چکیده
خرابی تجهیزات در فرآیند (PEFs) یکی از علل اصلی حوادث فرآیندی شناخته میشود. آنالیز حالات و تاثیرات خرابی (FMEA) به عنوان یک تکنیک ارزیابی به طور گستردهای در انواع گوناگون صنایع عمل آوری استفاده شده است. در شکل سنتی FMEA از سه پارامتر شدت (S)، رخداد (O) و تشخیص (D) به عنوان عوامل ریسک برای محاسبه یک عدد اولویت ریسک (R.P.N) و رتبه بندی حالات خرابی مبتنی بر این عدد، استفاده میشود. اما کاستیهای متعدد مرتبط با FMEA کاربرد آن را محدود کرده است. این مطالعه به دنبال تعمیم FMEA است که بتواند به طور موثری ابهام و عدم قطعیت موجود در قضاوت کارشناسان را در فرآیند رتبه بندی حالتهای خرابی در FMEA سنتی رفع کند. در این مقاله از مفهوم عدد Z برای در نظرگیری عدم قطعیت ذاتی موجود در قضاوت کارشناسان، استفاده شده است. علاوه بر این، از مفهوم آنتروپی شانون برای استقرار وزنهای هدف جهت تنظیم وزنهای ذهنی تعیین شده توسط کارشناسان استفاده شده است. علاوه بر این، تکنیک VIKOR فازی برای رتبه بندی و اولویتی دهی به حالات خرابی بر اساس حداقل پشیمانی فردی، و حداکثر سودمندی گروهی، بکار گرفته شده است. مثالی عددی برای نشان دادن کاربرد روش پیشنهادی در یک نیروگاه زمین گرمایی (GPP) ارائه شده است. همچنین نتایج با FMEA سنتی مقایسه شدهاند. یک تحلیل حساسیت برای تایید نتایج بدست آمده، انجام شده است. یافته نشان میدهند که کاربرد روش پیشنهادی (رتبه بندی ذهنی- هدفمند) در محیط فازی میتواند قابلیت اجرای روش FMEA سنتی را بهبود بخشد.
1. مقدمه
به دلیل وجود برخی مشکلات مانند گرم شدن جهانی کره زمین و کمبود منابع فسیلی، انرژیهای تجدید پذیر، خصوصا انرژی زمین گرمایی، مورد توجه زیادی قرار گرفته است. با توجه به شواهد موجود، استفاده از انرژی زمین گرمایی بسیار مقرون به صرفه تر از استفاده از منابع سوخت فسیلی سنتی است (لوند و همکاران 2005؛ یاری 2010). نیروگاههای زمین گرمایی (GPPs) نوعی از نیروگاهها هستند که نیروی الکتریسیته را با استفاده از انرژی گرمایی زمین تولید میکنند. GPPs تجهیزات مشترک زیادی با ایستگاههای تولید انرژی سنتی دارند. آنها از بسیاری از اجزای یکسان مثل ژنراتورها، مبدلها، توربینها و دیگر تجهیزات تولید انرژی معمول استفاده میکنند (فیلی و همکاران 2013).اخیرا، اکثر حوادث فرآیندی به دلیل خرابی در تجهیزات عمل آوری اتفاق افتاده اند که ممکن است ناشی از انحراف از اهداف طراحی یا خروج از شرایط عملکردی مورد انتظار باشد (محمد فام و همکاران 2013). برخی گزارشات نشان میدهند که حدود 60% از حوادث عمل آوری از خرابی تجهیزات منشا میگیرد (پرم و همکاران 2010). با توجه به گزارش NRC، حدود 67% تمام حوادث ناشی از خرابی تجهیزات است (میل و همکاران 2007). اگرچه تلاشهای زیادی برای بهبود ایمنی عمل آوری صورت گرفته است، حوادث مرتبط با تجهیزات همچنان رخ میدهند (استریکاف 2012). در نتیجه، سطح بالایی از قابلیت اطمینان و ایمنی برای عملکرد مداوم صنایع فرآیندی، یک پیش نیاز است. با این وجود، مطالعات کمی به طور خاص بر روی تخمین قابلیت اطمینان GPPs تمرکز داشته است (فیلی و همکاران 2013).
abstract
Process equipment failures (PEFs) are recognized as one of the leading causes of process accidents. Failure modes and effect analysis (FMEA) as a risk assessment technique, has widely been used in a variety of process industries. The conventional form of FMEA uses three parameters of severity (S), occurrence (O), and detection (D) as risk factors to calculate a risk priority number (R.P.N) and rank the failure modes based on this number. But several shortcomings associated with the FMEA have limited its applicability. This study aims at the development of an extension of FMEA that could efficiently handle the vagueness and uncertainty exists in the experts’ judgments in process of failure modes ranking in conventional FMEA. In this paper we used the concept of the Z number to capture the inherent uncertainty exists in the experts’ judgments. In addition, we used Shannon entropy concept to deploy objective weights to adjust subjective weights assigned by experts. Furthermore, the fuzzy VIKOR technique applied to rank and prioritize the failure modes based on the minimum individual regret and the maxi group utility. A numerical example is presented to illustrate an application of the proposed method in a geothermal power plant (GPP). Results are also compared with the conventional FMEA. A sensitivity analysis was conducted to validate the obtained results. Findings indicate that the application of the proposed approach (subjective-objective ranking) in fuzzy environment can improve the applicability of the conventional FMEA method.
1. Introduction
Because of some problems such as global warming and lack of fossil resources, renewable energy, specifically geothermal energy has received more attention. According to the available evidences, the use of geothermal energy is more cost effective than the use of conventional fossil fuel resources (Lund et al., 2005; Yari, 2010). Geothermal Power Plants (GPPs) are type of power plants that supply the electricity by means of geothermal energy. GPPs have much equipment in common with conventional powergenerating stations. They utilize many of identical components, including generators, transformers, turbines, and other regular power generating equipment (Feili et al., 2013). Recently, the majority of process accidents has happened due to failures in process equipments which might be due to deviations from intended design objectives or departures from desired operating conditions (Mohammadfam et al., 2013). Some reports revealed that about 60% of process accidents are originated by equipment failures (Prem et al., 2010). According to the NRC report, about 67% of all accidents are occurred as a result of equipment failures (Meel et al., 2007). Although many efforts have been made to improve the safety of processes, equipment related accidents are still happening (Stricoff, 2012). As a result, a high level of reliability and safety is a critical prerequisite for the continuous operation of process industries. Nevertheless, few studies have specially focused on the estimation of the reliability of GPPs (Feili et al., 2013).
چکیده
1. مقدمه
2. مواد و روشها
2.1. آنالیز حالات و اثرات خرابی (FMEA)
2.2. اعداد Z
2.3. فرایند تحلیل سلسله مراتبی فازی (FAHP)
2.4. تکنیک VIKOR
2.5. روش آنتروپی
2.6 روش پیشنهادی
3. مثال گویا
4. بحث
5. نتیجه گیری
abstract
1. Introduction
2. Material and methods
2.1. Failure mode and effects analysis (FMEA)
2.2. Z-number
2.3. Fuzzy analytical hierarchy process (FAHP)
2.4. VIKOR technique
2.5. Entropy method
2.6. The proposed method
3. Illustrative example
4. Discussion
5. Conclusion