Menggagas Era Baru: Dari Smart ke Wise Manufacturing

Saat dunia bergerak menuju Industri 5.0, kebutuhan tidak lagi sebatas otomatisasi dan konektivitas. Yang dibutuhkan kini adalah sistem manufaktur yang berpengetahuan, bijak, dan adaptif terhadap manusia serta lingkungan. Disertasi karya Emiliano Traini (Politecnico di Torino, 2022) memperkenalkan kerangka kerja hybrid modeling yang menggabungkan data, pengetahuan, dan kecerdasan buatan dalam satu sistem informasi digital untuk mendukung manufaktur cerdas dan berkelanjutan.

Motivasi: Ketika Satu Model Tak Cukup Lagi

Model-model tradisional sering gagal menangkap kompleksitas sistem manufaktur modern. Beberapa alasan mengapa pendekatan tunggal tidak mencukupi:

• Model berbasis fisika membutuhkan pemahaman mendalam tetapi kurang adaptif.
• Model data-driven sangat bergantung pada data dalam jumlah besar.
• Pengetahuan manusia sering kali sulit dikodifikasi ke dalam algoritma.

Solusinya? Pendekatan Hybrid Modeling yang menggabungkan kekuatan semua jenis model ini dalam satu arsitektur sistem yang disebut Hybrid-Wisdom-Based System (HWBS).

Konsep Inti: DIKW dan Hybrid System

1. Hirarki DIKW: Dari Data ke Kebijaksanaan

Framework DIKW (Data → Information → Knowledge → Wisdom) menjadi landasan penting dalam merancang sistem berbasis informasi. Hirarki ini menggambarkan proses transformasi data mentah menjadi keputusan yang bijaksana dan kontekstual. Pada level paling dasar, data dikumpulkan melalui sensor atau log sistem menggunakan teknologi seperti Internet of Things (IoT) dan data lake. Selanjutnya, data tersebut diolah menjadi informasi melalui proses agregasi dan klasifikasi, yang didukung oleh sistem seperti ERP (Enterprise Resource Planning) dan MES (Manufacturing Execution System). Informasi kemudian diolah menjadi pengetahuan dengan memanfaatkan model berbasis aturan atau pembelajaran mesin (machine learning), yang dijalankan melalui Knowledge-Based System (KBS) dan teknologi ML. Pada tingkatan tertinggi, pengetahuan dikonversi menjadi kebijaksanaan, yaitu pengambilan keputusan strategis yang mempertimbangkan konteks luas, dengan bantuan Decision Support System (DSS) dan agent system. Hirarki ini menjadi kunci untuk menciptakan sistem yang adaptif, responsif, dan mampu mendukung pengambilan keputusan yang kompleks.

2. Hybrid Modeling

Menggabungkan:

• Physics-based model untuk efisiensi awal,
• Machine Learning untuk peningkatan presisi seiring waktu,
• Human expertise untuk fleksibilitas dan etika.

Framework HW-MAS: Sistem Multi-Agen Berbasis Hybrid-Wisdom

Struktur Agen DIKW

Framework ini menggunakan agen-agen digital yang memiliki karakteristik:

• D: akses data dari sistem produksi,
• I: mengubah data jadi informasi melalui analisis sistem,
• K: membentuk knowledge base dari pola,
• W: menghasilkan keputusan kontekstual dengan mempertimbangkan sustainability, human-centricity, dan resilience.

Studi Kasus: HW-TPM untuk Mesin CNC

Total Productive Maintenance (TPM) berbasis hybrid diterapkan untuk sistem milling CNC menggunakan data terbuka NASA:

• Agen pengukur memantau getaran & suhu.
• Agen sensor mengklasifikasikan kondisi alat.
• Agen pelatih menyempurnakan model prediksi keausan.

Hasil:

• Presisi prediksi kegagalan meningkat 26% dibanding model ML tunggal.
• Waktu pergantian alat berkurang 18%, efisiensi waktu produksi naik signifikan.

Integrasi Sistem: ERP–MES–PLM dalam Visi 5.0

Framework ini menjembatani sistem informasi perusahaan:

• ERP (Enterprise Resource Planning) untuk perencanaan,
• MES (Manufacturing Execution System) untuk eksekusi di shop floor,
• PLM (Product Lifecycle Management) untuk pengelolaan produk sepanjang umur hidupnya.

Melalui pendekatan hybrid:

• PLM menyimpan pengetahuan eksplisit desain,
• MES mengumpulkan data operasional real-time,
• ERP menyelaraskan keputusan bisnis dengan kondisi aktual produksi.

Kekuatan Framework HWBS

1. Adaptif Sejak Awal

Physics-based model memberikan performa yang memadai bahkan sebelum data besar tersedia, menjadikannya ideal untuk tahap awal produksi atau produk baru.

2. Evolusi Seiring Data Bertambah

Machine Learning memperbaiki akurasi prediksi seiring waktu dan memungkinkan deteksi pola baru secara otomatis.

3. Incorporating Human Knowledge

Sistem dapat mengadopsi:

• Heuristik pakar,
• Pengalaman operator,
• Preferensi pengguna untuk menghasilkan keputusan yang etis, praktis, dan bisa diterima manusia.

Perbandingan: Hybrid vs Model Tradisional

Dalam konteks penerapan teknologi untuk pemodelan, terdapat perbedaan signifikan antara model tunggal dan hybrid modeling. Model tunggal, seperti Machine Learning (ML) atau Pemrograman Berbasis Pengetahuan (PB), cenderung memiliki ketergantungan data yang tinggi pada ML, namun rendah pada PB. Sebaliknya, hybrid modeling menawarkan fleksibilitas moderat dalam hal ketergantungan data, memadukan kekuatan ML dan PB. Adaptasi awal pada model tunggal relatif lemah pada ML, sedangkan hybrid modeling menggabungkan adaptasi kuat dari PB dan ML. Dalam hal ketahanan terhadap noise, model tunggal cenderung lebih rentan, sementara hybrid modeling lebih tahan terhadap gangguan dan noise. Ketika berhadapan dengan kompleksitas masalah, model tunggal menangani aspek-aspek tertentu secara parsial, sedangkan hybrid modeling mampu menangani kompleksitas secara lebih komprehensif. Keterlibatan manusia dalam model tunggal biasanya rendah, sedangkan pada hybrid modeling, keterlibatan manusia lebih tinggi dan terintegrasi, memungkinkan pengambilan keputusan yang lebih terarah dan berbasis konteks.

Kritik & Opini

Framework ini sangat kuat secara teori dan aplikatif. Namun, beberapa hal perlu menjadi perhatian:

• Kebutuhan integrasi sistem tinggi: tidak semua pabrik punya kesiapan infrastruktur.
• Tantangan interoperabilitas antar platform (ERP–MES–PLM) belum sepenuhnya tuntas.
• Konsep wisdom masih abstrak dan perlu konkretisasi dalam pengambilan keputusan sistem.

Namun begitu, kontribusi besar Traini adalah menjadikan "kebijaksanaan digital" bukan sekadar wacana, melainkan sistem yang bisa dirancang dan diterapkan.

Kesimpulan: Membangun Manufaktur Cerdas dengan Kesadaran Digital

Di tengah tuntutan keberlanjutan dan adaptasi cepat, sistem manufaktur masa depan tidak cukup sekadar cerdas—ia harus bijak. Framework Hybrid-Wisdom-Based System (HWBS) dalam disertasi ini menunjukkan bahwa:

• Keputusan terbaik lahir dari sinergi data, model matematis, dan intuisi manusia.
• Kebijaksanaan sistem digital bisa dibangun melalui struktur DIKW dan model hybrid.

Pendekatan ini selaras dengan visi Eropa tentang Industri 5.0, yang tidak hanya mengejar efisiensi, tetapi juga memperhatikan nilai-nilai kemanusiaan, lingkungan, dan daya tahan jangka panjang.

Sumber : Emiliano Traini. Hybrid modeling to support the smart manufacturing: concepts, theoretic contributions and real-case applications about Hybrid and Wisdom-based Systems. Doctoral Dissertation, Politecnico di Torino, 2022.

Pendahuluan: Kapasitor dalam Jantung Sistem Elektronik

Kapasitor bukan sekadar komponen pasif; dalam dunia power electronics, ia adalah pilar penting untuk penyimpanan energi, filter tegangan, dan stabilisasi DC. Namun, masa pakai dan keandalannya sering kali menjadi titik kritis yang menentukan usia sistem secara keseluruhan. Artikel berjudul “A Review of Degradation Behavior and Modeling of Capacitors” karya Gupta, Yadav, DeVoto, dan Major membedah tuntas mekanisme degradasi kapasitor dan bagaimana pendekatan Physics-of-Failure (PoF) dan data-driven models digunakan untuk memprediksi umur layanannya.

Jenis Kapasitor yang Dikaji: Film vs Elektrolitik

1. Metallized Film Capacitors

• Struktur: Menggunakan film dielektrik dilapisi logam (aluminium/zinc).
• Keunggulan: Tahan terhadap perubahan frekuensi dan suhu, memiliki kemampuan self-healing yang unik.
• Kekurangan: Rentan terhadap korosi jika terkena kelembaban tinggi.

2. Electrolytic Capacitors

• Struktur: Mengandalkan elektrolit cair di antara lapisan foil logam.
• Keunggulan: Kapasitansi tinggi dan efisiensi volume.
• Kelemahan: Umur lebih pendek, sangat sensitif terhadap suhu dan tegangan.

Mekanisme Kegagalan dan Degradasi pada Kapasitor Film dan Elektrolitik

Kapasitor film dan kapasitor elektrolitik memiliki mekanisme kegagalan dan degradasi yang berbeda, tergantung pada faktor lingkungan dan operasional. Suhu tinggi, misalnya, menyebabkan deteriorasi lapisan logam dan proses self-healing pada kapasitor film, sementara pada kapasitor elektrolitik, hal ini mengakibatkan evaporasi elektrolit yang mempercepat penurunan performa. Overvoltage dapat memicu self-healing atau bahkan breakdown dielektrik pada kapasitor film, sedangkan pada kapasitor elektrolitik, kondisi ini cenderung meningkatkan arus bocor secara signifikan. Adanya ripple current memicu korosi elektrokimia pada kapasitor film, dan pada kapasitor elektrolitik menyebabkan pemanasan berlebih serta kehilangan elektrolit. Meskipun kelembaban sangat memengaruhi kapasitor film melalui korosi lapisan logam, pengaruhnya tidak terlalu dominan pada kapasitor elektrolitik. Selain itu, siklus charge-discharge berulang dapat menyebabkan detasemen terminal (schoopage) pada kapasitor film, dan tekanan internal serta pembentukan gas pada kapasitor elektrolitik.

Studi yang dilakukan oleh Li et al. menunjukkan bahwa suhu tinggi dan tegangan AC mempercepat degradasi kapasitansi pada kapasitor film berbahan polipropilena (PP). Sementara itu, Makdessi et al. membuktikan bahwa ripple current secara signifikan memicu korosi elektrokimia pada antarmuka logam/polimer, yang mempercepat kerusakan komponen. Temuan-temuan ini menegaskan pentingnya pengendalian suhu dan arus ripple dalam aplikasi jangka panjang untuk menjaga keandalan kapasitor.

Model Degradasi Berbasis Physics-of-Failure (PoF)

Model Arrhenius

• Menggambarkan hubungan eksponensial antara suhu dan laju degradasi:

L=B⋅eEakTL = B \cdot e^{\frac{E_a}{kT}}

• Aplikasi: Cocok untuk suhu tinggi dalam jangka panjang.

Model Eyring

• Memperluas Arrhenius dengan mempertimbangkan interaksi multi-stres seperti tegangan dan kelembaban:

L=A⋅T−α⋅eEakT+f(stress)L = A \cdot T^{-\alpha} \cdot e^{\frac{E_a}{kT} + f(stress)}

Inverse Power Law

• Umum digunakan untuk stres tegangan atau kelembaban:

L∝V−nL \propto V^{-n}

Model Berbasis Data: Mengisi Kekosongan Waktu

Mengapa Diperlukan?

Model PoF memang menjelaskan mengapa kegagalan terjadi, tetapi tidak bisa menunjukkan kapan kegagalan terjadi dalam operasi nyata.

Contoh Penerapan

• Weibull Distribution: Prediksi waktu kegagalan berdasarkan distribusi probabilitas.
• Regresi Eksponensial dan Logaritmik: Melacak perubahan ESR dan kapasitansi secara real-time.
• Hybrid Models (Sun et al.): Menggabungkan PoF dan statistik, memungkinkan prediksi akurat bahkan dalam kondisi suhu bervariasi.

Model Prediksi Degradasi: Studi Kasus dan Data

1. Kapasitor Film

• Makdessi et al.: Model degradasi kapasitansi mengikuti eksponensial terhadap waktu dan suhu. Hasil eksperimen cocok dengan prediksi model Eyring.
• Li et al.: Di bawah kelembaban tinggi, kapasitansi menurun dua tahap—awal linear (moisture pre-existing), lalu eksponensial (moisture ingress).
• Shin et al.: Kombinasi gamma process dan random deterioration menghasilkan model probabilistik yang memisahkan kerusakan alami dan mendadak.

2. Kapasitor Elektrolitik

• Rule of Thumb: Setiap kenaikan 10°C memotong masa hidup menjadi setengahnya.
• Gasperi: Hubungan ESR dengan volume elektrolit:

ESRESR0=(V0−VtV0)2\frac{ESR}{ESR_0} = \left(\frac{V_0 - V_t}{V_0}\right)^2

• Kulkarni: Model regresi derajat tiga menunjukkan prediksi terbaik untuk degradasi kapasitansi.
• Sun et al.: Parameter degradasi (A dan B) dari ESR dan kapasitansi mengikuti Arrhenius.

Analisis Statistik: Dampak Tegangan vs Suhu

Studi oleh Naikan et al. menunjukkan:

• Tegangan memiliki pengaruh paling besar terhadap masa hidup kapasitor.
• Disusul oleh suhu, dan kemudian interaksi antara keduanya.
• Regresi linier menghasilkan rumus prediksi umur untuk berbagai kombinasi stres.

Diskusi Kritis: Apa yang Masih Perlu Diteliti?

• Insulation Resistance belum banyak diteliti padahal berperan penting dalam thermal runaway.
• Interaksi antar stres (tegangan + suhu + kelembaban) masih minim kuantifikasi.
• Real-time Monitoring belum optimal, padahal penting untuk aplikasi seperti UPS, kendaraan listrik, dan sistem militer.
• Hybrid modeling masih kurang eksplorasi, padahal sangat potensial untuk penggabungan kekuatan PoF dan machine learning.

Kesimpulan: Menyongsong Generasi Kapasitor Tangguh

Kapasitor bukan hanya komponen pasif—ia adalah indikator vital kesehatan sistem elektronik. Artikel ini menunjukkan bahwa model degradasi modern harus mampu menangkap kompleksitas dunia nyata: variasi suhu, tegangan lonjakan, siklus pulsa, dan kelembaban. Penggabungan model fisika dan data-driven menjadi langkah penting untuk:

• Meningkatkan prediksi masa pakai
• Mengurangi kegagalan mendadak
• Mengoptimalkan pemeliharaan prediktif

Desain elektronik masa depan membutuhkan pendekatan holistik: menggabungkan teori, eksperimen, dan statistik canggih.

Sumber : Anunay Gupta, Om Prakash Yadav, Douglas DeVoto, dan Joshua Major. A Review of Degradation Behavior and Modeling of Capacitors. NREL/CP-5400-71386. National Renewable Energy Laboratory, 2018.

Pengantar: Menjawab Tantangan Umur Elektronik Modern

Ketika ukuran transistor mengecil hingga skala nanometer dan tuntutan performa makin tinggi, keandalan mikroelektronika menjadi isu sentral. Produk elektronik yang dulunya bertahan puluhan tahun, kini dirancang hanya untuk 3–7 tahun masa pakai. Paper berjudul "Microelectronics Reliability: Physics-of-Failure Based Modeling and Lifetime Evaluation" karya Mark White dan Joseph B. Bernstein memberikan pendekatan revolusioner untuk memahami, memprediksi, dan merancang sistem mikroelektronik yang andal, dengan basis ilmu pengetahuan—bukan asumsi historis.

Mengapa Pendekatan Tradisional Tak Lagi Cukup

MIL-HDBK-217: Usang di Era Modern

Pendekatan historis seperti MIL-HDBK-217, Telcordia SR-332, dan PRISM menggunakan asumsi tingkat kegagalan konstan (Constant Failure Rate, CFR). Meskipun praktis, model ini:

• Tidak mengacu pada penyebab fisik kegagalan.
• Tidak mencerminkan kondisi dunia nyata, seperti wearout akibat tegangan tinggi atau suhu ekstrem.
• Tidak memperhitungkan efek interaksi berbagai mekanisme kerusakan.

Padahal, riset menunjukkan bahwa mekanisme kerusakan seperti elektromigrasi, injeksi carrier panas, dan breakdown dielektrik saling bersaing, bukan berjalan sendiri-sendiri.

Physics-of-Failure (PoF): Membongkar Akar Masalah

Pendekatan PoF memulai dari akar penyebab kegagalan, seperti reaksi kimia, tegangan listrik, dan faktor termal. PoF tidak hanya memodelkan angka kegagalan, tapi juga menjawab:

• Mengapa kerusakan terjadi?
• Bagaimana ia berkembang?
• Di mana titik lemahnya?

Langkah-Langkah PoF:

1. Identifikasi mekanisme dominan (contoh: EM, HCI, TDDB, NBTI).
2. Uji tegangan dan suhu tinggi untuk mempercepat wearout.
3. Model matematis dan distribusi statistik (Weibull, lognormal).
4. Simulasi berbasis waktu (Mean Time-To-Failure / MTTF).

Kasus Nyata: EM, HCI, dan TDDB dalam Dunia Nyata

1. Elektromigrasi (EM)

📌 Apa itu? Perpindahan ion logam akibat arus tinggi.
📌 Model matematis:
t50=A⋅J−n⋅exp⁡(EakT)t_{50} = A \cdot J^{-n} \cdot \exp\left(\frac{E_a}{kT}\right)
📌 Fakta penting:

• EM mendominasi kegagalan interkoneksi aluminium.
• Ukuran kawat makin kecil = densitas arus makin tinggi = masa hidup makin pendek.
• Data: Dengan densitas arus > 10⁶ A/cm², masa pakai turun hingga hitungan bulan jika tidak didesain ulang.

2. Hot Carrier Injection (HCI)

📌 Elektron berenergi tinggi menembus isolator gate → kerusakan MOSFET.
📌 Efek dominan pada CMOS kecepatan tinggi.
📌 Studi Kasus: Model HCI menunjukkan degradasi logaritmik fungsi sirkuit logika dalam 3 tahun operasi di suhu tinggi.

3. Time-Dependent Dielectric Breakdown (TDDB)

📌 Kerusakan isolator gate karena akumulasi tegangan.
📌 Fakta: TDDB adalah penyebab dominan kerusakan SRAM dan ADC.

FaRBS: Simulasi Sirkuit Berbasis Wearout

FaRBS (Failure Rate-Based SPICE) menggabungkan:

• Model fisika kegagalan,
• SPICE,
• Faktor percepatan (suhu, tegangan),
• Model sum-of-failure-rates (SOFR).

Studi Kasus: ADC Reliability

Pada simulasi FaRBS terhadap Analog-to-Digital Converter (ADC) ditemukan bahwa:

• MTTF ADC bisa menurun 30% akibat interaksi EM dan TDDB.
• Simulasi SPICE menunjukkan bahwa penyesuaian tegangan operasi 0.3V lebih rendah meningkatkan keandalan hingga 45%.

MaCRO: Simulasi Keandalan SRAM

MaCRO (Maryland Circuit-Reliability Oriented) mengintegrasikan:

• Model kegagalan HCI, TDDB, NBTI
• Failure Equivalent Circuit
• Simulasi SPICE untuk SRAM

Studi Kasus: SRAM

• Data hasil simulasi:
  • Masa hidup SRAM dengan desain awal: 4.2 tahun
  • Setelah optimalisasi berdasarkan MaCRO: 8.7 tahun
• Langkah penting:
  • Pengaturan ulang parameter gate oxide
  • Derating suhu maksimal dari 125°C ke 105°C

Akurasi Model & Tantangan

Walaupun akurat dan berbasis sains, pendekatan PoF menghadapi beberapa kendala:

• Kompleksitas tinggi → tidak selalu ramah untuk industri kecil.
• Keterbatasan data parameter fisik dari manufaktur → menyulitkan input model.

Namun, alat bantu seperti CADMP-2 dan CALCE mampu menjembatani masalah ini dengan antarmuka pengguna dan basis data parameter material.

Kesimpulan: Menuju Desain Elektronik Masa Depan

Model tradisional mungkin praktis, namun pendekatan Physics-of-Failure menawarkan presisi, kontrol, dan kemampuan prediksi yang jauh lebih unggul, khususnya untuk aplikasi kritikal seperti:

• Antariksa
• Telekomunikasi
• Peralatan medis dan militer

Dengan menggabungkan simulasi PoF (FaRBS & MaCRO), rekayasa desain dapat dilakukan sejak awal pengembangan. Hasilnya?

• Efisiensi biaya jangka panjang
• Pengurangan risiko kerusakan tak terduga
• Optimalisasi jadwal perawatan dan penggantian

Rekomendasi: Siapa Harus Mengadopsi PoF?

Teknologi Power over Fiber (PoF) memiliki tingkat relevansi yang berbeda-beda di setiap industri. Di sektor medis, adopsi PoF menjadi prioritas sangat tinggi karena kebutuhan akan sistem yang bebas interferensi elektromagnetik dan mampu memberikan daya serta data secara aman di lingkungan sensitif. Hal serupa berlaku pada industri antariksa, di mana PoF sangat relevan dan menjadi prioritas utama berkat kemampuannya mendukung sistem ringan, tahan radiasi, dan minim risiko gangguan sinyal. Untuk industri telekomunikasi, PoF juga sangat relevan dan menjadi prioritas tinggi karena mampu menyederhanakan infrastruktur dengan menggabungkan transmisi daya dan data dalam satu jalur. Sementara itu, di sektor otomotif, relevansi PoF tergolong sedang dan mulai mendapat perhatian, terutama untuk aplikasi kendaraan otonom dan sistem elektronik internal. Di sisi lain, pada sektor konsumen (COTS), adopsi PoF masih berada pada tingkat rendah hingga sedang karena pertimbangan biaya dan kompleksitas, meskipun potensinya tetap terbuka untuk pengembangan produk-produk khusus di masa depan.

Sumber Asli Artikel (tanpa hyperlink):
Mark White & Joseph B. Bernstein. Microelectronics Reliability: Physics-of-Failure Based Modeling and Lifetime Evaluation. Jet Propulsion Laboratory, NASA, 2008.

Pengantar: Kenapa Komposit? Kenapa Sekarang?

Dalam upaya global untuk mengurangi emisi karbon, industri otomotif mulai melirik komposit ringan seperti CFRP (Carbon Fibre Reinforced Polymers) sebagai pengganti logam berat. Tapi, tantangan utamanya bukan hanya pada manufaktur—melainkan juga pada kemampuan prediksi keandalan saat tabrakan. Paper karya Thomas Bru (2016) dari Chalmers University ini menawarkan sebuah pendekatan ilmiah dan praktis untuk menjawab tantangan tersebut: bagaimana mengkarakterisasi material komposit agar bisa diandalkan dalam simulasi crash test kendaraan?

Komposit dan Potensi Energi Tersembunyi

CFRP memiliki kemampuan menyerap energi melalui kerusakan progresif yang stabil, sebuah mekanisme yang penting dalam desain struktur penyerap energi seperti crash box di kendaraan. Tidak seperti logam yang hancur secara plastis, komposit menyerap energi lewat mekanisme seperti delaminasi, fragmentasi, dan gesekan antarlapisan.

Dalam paper ini, dijelaskan bahwa Specific Energy Absorption (SEA) dari CFRP bisa mencapai lebih dari 100 kJ/kg, melampaui baja dan aluminium yang hanya berada di kisaran 20–40 kJ/kg. Ini membuka peluang besar untuk merancang kendaraan yang lebih ringan sekaligus lebih aman.

Kenapa NCF? Efisiensi dan Arah Masa Depan

Fokus riset ini adalah pada NCF (Non-Crimp Fabric) — bahan tekstil serat karbon yang murah, mudah diproduksi, dan cocok untuk industri otomotif. Dibandingkan dengan prepreg, NCF memang lebih murah, tapi struktur tekstilnya membuatnya bersifat ortotropik—artinya, ia memiliki sifat mekanik yang berbeda di tiga arah (panjang, lebar, dan ketebalan).

Karena itu, strategi pengujian dan pemodelan khusus sangat diperlukan untuk memprediksi bagaimana bahan ini akan berperilaku saat ditabrak.

Studi Kasus: Tiga Paper, Satu Visi

Paper A: Uji Ketahanan dan Kekakuan NCF

Melibatkan pengujian mekanik menyeluruh termasuk:

• Tegangan tarik dan tekan in-plane
• Tegangan dan modulus arah ketebalan
• Fracture toughness untuk delaminasi dan kerusakan translaminar

🔍 Temuan utama: Benang weft (penjepit serat dalam NCF) menjadi titik awal kegagalan ketika resin ditarik, sehingga mengurangi kekuatan transversal secara signifikan.

Paper B: Uji Geser dengan Metode Iosipescu

Dalam riset ini, shear test dilakukan pada dua bidang utama: 1–2 (in-plane) dan 1–3 (through-thickness). Ditemukan bahwa:

• Sifat geser sangat non-linear, menunjukkan mikroretakan di resin.
• Uji cyclic shear digunakan untuk memetakan kerusakan progresif dan histeresis energi.
• Pemodelan berbasis Continuum Damage Mechanics (CDM) mampu meniru degradasi kekakuan akibat kerusakan.

🔍 Studi ini menekankan pentingnya menangkap gesekan mikroretakan untuk memodelkan absorpsi energi dengan akurat.

Paper C: Metode Uji Baru untuk Crushing Behavior

Berbeda dari metode konvensional seperti uji tabung berlapis, Paper C mengembangkan metode uji tekan pada spesimen datar dengan penyangga lateral. Hasilnya:

• Failure mode tergantung pada geometri pemicu: bevel trigger cenderung menghasilkan splaying, sedangkan trigger khusus mendorong fragmentasi, yang lebih efisien dalam menyerap energi.
• NCF mesostructure (benang weft yang menggumpal) mempercepat delaminasi dan mengarahkan spesimen ke splaying mode.

🔍 Temuan: Trigger design sangat mempengaruhi mode kegagalan dan nilai crushing stress yang bisa dijadikan input model FE.

Simulasi Numerik: Dua Pendekatan, Satu Tujuan

1. Kalibrasi Model FE (seperti MAT54 di LS-DYNA): cepat tapi tidak sepenuhnya fisik.
2. Model Fisik Berbasis Fenomena: memerlukan input eksperimental akurat, tapi mampu memprediksi kerusakan secara realistis.

Penulis mendukung pendekatan kedua, yang menggabungkan:

• Model elastik + kriteria kegagalan + model pasca-kegagalan
• Validasi melalui uji tekanan longitudinal dan transversal
• Evaluasi akurasi FE berdasarkan kontrol progresi kerusakan dan gesekan

Kritik & Opini: Kejelasan, Ketelitian, dan Relevansi Industri

Kekuatan utama paper ini ada pada:

• Detail eksperimen yang kaya dan transparan
• Penggabungan analisis numerik dan empiris
• Fokus pada material murah dan scalable seperti NCF, yang sangat relevan untuk otomotif massal

Namun, masih ada celah riset yang belum ditutup:

• Efek strain-rate belum dijelaskan tuntas (kondisi dinamis vs kuasi-statis)
• Data koefisien gesek antar lapisan komposit masih sangat terbatas
• Uji geser 2–3 arah butuh pendekatan alternatif

Kesimpulan: Menuju Kendaraan Ringan dan Aman

Riset ini membawa kita selangkah lebih dekat menuju prediksi akurat crashworthiness struktur komposit. Dengan karakterisasi lengkap NCF dan pengembangan metode uji baru, kita bisa menciptakan model numerik yang tidak hanya akurat, tetapi juga realistis, efisien, dan siap diadopsi industri. Untuk masa depan kendaraan ringan dan aman, data akurat dan model fisik berbasis mekanisme kerusakan adalah kuncinya.

Sumber Asli : Thomas Bru. Behaviour and material properties of composites for crash modelling. Chalmers University of Technology, 2016.

Dalam era Industri 4.0, produktivitas dan efisiensi mesin industri sangat tergantung pada kemampuan untuk mendeteksi gangguan sebelum berdampak besar. Salah satu pendekatan paling menjanjikan untuk tujuan ini adalah analisis multivariate time series menggunakan metode anomaly detection berbasis deep learning.

Penelitian oleh Nicola Bee dari Università degli Studi di Padova menyajikan studi kasus nyata yang melibatkan mesin pengisi produk susu, dengan fokus pada modul cap applicator. Dalam proyek ini, digunakan Temporal Fusion Transformer (TFT)—model deep learning terkini—untuk mendeteksi anomali berdasarkan prediksi perilaku sinyal mesin secara real-time.

Mengapa Deteksi Anomali Penting di Dunia Industri?

Tantangan:

• Mesin beroperasi dengan pola berulang namun kompleks
• Sensor menghasilkan data multivariat dalam jumlah besar
• Banyak dataset tidak memiliki label anomali
• Definisi anomali sering bersifat kontekstual dan ambigu

Dampak positif deteksi anomali:

• Mencegah downtime tak terduga
• Mengurangi biaya perawatan
• Meningkatkan keselamatan kerja
• Menjamin kualitas produk yang konsisten

Kasus Nyata: Mesin Pengisi Susu dengan Modul Cap Applicator

Deskripsi Mesin:

• Digunakan untuk mengisi karton aseptik dengan produk cair (susu, telur, detergen)
• Memiliki proses cap sealing berbasis ultrasound
• Sensor mencatat sinyal seperti:
  • PVWE (energi las)
  • PVCP (daya las)
  • PVCF (frekuensi sonotrode)
  • ST (status operasi)
  • RA (kode resep)

Tujuan Penelitian:

Membangun model deep learning yang mampu:

• Mendeteksi anomali tanpa label eksplisit
• Mengakomodasi berbagai variasi mesin dan konfigurasi resep
• Beroperasi pada data real dari cloud industri

Model Deep Learning yang Digunakan: Temporal Fusion Transformer (TFT)

Mengapa TFT?

• Mampu menangani data time series multivariat
• Mendukung input:
  • Past variables
  • Future inputs
  • Static metadata
• Dilengkapi dengan:
  • Variable Selection Network
  • Gated Residual Network (GRN)
  • Multi-head interpretable attention
  • Probabilistic forecasting (quantile)

Keunggulan TFT:

• Akurat dalam prediksi multi-horizon
• Memberikan penjelasan variabel paling penting
• Mendukung pengayaan statis untuk prediksi yang lebih baik

Proses Eksperimen dan Implementasi

1. Akuisisi Data

• Data dikumpulkan dari sistem IoTmelalui InfluxDB dan MongoDB
• Sinyal diambil dari ratusan mesin, tiap mesin bisa memiliki 1 atau 2 jalur produksi
• Data memiliki format tidak seragam akibat perbedaan model mesin dan resep pelanggan

2. Preprocessing

• Konversi bit dari sinyal status (ST)
• Normalisasi dan rekonsiliasi variabel dari jalur A dan B
• Eliminasi noise dan interpolasi data hilang

3. Pelatihan Model

• Dataset dipecah menjadi segmen temporer
• Model TFT dilatih untuk memprediksi sinyal
• Anomali = deviasi signifikan antara prediksi dan nilai aktual

Evaluasi Hasil: TFT vs Model Lain

Dalam evaluasi terhadap berbagai model deteksi anomali, Temporal Fusion Transformer (TFT) menunjukkan performa paling unggul dibandingkan pendekatan lainnya. Model ini mencatat akurasi tertinggi dalam mengidentifikasi beragam jenis anomali, termasuk point anomalies (outlier individual), contextual anomalies (anomali yang hanya terlihat dalam konteks tertentu), collective anomalies (anomali yang muncul sebagai pola dalam kelompok data), serta series anomalies (anomali yang berkaitan dengan hubungan antar-sinyal dalam urutan waktu). Dibandingkan dengan model seperti Z-Score yang meski sederhana namun kurang akurat, atau Isolation Forest yang lebih scalable tapi terbatas pada analisis multivariat, TFT unggul dalam fleksibilitas dan interpretabilitas. Bahkan dibandingkan LSTM Recurrent Neural Network yang sudah terkenal handal dalam menangani data berurutan, TFT tetap unggul dengan kombinasi kekuatan prediksi yang tinggi serta kemampuan menjelaskan keputusan model melalui fitur-fitur interpretatif. Keunggulan ini menjadikan TFT sebagai pilihan utama dalam sistem deteksi anomali modern, khususnya untuk aplikasi kompleks seperti maintenance prediktif dan pengawasan sistem real-time.

Studi Kasus Anomali Nyata

1. Lonjakan Energi Las (PVWE)

• Terjadi lonjakan mendadak 40% dibanding rata-rata
• Tidak terdeteksi oleh sistem alarm tradisional
• Terdeteksi sebagai anomali oleh TFT

2. Fluktuasi Frekuensi Sonotrode (PVCF)

• Anomali kolektif selama 2 menit
• Dipicu oleh keausan transduser
• TFT mendeteksi deviasi jangka panjang ini

3. Perubahan Konfigurasi Resep Mendadak

• Perubahan ID resep menyebabkan pola sinyal berubah
• Anomali ini sempat menjadi false positive, hingga model diperbaiki dengan static metadata awareness

Tantangan Teknis dan Solusi

Tantangan:

• Dataset besar dan tidak bersih
• Produksi tidak stabil (durasi produksi tidak konsisten)
• Mesin-mesin berbeda struktur dan konfigurasi
• Alarm tidak selalu selaras dengan anomali sinyal

Solusi:

• Model universal tanpa ketergantungan pada mesin tertentu
• Deteksi tanpa label (unsupervised)
• Pemilihan variabel otomatis oleh model
• Interpretabilitas tinggi untuk validasi oleh teknisi

Rekomendasi Praktis untuk Industri

Bagi perusahaan manufaktur:

• Implementasikan sensor real-time dan cloud storage
• Gunakan model TFT untuk prediksi dan perawatan prediktif
• Terapkan proses visualisasi anomali untuk tim operasional

Untuk pengembang AI industri:

• Kembangkan model dengan generalitas tinggi
• Lakukan training dengan beragam data mesin dan konfigurasi
• Perhatikan variabilitas antar pelanggan (resep & model mesin)

Kesimpulan: TFT sebagai Masa Depan Keandalan Industri

Penelitian ini membuktikan bahwa Temporal Fusion Transformer adalah solusi paling kuat untuk deteksi anomali mesin industri berbasis multivariate time series. Tidak hanya memberikan akurasi tinggi, model ini juga mampu menjelaskan mengapa suatu anomali terjadi, memberikan insight penting untuk perbaikan preventif. Dengan pendekatan ini, dunia industri dapat bergerak menuju maintenance berbasis data, menurunkan risiko kerusakan mendadak, dan meningkatkan efisiensi sistem secara menyeluruh.

Sumber Asli: Nicola Bee. Anomaly Detection of Multivariate Time Series for Industrial Machinery. Master Thesis, Università degli Studi di Padova, 2024.

Industri elektronik saat ini menghadapi tantangan besar: bagaimana menjamin keandalan sistem yang semakin kompleks, sensitif, dan beroperasi dalam berbagai lingkungan ekstrem? Jawabannya ada pada pendekatan Prognostics and Health Management (PHM) berbasis Physics-of-Failure (PoF) yang dikembangkan oleh CALCE (Center for Advanced Life Cycle Engineering), University of Maryland.

Artikel ini merangkum secara mendalam bagaimana pendekatan PoF diterapkan, manfaat nyatanya di berbagai sektor industri, serta bagaimana integrasinya dengan teknologi data-driven dan AI membentuk masa depan prediksi kerusakan elektronik.

Mengapa Harus Beralih ke Prognostik Berbasis PoF?

Kelemahan Pendekatan Tradisional:

• Mengandalkan data statistik umur kegagalan (seperti MIL-HDBK-217)
• Tidak mempertimbangkan kondisi lingkungan nyata
• Tidak mampu memberikan prediksi waktu nyata terhadap kondisi komponen

Pendekatan PoF:

• Berdasarkan pemahaman mekanisme kerusakan fisik pada level material
• Menggabungkan model fisika dengan data sensor in-situ
• Memberikan prediksi yang dinamis, akurat, dan berbasis realita

CALCE dan Visi Besar PHM Elektronik

CALCE didirikan sebagai pusat keunggulan untuk sistem keandalan elektronik, dengan lebih dari 150 mitra industri global dan dukungan ratusan peneliti.

Fokus mereka adalah:

• Pengembangan sensor ePrognostics
• Pemodelan keausan komponen seperti solder, wire bond, kapasitor
• Analisis data dan algoritma pembelajaran mesin
• Implementasi PHM untuk militer, luar angkasa, kendaraan, dan konsumer

Physics-of-Failure: Landasan Dasar Keandalan Sistem

Apa itu PoF?

Metodologi yang menghubungkan konfigurasi perangkat, beban siklus hidup, dan mekanisme kerusakan aktual untuk memprediksi dan memperpanjang masa pakai sistem elektronik.

Komponen Analisis PoF:

1. Identifikasi profil siklus hidup (thermal, mekanik, listrik)
2. Analisis stres material dan transformasi beban
3. Pemodelan kerusakan dan estimasi waktu ke kegagalan
4. Integrasi ke dalam sistem desain, manufaktur, dan logistik

Contoh Kasus: Kegagalan pada Inverter Daya

Elemen Kritis:

• Wirebond: mengalami fatigue akibat power cycling
• Die attach: mengalami fracture akibat thermal cycling
• Substrat DBC: delaminasi antara keramik dan tembaga

Mekanisme Kegagalan:

• Cracking, electromigration, solder fatigue, corrosion
• Failure mode disebabkan oleh vibrasi, suhu tinggi, dan kelembaban

FMMEA (Failure Modes, Mechanisms, and Effects Analysis): Contoh SMPS

FMMEA (Failure Modes, Mechanisms, and Effects Analysis) pada Switch Mode Power Supply (SMPS) bertujuan untuk mengidentifikasi potensi kegagalan komponen dan menganalisis mekanisme serta dampaknya terhadap kinerja keseluruhan sistem. Berikut adalah contoh analisis FMMEA untuk beberapa komponen SMPS:

1. Kapasitor: Salah satu mode kegagalan yang umum adalah penurunan kapasitansi, yang disebabkan oleh penuaan elektrolit dalam kapasitor. Proses penuaan ini termasuk dalam kategori wearout dan memiliki risiko tinggi, karena dapat menyebabkan ketidakstabilan tegangan dan gangguan pada kinerja SMPS.
2. Dioda: Mode kegagalan pada dioda dapat berupa hubung singkat, yang disebabkan oleh migrasi kontak internal. Ini adalah kegagalan yang terjadi seiring penggunaan, termasuk dalam kategori wearout, dan memiliki tingkat risiko tinggi karena dapat menyebabkan kerusakan sistem secara keseluruhan jika tidak terdeteksi.
3. MOSFET: Breakdown pada gate oxide MOSFET, yang merupakan hasil dari dielectric breakdown, adalah mode kegagalan yang sering terjadi pada perangkat semikonduktor ini. Kerusakan ini juga tergolong wearout dan memiliki risiko tinggi, karena MOSFET sangat penting dalam mengatur aliran daya di dalam SMPS.
4. IC: Pada IC, mode kegagalan yang mungkin terjadi adalah putusnya wirebond, yang disebabkan oleh kelelahan termal akibat fluktuasi suhu. Meskipun kerusakan ini tergolong dalam kategori wearout, tingkat risikonya lebih sedang dibandingkan dengan komponen lainnya.
5. PCB: Mode kegagalan pada PCB dapat berupa short circuit, yang disebabkan oleh filamen konduktif yang terbentuk akibat keausan atau kerusakan isolasi. Meskipun kegagalan ini tergolong wearout, tingkat risikonya lebih rendah dibandingkan dengan komponen-komponen aktif seperti kapasitor atau MOSFET, meskipun tetap dapat memengaruhi fungsionalitas SMPS.

Dengan melakukan FMMEA, kita dapat memahami lebih baik potensi risiko dan mengimplementasikan strategi pemeliharaan atau desain ulang untuk meningkatkan keandalan SMPS dan meminimalkan dampak kegagalan.

Studi Kasus: NASA Solid Rocket Booster (SRB)

• Umur desain: 20 tahun
• Data diambil: getaran selama peluncuran hingga pendaratan
• Hasil: Komponen elektronik masih sehat dan dapat digunakan hingga 40 misi lagi
• Metode: Kombinasi sensor, analisis beban, dan model PoF untuk evaluasi kerusakan kumulatif

Pendekatan Data-Driven & Fusion Prognostics

Selain PoF, CALCE menggabungkan machine learning dan AI untuk deteksi anomali:

Data-Driven Prognostics:

• Membentuk profil sehat
• Menghitung residual dari data aktual
• Melakukan analisis tren terhadap penyimpangan

Fusion Prognostics:

• Kombinasi PoF dan algoritma data
• Digunakan dalam uji percepatan dan alarm dini
• Memberikan estimasi sisa umur secara real-time

Implementasi & Manfaat PHM dalam Industri

Manfaat Utama:

• Peringatan dini sebelum kerusakan terjadi
• Perpanjangan garansi berdasarkan data aktual
• Deteksi fault efisien
• Perawatan prediktif
• Optimasi desain berdasarkan data kerusakan lapangan

Sektor Penerapan:

• Militer: Prognostik wajib sejak 2003
• Semikonduktor: Masuk dalam roadmap ITRS sejak 2007
• Konsumen: Laptop, LED, kipas pendingin, dan lainnya

Model Kerusakan: Tinjauan Singkat

Model kerusakan dalam keandalan produk elektronika mencakup berbagai mekanisme yang terjadi pada lokasi dan model yang berbeda, masing-masing dipengaruhi oleh jenis beban tertentu. Berikut adalah tinjauan singkat mengenai beberapa model kerusakan utama:

1. Fatigue solder (PCB, PTH): Kerusakan akibat kelelahan pada solder biasanya terjadi pada PCB (Printed Circuit Board) dan PTH (Plated Through Hole). Model yang digunakan untuk menganalisis kerusakan ini adalah Coffin–Manson, yang berfokus pada pengaruh siklus termal terhadap solder. Beban terkait dengan fenomena ini adalah thermal cycle atau perubahan suhu yang berulang, yang menyebabkan keausan material solder seiring waktu.
2. Elektromigrasi (Interkoneksi): Elektromigrasi terjadi pada interkoneksi logam (misalnya, kabel atau jalur PCB), di mana arus listrik yang melewati material menyebabkan pergerakan atom, yang dapat merusak struktur interkoneksi. Model yang digunakan untuk memodelkan kerusakan ini adalah Black/Eyring, yang memperhitungkan pengaruh arus dan suhu terhadap laju kerusakan. Beban terkait adalah arus yang melewati interkoneksi dan suhu yang tinggi, yang mempercepat proses degradasi.
3. Korosi (Permukaan): Korosi pada permukaan komponen elektronik disebabkan oleh kelembaban dan kontaminasi lingkungan, yang dapat merusak lapisan pelindung dan struktur material. Model yang sering digunakan untuk fenomena ini adalah Eyring, yang memperhitungkan faktor lingkungan dalam memperkirakan kecepatan korosi. Beban terkait adalah kelembaban dan kontaminasi, yang mempengaruhi laju korosi pada permukaan komponen.
4. Cracking (Substrat): Retak pada substrat komponen elektronik umumnya disebabkan oleh beban mekanik, seperti tekanan fisik atau tegangan termal. Model yang digunakan untuk memprediksi kerusakan ini adalah Paris Law, yang menggambarkan hubungan antara panjang retakan dan siklus pembebanan. Beban terkait dengan cracking adalah beban mekanik yang menyebabkan keretakan dan deformasi pada substrat.

Dengan pemahaman tentang mekanisme dan model-model kerusakan ini, kita dapat mengoptimalkan desain dan perawatan produk elektronik untuk meningkatkan keandalannya dan memperpanjang masa pakai produk.

Riset Berjalan oleh CALCE: Fokus Teknologi Masa Depan

Komponen:

• Evaluasi degradasi Multilayer Ceramic Capacitors (MLCCs)
• Prediksi keausan solder, resistor, dan PCB

Sistem:

• Prognostik pada laptop, kendaraan militer, produk aging
• Analisis data lapangan untuk sistem returned electronics
• Model ROI PHM untuk pembenaran bisnis

Kesimpulan: Strategi Terbaik Menuju Produk Elektronik yang Andal dan Tahan Lama

Pendekatan PoF yang dikombinasikan dengan data-driven prognostics menjadi solusi paling menjanjikan untuk meramalkan, mencegah, dan mengelola kerusakan elektronik di era digital ini. Dengan manfaat yang sudah terbukti—mulai dari misi luar angkasa hingga perangkat harian—PHM adalah investasi masa depan dalam keandalan dan efisiensi sistem.

Untuk sektor industri apa pun yang mengandalkan elektronik, PHM bukan lagi pilihan—ini adalah kebutuhan.

Sumber : Diganta Das. Technology Advances to Improve Reliability – A Broad View. Center for Advanced Life Cycle Engineering (CALCE), University of Maryland, 2011.