Pendahuluan

Prediksi keandalan perangkat semikonduktor merupakan tantangan utama dalam industri elektronik, khususnya pada komponen yang digunakan di sektor-sektor kritikal seperti nuklir dan militer. Metode tradisional seperti MIL-HDBK-217F, Telcordia, dan PRISM masih memiliki keterbatasan, terutama karena ketidakmampuannya mengikuti laju perkembangan teknologi dan material.

Sebagai solusi, artikel ini mengusulkan pendekatan baru yang menggabungkan Physics of Failure (PoF) dan metode statistik. Pendekatan ini tidak hanya memperbaiki akurasi prediksi keandalan, tetapi juga memberi kerangka kerja sistematis untuk menganalisis dan merancang ulang komponen agar lebih tahan terhadap kegagalan.

Mengapa Physics of Failure (PoF) Perlu Dimodifikasi?

PoF adalah metode berbasis akar penyebab kegagalan pada level mikroskopis. Namun, dalam praktiknya, PoF memiliki keterbatasan karena:

• Kompleksitas model MTTF (Mean Time To Failure)
• Kurangnya formulasi universal untuk kegagalan semikonduktor
• Ketergantungan pada data manufaktur yang seringkali tidak tersedia

Oleh karena itu, kombinasi PoF dengan pendekatan statistik memberikan nilai tambah yang signifikan.

Komponen Pendekatan Baru: Gabungan PoF dan Statistik

1. Analisis Mekanisme Kegagalan (Failure Mechanism) Artikel mengidentifikasi 10 mekanisme kegagalan utama pada wafer level, seperti:
   • Electromigration (EM): Terjadi pada densitas arus tinggi dan suhu tinggi. Dapat menyebabkan open/short circuit.
     → Waktu gagal (MTTF) ditentukan oleh Black’s Equation:
     MTTF = A(J^-n) * exp(Eg/kT)
   • TDDB (Time-Dependent Dielectric Breakdown)
   • Hot Carrier Injection (HCI)
   • Negative Bias Temperature Instability (NBTI)
   • Thermal Fatigue, Stress Migration, Surface Inversion, dll.
2. Model Statistik dan Simulasi Untuk melengkapi data fisik, digunakan alat statistik seperti:
   • DOE (Design of Experiments)
   • Regression Analysis
   • Response Surface Models
   • Bayesian Modeling
     Simulasi dilakukan dengan perangkat lunak seperti SPICE, Cadence, Ansys, dan nanoHUB.
3. Sistem Pendukung Keputusan (Decision Support System) Keputusan akhir dalam desain dan perbaikan diambil dengan mempertimbangkan:
   • Data eksperimen & simulasi
   • Biaya siklus hidup (LCC)
   • Regulasi & risiko teknis
   • Faktor non-teknis (kebijakan, waktu rilis produk, dll)

📊 Studi Kasus: Perbandingan Model Prediksi

Data perbandingan prediksi Mean Time To Failure (MTTF) dari berbagai model untuk komponen DC–DC Converter dan Power Supply Unit (PSU) menunjukkan perbedaan hasil yang sangat signifikan. Misalnya, pada suhu 25°C, model MIL-HDBK-217F memperkirakan umur hingga 31,6 juta jam (3.606 tahun), sementara model Telcordia SR332 memproyeksikan angka yang jauh lebih tinggi, yaitu 104,2 juta jam (11.895 tahun). Bahkan model HRD5 memberikan estimasi yang jauh lebih konservatif, yakni hanya 2,46 juta jam (281 tahun). Ketika suhu dinaikkan menjadi 85°C, prediksi juga mengalami perbedaan mencolok, mulai dari 686.771 jam (78 tahun) hingga 57 juta jam (6.525 tahun).

Perbedaan yang ekstrem ini menimbulkan satu pertanyaan penting: model mana yang benar-benar bisa diandalkan? Jawabannya justru terletak pada keterbatasan pendekatan tunggal dalam merepresentasikan kenyataan operasional. Di sinilah pentingnya pendekatan yang lebih presisi dan berbasis fisika seperti gabungan Physics of Failure (PoF) dengan metode statistik. Pendekatan gabungan ini memungkinkan analisis yang mempertimbangkan variabilitas nyata, kondisi lingkungan spesifik, dan degradasi fisik komponen secara langsung, bukan sekadar estimasi berbasis data historis atau asumsi suhu rata-rata. Dalam konteks desain sistem kritis, pemilihan model prediksi yang tepat bukan hanya menyangkut keakuratan teknis, tapi juga menyentuh ranah keselamatan, biaya, dan kepercayaan jangka panjang terhadap suatu produk atau sistem.

📌 Insight Penting:
Perbedaan ekstrem ini memperlihatkan urgensi untuk menggunakan metode yang lebih presisi—yakni metode gabungan yang diusulkan.

Langkah Implementasi: Dari Data Hingga Keputusan

1. Deskripsi Komponen & Data Historis
   • Menyusun data bahan, layout, arsitektur, dan proses manufaktur
2. Analisis Produk Serupa
   • Membandingkan dengan perangkat sejenis untuk mendapatkan insight awal
3. Indeks Keandalan (Reliability Indices)
   • MTTF, failure rate, degradasi % dsb., digunakan sebagai parameter utama
4. Analisis Kegagalan
   • Menggunakan alat seperti FTIR, SEM, XRF, OBIC, Curve Tracer, dll.
5. Eksperimen & Simulasi Paralel
   • Menguji di kondisi normal dan ekstrem (accelerated testing)
   • Model Arrhenius digunakan untuk menghitung akselerasi kegagalan: AF = exp(Ea/k * (1/T1 - 1/T2))

Keunggulan Pendekatan Gabungan

✅ Lebih Akurat: Kombinasi data fisik dan statistik memperkaya analisis
✅ Efisiensi Biaya: Mengurangi kebutuhan akan pengujian ulang dan recall
✅ Desain Fleksibel: Data dapat diadaptasi untuk item sejenis
✅ Dukungan Pengambilan Keputusan: Sistem pendukung menjadikan proses lebih objektif dan efisien

Tantangan & Keterbatasan

❗ Akses Data Terbatas: Banyak informasi penting disembunyikan oleh manufaktur
❗ Biaya & Waktu: Butuh alat mahal dan proses panjang
❗ Butuh Keahlian Multidisiplin: Tim harus mencakup ahli statistik, fisika material, desain elektronik, dan manajemen risiko

Kesimpulan

Pendekatan modified Physics of Failure menawarkan kerangka kerja komprehensif untuk meningkatkan prediksi keandalan komponen elektronik. Dengan mengintegrasikan analisis deterministik dan probabilistik, pendekatan ini dapat mengungkap akar masalah, mengurangi biaya perbaikan, dan mempercepat pengambilan keputusan.

Namun, pendekatan ini ideal diterapkan hanya pada komponen kritikal bernilai tinggi, seperti di industri nuklir, dirgantara, dan medis. Untuk komponen standar, pendekatan ini mungkin terlalu mahal dan kompleks.

📄 Sumber Artikel : Thaduri, A., Verma, A.K., Gopika, V., Gopinath, R., & Kumar, U. (2013). Reliability prediction of semiconductor devices using modified physics of failure approach. Int J Syst Assur Eng Manag, 4(1), 33–47.

Pendahuluan: Kenapa Perlu Prediksi Umur Kapasitor?
Di tengah tuntutan efisiensi dan keandalan tinggi dalam sistem elektronik, aluminium electrolytic capacitor tetap jadi tulang punggung di banyak perangkat, khususnya dalam DC-link pada variable-frequency drives. Namun, karena karakteristik degradasinya yang unik dan potensi kegagalan pada umur pakai, pengujian umur sangat penting. Makalah ini, ditulis oleh Aleksi Mäkelin (2021) dari LUT University, menawarkan desain sistem Accelerated Life Testing (ALT) yang memungkinkan prediksi lebih cepat dan presisi terhadap end-of-life failure mode kapasitor.

1. Apa Itu Accelerated Life Testing (ALT)?

ALT adalah metode untuk mempercepat proses penuaan komponen dengan memberi stres lingkungan atau operasional secara ekstrem—tanpa menjauh dari kondisi penggunaan sebenarnya. Tujuannya adalah:

• Mempercepat kegagalan akibat penurunan kapasitansi dan peningkatan ESR
• Memperkirakan masa pakai dalam berbagai kondisi dengan faktor akselerasi
• Menghindari kegagalan dini dan menyusun jadwal penggantian komponen

2. Fokus Pengujian: Aluminium Electrolytic Capacitor

Jenis kapasitor ini:

• Mengandalkan elektrolit cair sebagai medium konduksi
• Rawan terhadap evaporasi elektrolit, penyebab utama penurunan performa
• Digunakan luas dalam sistem daya karena harga ekonomis dan kapasitansi besar
• Punya mekanisme “self-healing”, tapi bisa memicu panas internal berlebih

3. Desain Sistem ALT dan Simulasi Awal

Pengujian dilakukan di ABB Drives Helsinki, dengan dukungan tim teknik. Simulasi awal dilakukan via MATLAB Simulink untuk menyesuaikan tegangan, arus, dan frekuensi:

• Ripple Current: ~92 A RMS
• Tegangan DC: 400V
• Suhu Lingkungan: 100°C
• Frekuensi Ripple: 300Hz (mensimulasikan enam pulsa rectifier)

4. Metode Akselerasi: Stres Termal & Elektrikal

Jenis stres:

• Termal: suhu tinggi untuk mempercepat evaporasi elektrolit
• Ripple Current: memicu pemanasan internal kapasitor
• Target kegagalan: kapasitansi turun >10% dan ESR naik >30%

Formula akselerasi yang digunakan:

• Arrhenius Model: berbasis suhu
• Eyring Equation: gabungkan lebih dari satu faktor akselerasi
• Weibull Distribution: untuk analisis probabilitas kegagalan

5. Model Lifetime & Kalkulasi

Model evaluasi umur kapasitor:

L = L₀ × K_R × K_T × K_V

• L₀: umur nominal datasheet (misal 12000 jam)
• K_T: faktor suhu → setiap 10°C kenaikan = umur turun setengah
• K_R: faktor ripple current → didasarkan pada peningkatan suhu internal
• K_V: faktor tegangan → semakin rendah tegangan dari rating, makin lama umur

Contoh Perhitungan Awal:

• T₀ (rated): 85°C
• T_env: 100°C
• → Umur kapasitor turun menjadi hanya ~4242 jam akibat suhu
• Tambahan ripple current ekstrem menurunkan umur hingga hanya ~15 jam

6. Hasil Uji Pertama: Simulasi Sukses

Setup:

• 3 kapasitor (7000μF, 400V)
• 10 jam pengujian konstan
• Hasil:
  • Penurunan kapasitansi 1.4%
  • Kenaikan ESR belum signifikan

Analisis:

• Bila tren linear → akan capai 10% penurunan kapasitansi dalam 80 jam
• Validasi bahwa sistem ALT berfungsi dan layak dikembangkan lebih lanjut

7. Insight & Pengembangan Selanjutnya

Kekuatan:

• Bisa menguji berbagai stres lingkungan: suhu, kelembapan, ripple, tegangan
• Dirancang fleksibel: mendukung snap-in capacitor, modular
• Cocok untuk pengembangan produk dan validasi komponen vendor

Rencana Upgrade:

• Ganti transformator dengan kapasitas lebih tinggi
• Tambah sensor suhu inti kapasitor
• Sistem pemantauan ESR & kapasitansi otomatis → hentikan uji jika EOL tercapai

Kritik:

• Belum menguji efek getaran, kelembapan, atau siklus beban variatif
• Belum diuji dengan model prediktif berbasis AI atau digital twin
• Skala pengujian masih kecil (3 kapasitor)

8. Aplikasi Industri & Relevansi Lebih Luas

• Otomotif & Industri Daya: jadwal servis bisa ditentukan lebih presisi
• Reliability Engineering: prediksi kerusakan sebelum terjadi
• Manufaktur Pintar: input langsung ke sistem perawatan prediktif

Dengan data yang dihasilkan ALT, produsen dapat:

• Menghindari overdesign (efisiensi biaya)
• Memperpanjang umur perangkat (lebih andal)
• Menyusun strategi penggantian berdasarkan data, bukan asumsi

Kesimpulan: ALT untuk Kapasitor = Investasi Keandalan Jangka Panjang

Dengan ALT berbasis fisika dan kalkulasi umur, kita bisa:

• Mengetahui titik degradasi kritis sebelum terjadi kegagalan
• Merancang perangkat yang lebih efisien, tahan lama, dan hemat biaya
• Menghindari risiko failure mendadak di lapangan

Ini adalah langkah awal menuju sistem elektronik yang benar-benar tahan masa depan.

Sumber :  Mäkelin, A. Designing Accelerated Life Test Setup for Aluminium Electrolytic Capacitors. Master’s Thesis, Lappeenranta–Lahti University of Technology LUT, 2021.

Pendahuluan: Menjawab Tantangan Keandalan Misi Antariksa
Dalam industri penerbangan luar angkasa, satu kesalahan kecil bisa berakibat fatal. Menyadari hal ini, NASA mengembangkan pendekatan baru untuk menilai keandalan sistem melalui Physics of Failure (PoF). Artikel ini merangkum isi dari “NASA Physics of Failure (PoF) for Reliability” yang dipresentasikan dalam PSAM16, dan mengulas peran penting PoF dalam menggantikan metode tradisional berbasis handbook seperti MIL-HDBK-217 yang tak lagi representatif terhadap kenyataan.

1. Latar Belakang: Masalah Data Historis yang Tidak Akurat

NASA menunjukkan bahwa banyak prediksi umur misi berbasis data handbook terbukti terlalu pesimis. Misalnya:

• Misi Aqua: Hanya diprediksi punya peluang 13–14% untuk mencapai umur 6 tahun. Kini, telah berjalan 20 tahun dan masih menggunakan sistem utama.
• SDO (Solar Dynamics Observatory): Dirancang minimum 2 tahun, prediksi kelulusan penuh 5 tahun hanya 44%. Kini, telah sukses selama 12 tahun.

Kesimpulan: model probabilistik historis tidak cukup—PoF dibutuhkan untuk akurasi nyata.

2. Solusi: Handbook PoF NASA untuk Evaluasi Keandalan

NASA mengembangkan Handbook on Methodology for Physics of Failure Based Reliability Assessments, dibagi dalam 3 pendekatan utama:

• Empiris → berdasarkan data nyata & eksperimen
• Deterministik → berdasarkan model fisika teoretis
• Agregatif → menggabungkan keduanya secara sistematis

3. Bagian Empiris: Belajar dari Data Nyata

Metode yang digunakan meliputi:

• Model Statistik (Weibull, Lognormal, Exponential)
• Peck’s Model (temperatur & kelembapan)
• Electromigration TTF
• Bayesian Inference → untuk memperbarui model seiring data masuk

Contoh: Distribusi Weibull

• β = 1 → tingkat kegagalan konstan
• β < 1 → infant mortality
• β > 1 → wear-out failures

Keunggulan utama: Bisa digunakan untuk memperbarui model secara berkelanjutan saat data lapangan bertambah.

4. Bagian Deterministik: Memahami Fisika Kerusakan

Model deterministik mengurai mekanisme kegagalan utama, seperti:

• Arrhenius & Coffin-Manson → dampak suhu terhadap umur material
• Zhurkov → pengaruh fluktuasi energi
• Eyring & Palmgren → multiphysics & fatigue
• Electromagnetics → efek radiasi & interferensi
• Chemical Physics → degradasi baterai, reaksi elektrolit
• Radiation Modeling → untuk prediksi seperti Single Event Burnout (SEB), Latch-up (SEL), Bit Upset (SBU/MBU)

Semua model ini telah disesuaikan dengan profil misi luar angkasa, termasuk peluncuran, operasi, hingga dekomisioning.

5. Bagian Agregatif: Menyatukan Estimasi dari Berbagai Model

NASA mengidentifikasi 3 jenis hubungan antar model kegagalan:

1. Encompassed: salah satu model mencakup semua kegagalan model lain
2. Complementary: model saling melengkapi → digabungkan via fault tree atau Bayesian network
3. Interrelated: model tumpang tindih → harus dikompensasi agar tidak overestimasi

Tujuan akhir: membentuk inclusive likelihood of failure yang realistis.

6. Studi Kasus & Visualisasi Umur Misi

Salah satu pembuktian kuat akan pentingnya pendekatan prediktif berbasis fisika seperti Physics of Failure (PoF) dapat ditemukan pada studi kasus misi luar angkasa NASA. Dalam banyak kasus, terdapat ketimpangan mencolok antara estimasi keandalan berbasis handbook konvensional dan realisasi umur misi di lapangan. Misalnya, misi Aqua awalnya diperkirakan hanya mampu bertahan selama 6 tahun, dengan probabilitas bertahan 13–14%. Namun kenyataannya, misi ini telah beroperasi selama 20 tahun dan masih aktif hingga sekarang. Kasus serupa juga terjadi pada Solar Dynamics Observatory (SDO), yang diperkirakan hanya mampu bertahan selama 5 tahun (dengan estimasi survivabilitas 44%), tetapi berhasil melampaui harapan dengan menjalankan operasinya selama lebih dari 12 tahun secara sukses.

Visualisasi umur misi yang disusun oleh NASA menunjukkan tren serupa secara umum: rata-rata umur operasional misi tercatat 14,8 tahun, sedangkan umur desain berdasarkan handbook hanya sekitar 8,9 tahun. Fakta ini membuka ruang diskusi penting: apakah metode estimasi tradisional sudah tidak lagi relevan untuk sistem berkompleksitas tinggi seperti satelit dan pesawat luar angkasa? Jawabannya mengarah pada pentingnya mengintegrasikan pendekatan berbasis first principles, seperti PoF, sejak tahap desain awal, untuk memperoleh estimasi keandalan yang lebih akurat dan sesuai dengan kenyataan operasional. Dalam konteks perencanaan misi dan investasi anggaran negara yang sangat besar, pendekatan seperti ini bukan hanya teknis, melainkan strategis.

12 tahun berjalan sukses

Visualisasi misi menunjukkan bahwa rata-rata misi NASA berlangsung 14.8 tahun, padahal desain hanya 8.9 tahun.

7. Masa Depan: Infusi Teknologi & AI untuk PoF

NASA mendorong evolusi PoF dengan:

• AI & Machine Learning
  • Untuk inisialisasi berbasis fisika
  • Residual modeling
• Simulasi Multiphysics Terpadu
  • Platform seperti COMSOL, Ansys Sherlock, MATLAB
  • Neural network untuk forward solver berbasis hukum fisika

Tujuan jangka panjang: menciptakan digital twin yang bisa belajar dari lingkungan nyata dan terus memperbarui risiko kegagalan secara real-time.

8. Kolaborasi & Evolusi Komunitas

NASA membuka handbook-nya untuk:

• Umpan balik dari komunitas (NASA Wiki, SharePoint, NODIS)
• Studi kasus tambahan
• Evolusi metode PoF dari lapangan

Inti : PoF bukan milik satu lembaga, tapi milik komunitas teknik global.

9. Kritik & Opini

Kekuatan:

• Meninggalkan pendekatan statistik kuno
• Kombinasi empiris dan deterministik sangat fleksibel
• Cocok untuk misi dengan risiko tinggi & waktu tempuh panjang

Keterbatasan:

• Belum semua model punya solusi bentuk tertutup
• Masih bergantung pada data dan eksperimen kompleks
• Aplikasi penuh butuh pelatihan intensif

Bandingkan dengan industri lain:
Metode PoF semacam ini cocok diterapkan di sektor pertahanan, energi nuklir, dan kendaraan otonom—di mana kegagalan bukan opsi.

Kesimpulan: PoF Bukan Sekadar Metode, Tapi Paradigma Baru

NASA menunjukkan bahwa dengan mengandalkan fisika, bukan asumsi, sistem bisa dirancang lebih andal, hemat biaya, dan memiliki ketahanan misi lebih panjang.

• PoF memungkinkan prediksi umur berbasis realita
• Kombinasi pendekatan memperkuat validitas analisis
• PoF akan makin kuat dengan AI & data real-time

Prediksi kegagalan bukan lagi tebakan, tapi hasil rekayasa yang terukur.

Sumber : Lindsey, N. J.; Dawson, J.; Sheldon, D.; Sindjui, L.-N.; DiVentic, A. NASA Physics of Failure (PoF) for Reliability, PSAM16, June 26–July 1, 2022, Honolulu, Hawaii.

Pendahuluan: Mengapa Kita Perlu Meramal Umur Elektronik?

Dalam dunia teknologi tinggi seperti penerbangan, otomotif, dan sistem energi, desain elektronik bukan hanya soal performa—tapi soal ketahanan jangka panjang. Artikel oleh Andrew Wileman, Suresh Perinpanayagam, dan Sohaib Aslam ini menawarkan solusi berbasis Physics of Failure (PoF) yang memungkinkan prediksi masa pakai komponen langsung dari desain awal, bahkan sebelum dibuat secara fisik.

1. Apa Itu Physics of Failure (PoF)?

PoF adalah pendekatan prediktif berbasis mekanisme degradasi nyata. Ia menjawab pertanyaan: Mengapa dan kapan komponen elektronik gagal? Dengan menggabungkan simulasi Finite Element Analysis (FEA), model degradasi, dan kondisi lingkungan operasional (panas, getaran, kejut mekanik), kita bisa meramal waktu gagal suatu sistem, bahkan pada level solder.

2. Uji Platform: Evaluation Board Infineon

Board yang diuji berasal dari Infineon, dengan struktur:

• 2 transistor IGBT
• Kapasitor elektrolit & keramik
• Induktor toroidal
• Heatsink, konektor plastik & logam
• PCB dari FR4 multilayer

Tujuan uji:

• Prediksi umur hingga 30 tahun
• Toleransi kegagalan maksimal: 20%
• Simulasi kondisi ekstrem: suhu, getaran, kejutan, dan siklus reflow solder

3. Model FEA: Dari eCAD ke Simulasi 3D

Data desain PCB (ODB++) dikonversi ke model 3D FEA dalam dua bentuk:

• Merged Mesh: PCB & komponen digabung → node sama
• Bonded Mesh: terpisah → bentuk elemen lebih seragam

Model ini disimulasikan terhadap:

• Siklus termal: −33°C ↔ 63°C
• Getaran harmonik dan acak
• Kejut mekanik (shock)
• Siklus reflow solder (260°C)
• Wear-out semikonduktor

4. Hasil Uji: Simulasi Berbasis Standar Internasional

A. Thermal Mechanical Cycling

• Siklus 1×: −33°C ↔ 63°C
• Komponen gagal:
  • Kapasitor plastik, inductor toroidal, konektor
  • Transistor Q1 & Q2 (karena strain heatsink)
• Strain tertinggi: bagian sekitar heatsink
• Rekomendasi: perkuat mounting & isolasi panas

B. Thermal Events

• Simulasi 24 jam siklus suhu & penyimpanan
• Displacement tertinggi: 2.82 mm di power supply socket
• Potensi masalah: peningkatan resistansi → penurunan tegangan

C. Getaran Alamiah (Natural Frequency)

• Frekuensi kritis: 212.75 Hz & 222.69 Hz
• Resonansi menyebabkan risiko keretakan fatal
• Rekomendasi: peredam getaran atau ganti stand-off

D. Getaran Acak (Random Vibration)

• 0.04 G²/Hz, 7.7 G RMS selama 1 jam, 3 axis
• Komponen besar (atas board) gagal
• Alasan: massa besar → serap energi lebih tinggi
• Saran: kurangi ukuran stand-off & tambahkan penyangga

E. Kejut Mekanik (Shock)

• 10 G, 6 ms, 6 arah
• Semua komponen lulus uji
• Durasi pendek → tidak cukup memicu kerusakan permanen

F. Solder Fatigue

• Dua jenis solder diuji:
  • SAC305 (bebas timah): lolos semua
  • PB90SN10 (berbasis timah): gagal di 2 Schottky diode
• Titik gagal: di bawah heatsink → strain tinggi
• Rekomendasi: pindahkan komponen atau gunakan solder lain

G. Semiconductor Wear-out

• Model: elektro-migrasi, TDDB, HCI, dan BTI
• 4 IC diuji → semua melebihi umur target (30 tahun)
• Validasi model SAE ARP 6338

5. Analisis Umur Total: Simulasi Jadi Penyelamat

• Probabilitas kegagalan total selama 30 tahun: 5%
• Faktor dominan kegagalan:
  • Strain termal
  • Getaran acak
  • Pemilihan solder

Beberapa elemen mitigasi di dunia nyata (seperti klip pengikat IGBT atau baut inductor) tidak dimodelkan, tapi disarankan untuk dimasukkan di iterasi desain berikutnya.

6. Insight Kritis & Opini

Kelebihan:

• Prediksi berbasis fisika lebih kuat dari data historis
• Bisa dilakukan sejak fase desain awal
• Meminimalisir pengujian destruktif

Kelemahan:

• Tidak semua simulasi masukkan faktor real-world (kelembaban, variasi tekanan)
• Belum integrasi dengan pembelajaran mesin atau data sensor real-time

Potensi Integrasi Masa Depan:

• AI untuk optimasi material & layout
• Digital twin untuk sistem avionik & otomotif

7. Relevansi untuk Industri dan Tren Global

• Aerospace & Defense: desain tahan lama wajib
• Green Tech: kurangi pengujian fisik → efisiensi energi & sumber daya
• Manufaktur Pintar (Industry 4.0): digitalisasi proses desain lewat simulasi

Kesimpulan: Merancang untuk Umur Panjang, Bukan Sekadar Fungsi

Simulasi berbasis Physics of Failure bukan sekadar alat validasi teknis, tapi juga strategi bisnis. Dengan mengadopsi pendekatan ini:

• Risiko kegagalan bisa diidentifikasi & diminimalkan sejak awal
• Proses desain jadi lebih efisien & hemat biaya
• Produk elektronik jadi lebih tahan lama & kompetitif

Bagi industri dengan siklus hidup produk panjang, seperti transportasi, pertahanan, dan energi, pendekatan ini adalah investasi cerdas jangka panjang.

Sumber : Wileman, A.; Perinpanayagam, S.; Aslam, S. Physics of Failure (PoF) Based Lifetime Prediction of Power Electronics at the Printed Circuit Board Level. Applied Sciences, 2021, 11(6), 2679.

Pendahuluan: Mengapa Perlu Prediksi Umur Komponen Elektronik?
Dalam sistem elektronik modern, khususnya pada industri aerospace dan otomotif, memastikan keandalan jangka panjang dari sebuah produk menjadi bagian vital dalam rantai desain dan manufaktur. Paper oleh Wileman, Perinpanayagam, dan Aslam (2021) mengusulkan pendekatan berbasis Physics of Failure (PoF) sebagai metode simulasi prediktif untuk menentukan lifetime komponen secara akurat, bahkan sebelum proses produksi dimulai.

1. Apa Itu Physics of Failure (PoF)?

PoF bukan sekadar metode uji ketahanan fisik. Ini adalah gabungan dari simulasi Finite Element Analysis (FEA) dan model fisik degradasi berdasarkan realita operasional—panas, getaran, kejutan, dan perubahan suhu. Dengan pendekatan ini, pengembang dapat:

• Memahami titik lemah desain sejak awal
• Memprediksi jenis kerusakan (solder fatigue, keausan semikonduktor, korosi)
• Menghemat biaya uji fisik lewat digital twin dan simulasi virtual

2. Platform Uji: PCB Evaluasi dari Infineon

Studi ini menggunakan evaluation board dari Infineon, berisi dua transistor IGBT, kapasitor besar, inductor toroidal, heatsink, dan beberapa konektor. Desain ini disimulasikan dengan skenario:

• Suhu ekstrem: −33°C sampai 63°C
• Getaran: 10–2000 Hz
• Guncangan mekanik: hingga 10g
• Siklus solder reflow: 260°C
• Durasi hidup yang ditargetkan: 30 tahun dengan toleransi 5% kegagalan

3. Metode: Dari eCAD ke Model FEA 3D

Data desain PCB (2D layout, pick-and-place, parts list, dan layer stack-up) dikonversi menjadi model FEA 3D menggunakan format ODB++. Model ini menganalisis:

• Deformasi struktur akibat panas (thermal strain)
• Ketahanan terhadap getaran acak dan harmonik
• Prediksi keretakan solder dan lelah material
• Keausan semikonduktor berdasarkan standar SAE ARP 6338

4. Hasil Uji dan Simulasi

A. Siklus Termal Mekanik

• Temperatur: −33°C ↔ 63°C
• Durasi: 3 siklus, masing-masing 24 jam
• Kegagalan dominan:
  • Kapasitor besar, inductor, konektor plastik
  • Transistor Q1, Q2 dekat heatsink → solder fatigue akibat ekspansi logam
• Strain maksimum: terjadi di sekitar heatsink dan komponen besar

B. Event Thermal

• Skema uji: 3 × 24 jam (30–63°C), 3 × 4 jam (−33°C)
• Hasil: Displacement tertinggi di soket power supply (2.82 mm)
• Rekomendasi: Monitoring kondisi setelah event ekstrem

C. Natural Frequency (Getaran Resonansi)

• Fokus frekuensi: 212.75 Hz dan 222.69 Hz
• Efek: resonansi tinggi menyebabkan risiko keretakan solder
• Solusi: tambahkan peredam atau ubah mounting PCB

D. Harmonik

• Frekuensi: 73.98 Hz (harmonik ke-3 dari 24.66 Hz)
• Efek: Tegangan maksimum di area heatsink
• Kesimpulan: Masih dalam ambang aman untuk 30 tahun umur

E. Getaran Acak (Random Vibration)

• Spektrum daya: 0.04 G²/Hz, total RMS 7.7 G
• Durasi: 1 jam, 3 axis
• Kegagalan: Komponen besar di bagian atas board
• Alasan: Massa besar → lebih menyerap energi → dislokasi

5. Solder Fatigue: Siapa yang Paling Tangguh?

Dalam pengujian keandalan solder terhadap kelelahan termal (solder fatigue), dua jenis solder diuji untuk menilai ketahanannya dalam kondisi ekstrem. Solder SAC305, yang merupakan tipe bebas timah (lead-free), menunjukkan performa unggul dengan lulus semua pengujian dan memiliki umur pakai yang memadai untuk penggunaan lebih dari 30 tahun. Sebaliknya, solder PB90SN10, yang berbasis timah, mengalami kegagalan pada dua komponen Schottky diode yang terletak di bawah heatsink—area yang memiliki tegangan termal (strain) tinggi akibat akumulasi panas. Temuan ini menegaskan pentingnya pemilihan material solder yang tepat untuk jangka panjang. Sebagai solusi, disarankan untuk mengganti jenis solder ke SAC305 atau merelokasi komponen sensitif seperti Schottky diode dari area dengan paparan panas tinggi, guna mengurangi risiko kegagalan akibat kelelahan termal dalam siklus hidup perangkat.

6. Wearout Semikonduktor

• Diuji 4 IC utama
• Analisis termasuk EM, TDDB, BTI, dan HCI
• Semua melebihi target umur board (30 tahun)
• Validasi pendekatan PoF untuk komponen aktif

7. Penilaian Umur Keseluruhan

• Prediksi umur total board: 30 tahun dengan probabilitas kegagalan 5%
• Kritikalitas kegagalan:
  • Thermal expansion (utama)
  • Random vibration (sekunder)
  • Pemilihan solder (tersembunyi tapi krusial)

8. Insight dan Opini Kritis

Kelebihan Studi:

• Prediksi berbasis prinsip fisika → jauh lebih akurat dari pendekatan statistik tradisional
• Dapat digunakan sejak tahap desain awal
• Cocok untuk produk aerospace, militer, dan industri berat

Kekurangan & Potensi Peningkatan:

• Model FEA tidak menyertakan semua mitigasi nyata (misal: pengikat heatsink)
• Tidak menggabungkan data real-time atau AI/ML untuk pembelajaran dinamis
• Kurang diuji dalam skenario outdoor dengan variasi kelembaban atau tekanan

9. Relevansi Industri:

• Desain Berbasis Keandalan (DfR) jadi arus utama
• Cocok untuk implementasi Digital Twin dalam sistem avionik
• Dukung inisiatif green tech dengan mengurangi pengujian fisik berulang

Kesimpulan: Investasi Awal, Manfaat Besar

Pendekatan PoF menawarkan penghematan besar dalam pengembangan produk elektronik:

• Waktu desain lebih singkat
• Reliabilitas tinggi sejak awal
• Pengurangan uji destruktif yang mahal

Dengan menyatukan engineering fisik, simulasi digital, dan validasi standar militer, pendekatan ini membentuk standar baru dalam perancangan elektronik masa depan.

Sumber : Wileman, A.; Perinpanayagam, S.; Aslam, S. Physics of Failure (PoF) Based Lifetime Prediction of Power Electronics at the Printed Circuit Board Level. Applied Sciences, 2021, 11(6), 2679.

Menembus Batas Keandalan Industri: Integrasi Physics-of-Failure dan Jaringan Bayesian Dinamis untuk Evaluasi Risiko Fasilitas Industri

1. Pendahuluan: Era Baru Manajemen Risiko Industri
Di tengah meningkatnya kompleksitas fasilitas industri dan ancaman dari peristiwa alam ekstrem (seperti gempa), muncul kebutuhan akan pendekatan penilaian risiko yang adaptif dan akurat. Artikel ini memperkenalkan framework baru berbasis Physics-of-Failure (PoF) dan Dynamic Bayesian Network (DBN) untuk menilai degradasi safety barrier seiring waktu, memungkinkan pembaruan risiko secara berkala dan responsif terhadap kondisi nyata.

2. Inti Inovasi: Integrasi PoF ke dalam Model DBN
Framework ini menyatukan dua pendekatan kuat:

• PoF memodelkan degradasi fisik dari komponen pelindung sistem (safety barrier) akibat waktu dan tekanan lingkungan.
• DBN memungkinkan representasi hubungan probabilistik antara kejadian dalam sistem dinamis dan memperbaruinya seiring waktu berdasarkan data baru.

Hasilnya: prediksi kegagalan yang lebih presisi dan tindakan mitigasi yang berbasis data.

3. Studi Kasus: Fasilitas Kimia & Risiko NaTech (Natural Hazard-Induced Technological Events)

a. Karakteristik Fasilitas & Bahaya

• Fasilitas: Terdiri dari 2 tangki atmosferik (T1 dan T2) dan 1 bejana bertekanan (P1).
• Umur desain: 50 tahun.
• Ancaman: Gempa bumi dengan PGA (Peak Ground Acceleration) hingga 9.81 m/s².
• Batas LSIR (Location-Specific Individual Risk): 4.3×10⁻⁵ fatalitas/tahun.

4. Sistem Pelindung (Safety Barriers) Terdapat lima jenis pelindung:

Dalam sistem perlindungan keselamatan industri, terdapat lima jenis pelindung (safety barriers) yang diklasifikasikan berdasarkan fungsi dan cara kerjanya. Pertama, Water Deluge System (WDS) merupakan pelindung aktif yang bekerja secara otomatis untuk menyemprotkan air guna meredam panas dan mencegah penyebaran api. Kedua, Fireproofing (PFP) berperan sebagai pelindung pasif dengan melapisi struktur atau peralatan penting agar tahan terhadap suhu tinggi dalam jangka waktu tertentu. Ketiga, Pressure Safety Valve (PSV) termasuk dalam kategori aktif, berfungsi melepaskan tekanan berlebih untuk mencegah kegagalan peralatan akibat overpressure. Keempat, Emergency Team Intervention (ETI) diklasifikasikan sebagai pelindung prosedural, yang mengandalkan kecepatan dan keahlian tim darurat untuk menanggulangi insiden. Terakhir, Foam Water Sprinkler System (FWS) juga merupakan pelindung aktif yang menyemprotkan busa untuk mengendalikan kebakaran, terutama pada area penyimpanan bahan mudah terbakar. Kelima pelindung ini bekerja secara sinergis untuk meminimalkan risiko dan dampak dari potensi kecelakaan industri.

b. Umur & Parameter Kritis

Contoh:

• PSV → PFD awal 0.01, inspeksi tiap 1 tahun
• ETI → waktu respons meningkat seiring relokasi tim
• WDS & FWS → rawan korosi → menurunkan kekuatan terhadap guncangan seismik

5. Model Fragilitas Berbasis Usia (Age-Dependent Fragility)

a. PFP:

• Degradasi: Tensile strength turun dari 1.03 MPa ke 0.30 MPa dalam 30 tahun.
• Implikasi: Semakin tua, semakin mudah gagal saat gempa → kenaikan fragilitas.

b. Sprinkler:

• Model korosi: Cr(t) digunakan untuk menghitung penurunan ketebalan pipa → berkurangnya kapasitas seismik.

c. PSV:

• Model Markov: Menjelaskan transisi antar level degradasi → tiap state punya nilai PFD berbeda.

6. Struktur DBN: Digital Twin Risiko Fasilitas

• 51 Node waktu (0–50 tahun)
• Input: PGA, usia sistem, jadwal perawatan
• Output: Probabilitas kegagalan tiap tangki dan pemodelan efek domino (0–3 tangki gagal)
• Validasi model: 105.000 simulasi → MSE sangat rendah (rata-rata 2.5×10⁻⁴) → menunjukkan akurasi tinggi

7. Hasil: Risiko Dinamis & Pembaruan Model

a. Tanpa Perubahan (By-Design)

• Probabilitas kegagalan T1 & T2 naik stabil, P1 lebih cepat karena tekanan tinggi
• Risiko tetap dalam batas selama 50 tahun bila perawatan dilakukan sesuai jadwal

b. Dengan Informasi Baru

Tahun ke-8: Waktu respons ETI meningkat → Risiko naik → Tambah PFP di T1/T2 → Risiko turun kembali
Tahun ke-14: Update peta seismik → LSIR naik → Tambah anchor peredam energi → Risiko kembali turun
Tahun ke-23: Beban tangki meningkat → Risiko naik tajam → Ganti sprinkler ke ESFR → Risiko terjaga

8. Analisis Kritis: Mengapa Ini Penting?

• Konvensional vs Inovatif:
  Pendekatan tradisional pakai data historis → tak bisa adaptif.
  Framework ini real-time, adaptif, dan fisik-sentris.
• Kekuatan DBN:
  • Bisa update risiko seiring waktu
  • Bisa belajar dari data (gunakan algoritma EM)
  • Fleksibel menangani skenario kompleks (domino, keterlambatan mitigasi)
• Hubungan dengan Tren Industri:
  • Digital Twin & Predictive Maintenance
  • Resiliensi Infrastruktur
  • NaTech Risk di era perubahan iklim

9. Keterbatasan & Saran Lanjut

• Model PoF tidak selalu tersedia untuk semua jenis barrier → perlu riset lanjutan
• Validasi lapangan diperlukan untuk kalibrasi model
• Potensi integrasi AI/ML → bisa mempercepat pelatihan model & personalisasi lebih lanjut

10. Kesimpulan: Risiko Bisa Dikendalikan, Asal Terukur
Framework ini bukan sekadar alat akademik—ia menawarkan solusi nyata untuk industri kimia, energi, dan infrastruktur kritis. Dengan kemampuan prediksi yang berbasis fisika dan pembaruan berbasis data, perusahaan bisa:

• Menjaga keselamatan jangka panjang
• Merespons kondisi baru dengan tepat
• Menjadi lebih tangguh menghadapi skenario terburuk

Keamanan kini bukan reaktif, tapi prediktif.

Sumber : Marchetti, S.; Di Maio, F.; Zio, E. A Physics-of-Failure (PoF) Model-based Dynamic Bayesian Network for Considering the Aging of Safety Barriers in the Risk Assessment of Industrial Facilities. Journal of Loss Prevention in the Process Industries, August 2024.