Physics of Failure Modeling
Dipublikasikan oleh Dewi Sulistiowati pada 15 April 2025
Pendahuluan: MEMS dan Tantangan Keandalan di Luar Angkasa
Microelectromechanical Systems (MEMS) telah merevolusi banyak sektor teknologi karena keunggulan mereka yang ringan, hemat energi, dan sangat terintegrasi. Di industri luar angkasa, perangkat ini berpotensi besar digunakan dalam sistem komunikasi, navigasi, dan pemantauan lingkungan. Namun, lingkungan ruang angkasa menghadirkan tantangan ekstrem: vakum, fluktuasi suhu yang tajam, dan paparan radiasi.
Karena itu, penting untuk memastikan keandalan MEMS melalui pendekatan pengujian yang efisien. Artikel ini membahas bagaimana metodologi Physics of Failure (PoF) dikombinasikan dengan simulasi berbasis model perilaku dapat menjadi solusi efisien dalam menilai dan meningkatkan keandalan perangkat MEMS—terutama saat pengujian fisik sulit dilakukan.
Physics of Failure dan Pentingnya Simulasi Perilaku
Physics of Failure (PoF) adalah pendekatan berbasis hukum fisika yang digunakan untuk menganalisis mekanisme kegagalan perangkat. Metodologi ini memungkinkan insinyur:
Namun, untuk diterapkan pada sistem yang kompleks seperti MEMS, diperlukan model perilaku (behavioral models). Model ini menyederhanakan kompleksitas fisik menjadi hubungan matematis antar parameter fungsional, memungkinkan simulasi cepat pada level sistem tanpa kehilangan akurasi signifikan.
Tiga Pilar Simulasi PoF untuk MEMS
Studi Kasus: Switch RF dalam Kondisi Ekstrem
Deskripsi Teknologi
Switch RF kapasitif paralel dikembangkan oleh LAAS-CNRS. Strukturnya terdiri dari:
1. Perilaku Gap terhadap Suhu
Persamaan kunci:
d2θds2=PEIsinθ\frac{d^2 \theta}{ds^2} = \frac{P}{EI} \sin \theta
P=EAα(T−Tref)P = EA\alpha(T - T_{ref})
2. Tegangan Aktuasi (Pull-in Voltage) terhadap Suhu
Efek Iradiasi pada Performa Switch
Pengujian Iradiasi:
Hasil:
Analisis:
ΔV=Qr⋅d2ε0εr\Delta V = \frac{Qr \cdot d}{2\varepsilon_0\varepsilon_r}
Kelebihan Model Perilaku untuk Simulasi MEMS
Tantangan dan Arahan Penelitian Masa Depan
Tantangan:
Arah Penelitian:
Kesimpulan
Dengan meningkatnya penggunaan MEMS dalam sistem kritis seperti luar angkasa, keandalan menjadi faktor kunci. Pendekatan Physics of Failure yang digabungkan dengan model perilaku menawarkan solusi realistis, efisien, dan dapat diintegrasikan ke dalam proses desain awal.
Studi kasus switch RF membuktikan bahwa:
Sumber : Schmitt, P., Pressecq, F., Lafontan, X., Pons, P., Nicot, J.M., Oudea, C., Estève, D., Camon, H., Fourniols, J.Y. MEMS Behavioral Simulation: A Potential Use for Physics of Failure (PoF) Modeling.
Physics of Failure Modeling
Dipublikasikan oleh Dewi Sulistiowati pada 15 April 2025
Pendahuluan
Produk berkelanjutan seperti kendaraan listrik dan inverter surya memerlukan uji ketahanan jangka panjang untuk memastikan performa dan keamanan. Namun, pengujian ini membutuhkan waktu dan biaya tinggi. Solusi yang populer adalah Accelerated Life Testing (ALT), yang mensimulasikan kondisi ekstrem untuk mempercepat kegagalan produk. Tapi banyak penelitian hanya mempertimbangkan satu tegangan (stress) secara independen, tanpa memperhitungkan interaksi antar tegangan yang bisa menyebabkan hasil pengujian tidak akurat.
Artikel ini menawarkan pendekatan baru: perencanaan ALT berbasis interaksi multi-stress yang dimodelkan menggunakan Particle Swarm Optimization (PSO)—sebuah algoritma optimasi inspirasi perilaku kawanan burung.
Latar Belakang: Kelemahan Perencanaan ALT Konvensional
Kebanyakan model ALT mengasumsikan bahwa parameter distribusi waktu gagal produk bersifat independen. Namun kenyataannya, interaksi antara suhu, arus, dan tekanan mekanik bisa mengubah karakteristik kegagalan. Studi ini membandingkan dua pendekatan:
Perbandingan ini dilakukan untuk mendapatkan rencana uji optimal yang dapat meminimalkan variabilitas estimasi dan memaksimalkan presisi prediksi masa pakai.
Metodologi
Langkah 1: Pengumpulan Data Eksperimen Awal
Eksperimen dilakukan pada sambungan solder dengan 3 tegangan utama:
Dari kombinasi 3 tegangan tersebut, diperoleh 7 skenario pengujian (SC1–SC7) dengan hasil waktu rata-rata hingga kegagalan (Average Time to Failure/ATF) antara 8 menit hingga 31.444 menit.
Langkah 2: Simulasi Data Gagal Palsu (Pseudo-Time-to-Failure)
Digunakan Monte Carlo Simulation untuk menghasilkan 50 data gagal buatan per skenario berdasarkan ATF yang diperoleh.
Langkah 3: Estimasi Parameter Model Menggunakan PSO
Model ALT dibangun dalam dua versi:
Parameter seperti γ₁ dan γ₂ merepresentasikan sensitivitas terhadap masing-masing tegangan. Model Weibull digunakan sebagai dasar distribusi kegagalan. Nilai parameter dikodekan sebagai partikel dalam PSO, dan nilai fitness diukur menggunakan log-likelihood function.
Hasil PSO menunjukkan bahwa model tanpa interaksi konvergen dalam 48 iterasi, sementara model dengan interaksi membutuhkan hingga 205 iterasi karena jumlah parameter lebih banyak.
Studi Kasus: Perencanaan ALT untuk Sambungan Solder
Desain Eksperimen: Latin Hypercube Design (LHD)
Dua desain LHD diuji:
Optimasi Rencana Uji (ALT Planning)
Langkah optimasi menggunakan kembali PSO tahap kedua untuk:
Kriteria optimasi yang digunakan adalah D-Optimality, yaitu memaksimalkan determinan dari Fisher Information Matrix (FIM) untuk menghasilkan estimasi parameter yang paling presisi.
Hasil Perencanaan ALT
Verifikasi Interaksi Tegangan: Mengapa Ini Penting
Grafik interaksi respons (GRA) menunjukkan bahwa kurva respons antara dua tegangan saling berpotongan—menandakan interaksi yang signifikan. Jika ini diabaikan, prediksi umur produk dapat bias atau tidak realistis.
Contoh nyata: Jika hanya suhu dan arus yang diuji tanpa mempertimbangkan interaksi dengan tegangan mekanik, umur produk bisa diprediksi jauh lebih lama dari kenyataannya—membahayakan konsumen atau pengguna industri.
Keunggulan Pendekatan PSO dengan Interaksi
Kritik dan Batasan
Namun, pendekatan ini ideal untuk produk-produk bernilai tinggi dan berskala besar, seperti:
Kesimpulan
Model ALT dengan mempertimbangkan interaksi tegangan memberikan kerangka kerja kuantitatif yang unggul dibanding metode tradisional. Dengan dukungan algoritma Particle Swarm Optimization, pendekatan ini menghasilkan perencanaan pengujian yang:
Bagi industri yang ingin meningkatkan keandalan produk tanpa membuang sumber daya, model ini adalah masa depan dari Accelerated Life Testing.
Sumber : Okafor, E.G., Vinson, W., & Huitink, D.R. Effect of Stress Interaction on Multi-Stress Accelerated Life Test Plan: Assessment Based on Particle Swarm Optimization. Sustainability 2023, 15, 3451.