资产数据模型的定义

引言

为了确保应用程序的功能性，它们必须结构化资产数据模型，并配置数据库，存储相应分析所需的所有相关数据。为此，在本章中，将推广Guillen等人引入的用于CBM目的的框架。

所述框架对所需的资产管理决策过程中的不同来源数据的性质进行分类，将数据分组为5个处理块。在那篇具体论文中，涉及CBM解决方案的数据结构，数据元素被分组如图4.1所示。

所提出的框架包括五个块。其中四个块对应于维护管理过程块（块1、2、4和5），一个块是用于过程的信息资源块（块3）。这些块的顺序也可以被解释为用户将遵循以分析任何CBM解决方案的基本过程。

本章认为，通过改变框架最后两个块的定义中使用的术语，可以很容易地推广这个框架，如图4.1所示。其中，第4块包括针对某一资产管理过程进行的分析，第5块是最终的资产管理过程决策制定（如图4.2所示）。

通过这些块的顺序，以及其在UML（统一建模语言）类图中的概念表示，可以开发具有不同功能的任何IAMS应用程序，遵循其概念和关系作为标准，并以可持续的方式促进计算实现。

该数据模型的关键在于将物理结构元素和功能逻辑元素联系起来，并识别所选分析所需的参数，以提供准确的支持所考虑的决策过程。

该框架实施的追求结果是：执行更好的问题分析，收集和整合专家知识，改进和自动化决策制定，并增加决策的价值作为持续改进。

方*论法**验证：关键性分析应用的数据模型

关键性分析（CA）被理解为一种方法，它允许建立公司资产的层次结构，创建一个便于做出成功和有效决策的结构。在能源行业，特别是在能源行业，这种分析变得非常重要。能源部门的资产管理聚焦于资产，因此对公司的所有资产进行层次化是至关重要的。这种层次结构使公司能够从不太重要的资产中撤回资源，并将最大的资源投入到最关键的资产中，这可能会给公司带来严重的问题。

Crespo等人提出了一种根据重要性对电力网络资产进行层次排序的过程。为此，可以向最终用户提供关键性分析应用程序。该应用程序将支持设计用于大量资产（例如我们的例子中的20万条电力线）的CA过程，并且需要每六个月重新整理一次，以进行适当的资产重要性跟踪。问题是：如何制定用于此业务流程目的的数据模型？

根据前文和原始工作的方法，图4.3详细呈现了用于此关键性分析的数据模型的UML类图表示。

在UML图中，实体类以矩形表示，连接以包含彼此相关的信息。此链接包括三角形上的表达式，描述了实体类在关联中扮演的特定角色（聚合、组合和反射关联），并且在两端有一个数字，指示与另一个类的一个实例相关的类的实例数量（即0.. *——零到任意数量）。这个模式允许对数据结构、元素和块以及它们之间的关系进行全面的查看。读者可以了解数据需求以及数据元素之间关系的构造方式。

图4.3展示了关键性分析所需的数据之间的关系，通过这张图，可以说明实验过程和数据之间的联系：

• 它在第1块中展示了系统由一个或多个设备单元组成，这些单元将被放置在指定的功能位置，并正确地地理参考（该块中的数据），每个单元执行一个或多个功能。 对于电力线的例子，考虑了6组功能位置作为可维护项目（见图4.4），并在数据属性集中包含了这些位置的地理参考，如表4.1所示。

• 在功能描述的第2块中，每个功能可能具有不同的已识别功能故障。每个功能可能有一个或多个功能故障，这些故障将由一个或多个可维护项目引起。
• 第3块描述了当功能故障发生时，故障效果、历史和频率的描述将记录在特定的活动管理系统中，该数据稍后可以在第4块中使用。 对于电力线的示例，CMMS已记录了每个功能位置的故障，并且关键性应用程序只是根据故障频率为每个功能位置分配一个故障因素（见表4.2中的示例中使用的因素）：

对于同一示例中的电力线，故障效果根据其对工业安全、环境、服务质量、网络可用性和维护成本的影响进行了分类（见表4.3）。选择用于分析的标准是根据公司的目标确定的。在这种情况下，最重要的是服务质量（35%），其次是工业安全（30%）。逻辑上，对于每家公司，将考虑根据其自身目标确定的特定因素和权重。

• 在这个例子中，第4块AM决策分析仅涉及资产的关键性分析。对于这种类型的分析，必须测量每个功能故障的贡献，一方面需要捕获故障的频率（导致频率因子），另一方面需要估计故障的严重性（导致严重性因子）。频率乘以严重性得出故障风险的度量，这必须符合公司的风险目标。每个具体的功能故障都必须匹配这两个部分。

在电力线的示例中，公司的CMMS连接到GIS（地理信息系统），并且在资产注册时记录资产位置，如表4.1所示。来自CMMS的每个可维护项目和每个功能故障的频率因子的数据。同时，“故障位置”功能可以由调度中心使用，以提供有关网络特定点发生故障时可能受影响的客户数量的信息。故障严重性数据（因子、它们的权重以及对这些因素的影响得分）通常放在公司为此目的定制的应用程序中。由于这些可能性，可以根据功能位置GIS数据使用自动规则对功能位置故障的潜在影响进行评估。例如，可以从GIS数据自动推导出表4.4中的功能位置故障对“环境”的影响。

• 在第5块中，给定设备单元的所有故障频率和严重性数据被转换为关键性值，然后根据风险级别进行分类（公司资产的关键性级别：高、中或低关键性）。这使得根据现有的风险策略来实现公司风险目标的定义变得更加容易。因此，在第5块中，对于每个资产（设备单元），决策过程是确定应用于该资产以满足公司风险策略的相应策略，并且清楚地指明了以系统化方式执行这些资产策略的优先级。

例如，在电力线案例中，关键性限制的确定由业务决定，如表4.5所示。

在此决策和对资产关键性的自动评估之后，可以根据图4.5中所示的方式确定实现公司目标的行动，作为另一种应用程序利用的起点。

注意，第1和第2块作为资产的物理和功能清单将是IAMP中所有资产管理应用程序的常见数据块。而第4和第5块中的数据则明确定义和建模为每种类型的资产管理决策应用程序。

当上述信息可用时，可以使用一组简单的规则来自动化关键性分析。对于先前选择的所有标准和每个资产的故障后果，可以立即进行评估。

有关在案例研究中遵循的过程的完整描述以及网络的特定元素，请参阅Crespo等人的文献。

通过使用商业智能应用程序，我们可以向最终用户展示关于关键性分析过程的信息，并根据业务需求或最终用户要求，按需或在需要时提供报告（请参见图4.6中的示例）。