika med ett. Efter detta kan den förväntade tiden i varje tillstånd beräknas. (Blom, 1984) Ett exempel som passar bra in i sammanhanget och som illustreras i figur 2.4 är ett ickeredundant dikotomt system med tillstånden E 1 =systemet fungerar och E 2 =systemet fungerar inte. Givet att systemet befinner sig i E 1 så kommer det att haverera och övergå i E 2 med felintensiteten λ. Givet att systemet inte fungerar så kommer systemet att bytas ut och övergå i E 1 med utbytessintensiteten µ. Utifrån detta kan den förväntade tiden i E 1 och E 2 beräknas. Den förväntade tiden till att systemet havererar ges av Mean Time Between Failure (MTBF) och den förväntade tiden tills systemet har byts ut och fungerar igen ges av Mean Down Time (MDT). Sambandet mellan λ och MTBF samt µ och MDT ges av: " = µ = 1 MTBF , vilket ger den förväntade tiden i E 1: 1 MDT , vilket ger den förväntade tiden i E 2: ! E 1 E 2 ! ! MTBF = 1 " . MDT = 1 µ . µ Figur 2.4 – Markovkedja med tillstånden E 1 och E 2 , felintensiteten λ och utbytesintensiteten µ. 2.2.5 Monte Carlo-simulering Monte Carlo-simulering används för att undersöka hur olika parameterosäkerheter påverkar modellresultatet. Det är den äldsta och mest välkända numeriska metod som används idag. Vid en Monte Carlo-simulering väljs ett slumpmässigt punktvärde ur varje parameterfördelning (en s.k. dragning) för att sedan processas i modellen. Varje 1 Med ett dikotomt system menas ett system som endast kan befinna sig i något av tillstånden ”fungerar” eller ”fungerar inte”. Systemet har inga andra felmoder utan kan bara befinna sig i något av dessa två tillstånd. 17
Page 1 and 2: UPTEC-STS07002 Examensarbete 20 p F
Page 3 and 4: Populärvetenskaplig sammanfattning
Page 5 and 6: Innehållsförteckning 1 Inledning
Page 7 and 8: Figurer och tabeller Figur 1.1 - Up
Page 9 and 10: 1 Inledning Vad ekonomiska risker i
Page 11 and 12: Syftet med att betrakta haverierna
Page 13 and 14: frågor som har stor inverkan på d
Page 15 and 16: Asien och Latinamerika. Företaget
Page 17 and 18: För att bedöma de identifierade h
Page 19: Figur 2.2 - Felträd med topphände
Page 23 and 24: 3 Urval av implementerade riskanaly
Page 25 and 26: Riskbedömningsschema 3 KONSEKVENS
Page 27 and 28: 4 En systematisk metodik för ekono
Page 29 and 30: 4.2 Konsekvenskartläggning Med hj
Page 31 and 32: alla oklara situationer skall kvarh
Page 33 and 34: 4.5.2 Rangordning utifrån nyckelta
Page 35 and 36: Konsekvens reduktionsfaktor (4.1) =
Page 37 and 38: som förändras över tid och samti
Page 39 and 40: 5.2 Antaganden och förenklingar De
Page 41 and 42: studeras antas vara kritiska för p
Page 43 and 44: tillverkningstiden utan hela den fa
Page 45 and 46: K = Kp - Kr + Kå (5.1) där: K - K
Page 47 and 48: 5.4.2 Ekvation för åtgärdandekos
Page 49 and 50: • Logistiktid från lager i kärn
Page 51 and 52: studerats för att identifiera rele
Page 53 and 54: Komponent Normalt inköp (NI) Force
Page 55 and 56: Nuvarande Konsekvens (kSEK) 450000
Page 57 and 58: hamnar 612-Huvudtransformator efter
Page 59 and 60: Konsekvensreduktion 9000,0 8000,0 7
Page 61 and 62: Komponent P BRYT (reservdelsefterfr
Page 63 and 64: detaljerade slutsatser, exempelvis
Page 65 and 66: Känslighetsdiagram 3 612- Huvudtra
Page 67 and 68: • 415-Pumpmotor eftersom den utif
Page 69 and 70: Forecast: 431 Generatorlager 1 000
Page 71 and 72:
Tabell 6.10 - Procentuell skillnad
Page 73 and 74:
7 Diskussion kring metodik och mode
Page 75 and 76:
tur styr leveranstid och pris. Ber
Page 77 and 78:
Referenser Muntliga källor Attermo
Page 79 and 80:
Bilaga A Data för analyserade komp
Page 81 and 82:
433-Huvudkylvattenpumpar P1-P4 Huvu
Page 83 and 84:
Bilaga C Frågeschema Frågeschemat
Page 85 and 86:
Figur D.1 - Excelarket ”Konsekven
Page 87 and 88:
Bilaga E Kärnkraftverkets uppbyggn
Page 89 and 90:
Bilaga F Definitioner Annuitetsmeto
Page 91 and 92:
Bilaga G Redundans & Markovkedjor R
Page 93 and 94:
Bilaga H Kategorisering av produkti
Page 95 and 96:
Stipulerad Komponent Risk (kSEK) 61
Page 97 and 98:
Bilaga K Konsekvensklasserna illust
Page 99:
!c ! E 1 ! E 2 ! E 3 E 4 µ 4 µ 5
show all

Ekonomiska konsekvensanalyser av komponenthaverier i ...

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?