Keandalan aset
Apa itu predictive maintenance? Pengertian, teknik, dan cara menerapkannya
Kerusakan mesin jarang benar-benar datang tiba-tiba. Sering kali tandanya sudah ada berminggu-minggu sebelumnya, hanya saja tidak ada yang mengukurnya. Predictive maintenance adalah upaya menangkap tanda itu cukup awal, sehingga perbaikan bisa direncanakan, bukan dikejar.
Ringkasan
- Predictive maintenance menentukan waktu perawatan dari kondisi aktual mesin dan trennya, bukan dari kalender semata.
- Dasarnya adalah kurva P-F: rentang waktu antara saat gejala kerusakan pertama kali terdeteksi dan saat mesin kehilangan fungsinya.
- Teknik pemantauan dipilih mengikuti mode kegagalan: vibrasi, temperatur, arus motor, analisis oli, atau ultrasonik.
- Predictive maintenance tidak menjamin setiap kerusakan terprediksi. Nilainya ada pada waktu tambahan untuk merencanakan tindakan, dan keputusan akhir tetap di tangan engineer.
Pengertian predictive maintenance
Predictive maintenance (PdM), atau pemeliharaan prediktif, adalah pendekatan pemeliharaan yang menentukan kapan sebuah tindakan perlu dilakukan berdasarkan kondisi aktual peralatan dan arah perubahannya. Alih-alih mengganti bearing setiap enam bulan, tim memantau kondisi bearing itu dan bertindak ketika datanya menunjukkan penurunan yang berarti.
Istilah ini sering dipakai bergantian dengan condition-based maintenance (CBM), dan keduanya memang berkerabat dekat. Dalam literatur, perbedaannya biasanya ditarik pada dua tahap analisis. Diagnostik menjawab apa yang sedang terjadi pada mesin, sedangkan prognostik mencoba memperkirakan berapa lama lagi mesin dapat beroperasi sebelum kehilangan fungsinya[1]. CBM bertumpu pada diagnostik: bertindak ketika kondisi melewati batas. Predictive maintenance menambahkan unsur prognostik, sebagaimana kerangkanya dibahas dalam ISO 13381-1[2].
Dalam praktik di pabrik, batas keduanya tidak selalu tegas. Yang lebih penting adalah prinsip bersamanya: keputusan pemeliharaan diambil dari data kondisi mesin itu sendiri, bukan dari asumsi rata-rata umur komponen.
Mengapa jadwal berdasarkan waktu saja tidak cukup
Pemeliharaan preventif berbasis waktu berangkat dari anggapan bahwa komponen makin rawan rusak seiring bertambah umurnya. Anggapan ini masuk akal untuk sebagian komponen, tetapi tidak untuk sebagian besar lainnya. Studi Nowlan dan Heap pada industri penerbangan menemukan bahwa hanya sebagian kecil komponen yang menunjukkan hubungan jelas antara umur dan kegagalan[3]. Sisanya gagal secara acak atau justru rawan di awal masa pakai.
Bagi komponen seperti itu, mengganti atau membongkar secara berkala tidak banyak menurunkan risiko, dan kadang malah menambahnya karena setiap pembongkaran membuka peluang kesalahan pemasangan. Yang lebih efektif adalah memantau gejala yang mendahului kegagalan, lalu bertindak ketika gejala itu muncul. Di sinilah predictive maintenance mengambil peran.
Kurva P-F: inti dari predictive maintenance
Konsep yang paling berguna untuk memahami predictive maintenance adalah kurva P-F, yang dipopulerkan Moubray dalam kerangka Reliability-Centred Maintenance[4]. Kurva ini menggambarkan kondisi sebuah komponen dari waktu ke waktu.
Titik P (potential failure) adalah saat pertama kali tanda kegagalan dapat dideteksi dengan teknik yang tersedia. Titik F (functional failure) adalah saat komponen tidak lagi mampu menjalankan fungsinya. Rentang di antara keduanya disebut interval P-F, dan inilah waktu yang tersedia untuk merencanakan serta melaksanakan perbaikan.
Kurva ini membawa dua konsekuensi praktis. Pertama, semakin awal teknik pemantauan mampu menangkap gejala, semakin panjang interval P-F yang bisa dimanfaatkan. Perubahan vibrasi pada bearing, misalnya, umumnya terdeteksi jauh sebelum bearing terasa panas. Kedua, frekuensi pemantauan harus lebih rapat daripada interval P-F. Jika interval P-F sebuah komponen sekitar empat minggu, inspeksi bulanan berisiko melewatkan seluruh interval itu. Moubray menyarankan agar interval tugas pemantauan ditetapkan cukup jauh di bawah interval P-F, sehingga masih tersisa waktu untuk bertindak setelah gejala ditemukan[4].
Teknik pemantauan kondisi yang umum dipakai
ISO 17359 memberikan panduan umum untuk memilih parameter pemantauan berdasarkan mode kegagalan yang ingin dideteksi[5]. Prinsipnya sederhana: mulai dari cara sebuah aset biasanya rusak, lalu pilih parameter yang paling awal berubah ketika kerusakan itu mulai berkembang.
| Teknik | Yang diukur | Umumnya mendeteksi |
|---|---|---|
| Analisis vibrasi | Amplitudo dan spektrum getaran | Ketidakseimbangan, misalignment, kerusakan bearing, kelonggaran mekanis |
| Temperatur | Suhu permukaan atau fluida | Pelumasan buruk, beban berlebih, gesekan |
| Arus motor | Arus dan pola sinyal listrik | Beban tidak normal, masalah rotor, gangguan kelistrikan |
| Analisis oli | Partikel aus, viskositas, kontaminan | Keausan internal gearbox dan mesin, pelumas terkontaminasi |
| Ultrasonik | Gelombang suara frekuensi tinggi | Kebocoran udara tekan, pelumasan bearing, busur listrik |
| Termografi | Sebaran panas dari citra inframerah | Sambungan listrik longgar, panel panas, isolasi rusak |
Pemilihan teknik mengikuti mode kegagalan aset sebagaimana dianjurkan ISO 17359 [5]; kajian Mobley membahas setiap teknik secara rinci [6].
Untuk vibrasi, ISO 20816-1 menyediakan kerangka evaluasi yang banyak dipakai. Kondisi mesin dikelompokkan ke dalam zona, dari kondisi mesin yang baru dipasang hingga kondisi yang berisiko menimbulkan kerusakan[7]. Zona ini berguna sebagai titik awal, tetapi batas yang paling bermakna biasanya diperoleh dari tren mesin itu sendiri, yaitu seberapa jauh kondisinya menyimpang dari baseline normalnya.
Dari data mentah menjadi keputusan
Sensor hanya menghasilkan angka. Agar angka itu menjadi tindakan, data harus melalui beberapa tahap pengolahan. ISO 13374-1 menguraikan tahapan tersebut sebagai rangkaian blok yang berurutan[8].
- 01Akuisisi data
- 02Pengolahan sinyal
- 03Deteksi kondisi
- 04Penilaian kesehatan
- 05Prognosis
- 06Rekomendasi tindakan
Belakangan, metode machine learning banyak dipakai pada tahap deteksi kondisi, terutama untuk deteksi anomali: model mempelajari pola normal sebuah mesin, lalu menandai ketika pola itu menyimpang. Pendekatan ini berguna untuk mesin yang jumlah parameternya banyak, tetapi ada batasan yang perlu dipahami. Kegagalan nyata umumnya jarang terjadi, sehingga data tentang kegagalan sedikit, dan model yang hanya mengenal kondisi normal dapat menandai perubahan yang sebenarnya wajar, misalnya karena beban produksi berubah.
Karena itu, sistem predictive maintenance yang baik tidak berhenti pada skor anomali. Ia menunjukkan parameter mana yang berubah, seberapa jauh dari kondisi normal, dan sejak kapan, sehingga engineer dapat menilai sendiri apakah perubahan itu memerlukan tindakan.
Kapan predictive maintenance layak diterapkan
Predictive maintenance membutuhkan sensor, perangkat lunak, dan waktu analisis. Tidak semua aset membenarkan investasi itu. Kerangka RCM menyarankan pemilihan strategi per mode kegagalan, dengan mempertimbangkan konsekuensinya[4].
| Karakter aset | Strategi yang umumnya sesuai |
|---|---|
| Kritikal, kegagalan mahal, gejala dapat dideteksi lebih awal | Predictive atau condition-based maintenance |
| Keausan jelas terkait umur atau pemakaian | Preventif berbasis waktu atau jam operasi |
| Murah, tidak kritikal, mudah diganti | Dibiarkan sampai rusak (run to failure) |
| Kegagalan tersembunyi, misalnya sistem proteksi | Pengujian fungsi berkala |
Kandidat pertama untuk predictive maintenance biasanya adalah aset berputar yang kritikal: pompa, kompresor, blower, motor penggerak utama, gearbox, dan genset. Aset-aset ini memiliki mode kegagalan yang terdokumentasi baik, gejalanya dapat diukur dengan vibrasi dan temperatur, dan berhentinya berdampak langsung pada produksi.
Langkah menerapkan predictive maintenance
- Tentukan aset kritikal. Nilai dampak berhentinya setiap aset terhadap produksi, keselamatan, dan mutu. Mulailah dari sedikit aset dengan dampak terbesar.
- Pahami mode kegagalannya. Untuk setiap aset, catat bagaimana ia biasanya rusak dan gejala apa yang mendahuluinya. Riwayat perbaikan di CMMS adalah sumber pertama yang paling berharga.
- Pilih teknik dan titik ukur. Cocokkan teknik dengan mode kegagalan, lalu tentukan lokasi pemasangan sensor yang mewakili kondisi komponen kritikal.
- Bangun baseline. Kumpulkan data pada kondisi normal selama beberapa waktu sebelum menetapkan batas alarm. Batas generik sebaiknya hanya dipakai sebagai titik awal.
- Hubungkan alarm dengan tindakan. Setiap alarm yang valid perlu berujung pada work order yang jelas: siapa yang memeriksa, apa yang diperiksa, dan kapan.
- Verifikasi setelah perbaikan. Pastikan data kondisi kembali normal setelah tindakan dilakukan. Tanpa verifikasi, tidak ada cara mengetahui apakah akar masalahnya sudah tertangani.
- Tinjau dan sesuaikan. Evaluasi alarm yang terbukti benar dan yang keliru secara berkala, lalu sesuaikan batas dan frekuensi pemantauan.
Mitos dan batasan yang perlu dipahami
- "Predictive maintenance memprediksi semua kerusakan." Tidak. Kegagalan yang berkembang sangat cepat, atau yang gejalanya tidak terukur oleh sensor terpasang, tetap dapat terjadi. Predictive maintenance memperbesar peluang menangkap kegagalan lebih awal, bukan menghapus risikonya.
- "Memasang sensor sudah cukup." Data tanpa proses tindak lanjut hanya menambah layar. Nilainya muncul ketika alarm ditinjau, diputuskan, dan dikerjakan.
- "Makin banyak alarm makin aman." Alarm yang terlalu sering dan keliru membuat tim berhenti memperhatikannya. Batas yang disetel dari baseline mesin sendiri mengurangi masalah ini.
- "Algoritma menggantikan engineer." Model membantu menyaring dan menandai perubahan. Keputusan tentang kapan menghentikan mesin, dengan mempertimbangkan jadwal produksi dan risiko, tetap merupakan keputusan engineer.
Kesimpulan
Predictive maintenance memindahkan dasar keputusan pemeliharaan dari kalender ke kondisi nyata mesin. Kerangka berpikirnya bertumpu pada kurva P-F: temukan gejala sedini mungkin, pantau cukup rapat agar tidak melewatkannya, lalu gunakan waktu yang tersedia untuk merencanakan perbaikan dengan tertib.
Keberhasilannya lebih banyak ditentukan oleh disiplin daripada oleh kecanggihan algoritma: memilih aset yang tepat, memahami cara aset itu rusak, menghubungkan setiap alarm dengan tindakan, dan memverifikasi hasil perbaikan. Dimulai dari beberapa aset kritikal, pendekatan ini dapat diperluas ketika manfaatnya sudah terlihat di lantai produksi.
Pertanyaan yang sering diajukan
Apa itu predictive maintenance?
Predictive maintenance adalah pendekatan pemeliharaan yang menentukan waktu tindakan berdasarkan kondisi aktual mesin dan tren perubahannya, dengan memanfaatkan data seperti vibrasi, temperatur, dan arus motor.
Apa bedanya predictive maintenance dan preventive maintenance?
Preventive maintenance dijadwalkan berdasarkan waktu atau pemakaian, misalnya setiap 2.000 jam. Predictive maintenance dijadwalkan berdasarkan kondisi aktual mesin, sehingga tindakan dilakukan ketika data menunjukkan penurunan kondisi.
Apa itu interval P-F?
Interval P-F adalah rentang waktu antara saat tanda kegagalan pertama kali dapat dideteksi (titik P) dan saat komponen kehilangan fungsinya (titik F). Frekuensi pemantauan harus lebih rapat dari interval ini agar gejala tidak terlewat.
Apakah predictive maintenance bisa memprediksi semua kerusakan?
Tidak. Kegagalan yang berkembang sangat cepat atau yang gejalanya tidak terukur oleh sensor terpasang tetap dapat terjadi. Manfaat utamanya adalah waktu tambahan untuk merencanakan tindakan pada kegagalan yang gejalanya dapat dideteksi.
Aset apa yang sebaiknya dipantau lebih dulu?
Umumnya aset berputar yang kritikal, seperti pompa, kompresor, motor penggerak utama, gearbox, dan genset, karena mode kegagalannya terdokumentasi baik dan gejalanya dapat diukur dengan vibrasi serta temperatur.
Daftar pustaka
- [1]Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483-1510.
- [2]International Organization for Standardization. (2015). ISO 13381-1:2015, Condition monitoring and diagnostics of machines: Prognostics, Part 1: General guidelines. ISO.
- [3]Nowlan, F. S., & Heap, H. F. (1978). Reliability-centered maintenance (Report No. AD-A066579). United States Department of Defense.
- [4]Moubray, J. (1997). Reliability-centred maintenance (2nd ed.). Butterworth-Heinemann.
- [5]International Organization for Standardization. (2018). ISO 17359:2018, Condition monitoring and diagnostics of machines: General guidelines. ISO.
- [6]Mobley, R. K. (2002). An introduction to predictive maintenance (2nd ed.). Butterworth-Heinemann.
- [7]International Organization for Standardization. (2016). ISO 20816-1:2016, Mechanical vibration: Measurement and evaluation of machine vibration, Part 1: General guidelines. ISO.
- [8]International Organization for Standardization. (2003). ISO 13374-1:2003, Condition monitoring and diagnostics of machines: Data processing, communication and presentation, Part 1: General guidelines. ISO.