Bakgrund: Vid reparation av upptäckt fel på en komponent i kärnkraftverk förekommer två reparationsstrategier: 1) reparation under effektdrift 2) gå ned med anläggningen med en otillgänglig komponent, för att sedan reparera i avställt läge och gå upp med anläggningen igen. För närvarande tillgodoräknas hela den tid som reparationskriteriumet tillåter, enligt de säkerhetstekniska driftsförutsättningarna (STF), som underlag för reparationstider vid analys av reparationstrategierna. Dessa kan betraktas som konservativa, med tanke på att reparationer bedöms genomföras snabbare än vad reparationskriteriet tillåter, vilket resulterar i att en jämförelse av risk inte blir tillräckligt noggrann och därmed missvisande. Detta har identifierats av OKG (Oskarshamns Kraftgrupp AB). Av den anledningen undersöks möjligheten till en probabilistisk modellering av reparationstider baserad på historisk data, med målet att skapa ett mer verklighetsnära och noggrant underlag för att jämföra riskerna mellan de två reparationstrategierna. En ökad förståelse för hur riskerna förändras vid underhåll kan bidra till att motivera varför reparationer kan och bör utföras under effektdrift för att minimera risk.

Syfte: I detta arbete undersöks möjligheten att använda statistiska och probabilistiska metoder för modellering av reparationstider i syfte att bidra till ett mer noggrant och verklighetsnära underlag för beslut om reparationsstrategi.

Metod: Reparationstider har modellerats genom en bayesiansk ansats. Gruppering av data har varit nödvändig för att erhålla statistisk signifikans i underlaget innan skattning av parametrar. Gruppering har utvärderats genom homogenitetstester. Två PSA-analyser har genomförts för att utvärdera värdet i att använda de nya statistiskt estimerade underlaget.

Resultat: I uppsatsen påpekas att STF-kravet är en förklarande faktor för reparationstider och ska därför beaktas vid framtagning av dataunderlag för skattning av reparationstider. Historiska reparationstider bedöms följa en exponentialfördelning och modelleras i en bayesiansk analys tillsammans med en gammafördelad á priori-fördelning.  Reparationstider varierar mellan 1-4 dygn med 95% sannolikheter att bli klara < 7 dygn för pumpar, ventiler, transformatorer, och ≤ 2,96 dygn med 95% sannolikhet för dieselgeneratorer. Resultatet av en PSA-analys påverkas mycket lite av användningen av ett mer noggrant dataunderlag vad gäller reparationstider. Detta trots att stora förändringar observeras mellan de statistisk estimerade reparationstiderna och reparationstiderna i originalmodellen.

Slutsatser: För modellering av reparationstider rekommenderas en bayesiansk informativ ansats. Exponentialfördelningen bedöms modellera reparationstider till en tillfredställande nivå. Statistiskt estimerade reparationstider utifrån historiska data bedöms öka realismen i PSA och kan utgöra ett mer noggrant underlag vid analys av risk inför beslut om reparationsstrategi. Resultaten stöder idéen av att det är rimligt att genomföra reparationer under effektdrift, eftersom reparationstid inte tycks ha någon avsevärd inverkan på härdskadefrekvensen. Man kan även dra slutsatsen att längre reparationstider borde ha en begränsad påverkan på härdskadefrekvensen. Mot bakgrund av att reparationstider tenderar att vara mycket korta och reparationstidens begränsade påverkan på härdskadefrekvens, uppstår frågan om restriktiva reparationskriterium faktiskt minskar totalrisken i anläggningen, eller om de istället ökar totalrisken genom att ge upphov till fler nedgångar av anläggningen med otillgängliga komponenter. Här krävs vidare analys med ett mer noggrant dataunderlag för skattning av reparationstider, för vilket arbetet rekommenderar som ämne för vidare studier. Sammantaget stöder detta arbete möjligheten att använda probabilistiskt modellerade reparationstider som ett verktyg för att öka driftsäkerheten.