Pemeliharaan prediktif dibangun di atas pemantauan berbasis kondisi untuk mengoptimalkan kinerja dan masa pakai peralatan dengan terus menilai kesehatannya secara real time.
Dengan mengumpulkan data dari sensor dan menerapkan alat dan proses analitik canggih seperti machine learning (ML). Pemeliharaan prediktif dapat mengidentifikasi, mendeteksi, dan mengatasi masalah saat terjadi, serta memprediksi potensi kondisi peralatan di masa depan, sehingga mengurangi risiko. Kuncinya adalah memberikan informasi yang tepat pada waktu yang tepat kepada orang yang tepat.
Pemeliharaan prediktif vs pemeliharaan preventif
Strategi dan kematangan pemeliharaan bergantung pada faktor-faktor seperti aset dan biaya penggantian, kekritisan aset, pola penggunaan, dan dampak kegagalan terhadap keselamatan, lingkungan, operasi, keuangan, dan citra publik. Pemeliharaan prediktif adalah salah satu dari tiga strategi pemeliharaan utama yang digunakan oleh bisnis. Yang lainnya adalah pemeliharaan reaktif, yang memperbaiki kegagalan saat terjadi, dan pemeliharaan preventif, yang mengandalkan jadwal pemeliharaan yang telah ditentukan untuk mengidentifikasi kesalahan.
Karena pemeliharaan prediktif bersifat proaktif, maka pemeliharaan ini meningkatkan pemeliharaan preventif dengan memberikan wawasan yang berkesinambungan tentang kondisi aktual peralatan. Daripada mengandalkan kondisi peralatan yang diharapkan berdasarkan garis dasar historis. Dengan pemeliharaan prediktif, pemeliharaan korektif hanya dilakukan hanya ketika ada kebutuhan untuk melakukannya, dan dengan demikian menghindari timbulnya biaya pemeliharaan yang tidak perlu dan waktu henti alat berat.
Pemeliharaan prediktif menggunakan data historis dan kegagalan seri waktu untuk memprediksi potensi kesehatan peralatan di masa depan sehingga dapat mengantisipasi masalah sebelumnya. Hal ini memungkinkan perusahaan untuk mengoptimalkan penjadwalan pemeliharaan dan meningkatkan keandalan.
Pemeliharaan prediktif juga berbeda dengan pemeliharaan preventif dalam hal keragaman dan luasnya data waktu nyata yang digunakan dalam memantau peralatan. Berbagai teknik pemantauan kondisi seperti suara (akustik ultrasonik), suhu (termal), pelumasan (oli, cairan), dan analisis getaran dapat mengidentifikasi anomali dan memberikan peringatan dini tentang potensi masalah. Suhu yang meningkat pada suatu komponen, misalnya, dapat mengindikasikan penyumbatan aliran udara atau keausan. Getaran yang tidak biasa dapat mengindikasikan ketidaksejajaran komponen yang bergerak. Perubahan suara dapat memberikan peringatan dini akan adanya kerusakan yang tidak dapat ditangkap oleh telinga manusia.
Playbook
Pertajam Keunggulan Kompetitif Manufaktur Anda Dengan Manajemen Aset yang Lebih Cerdas
Pelajari bagaimana perangkat pendeteksi generasi berikutnya mengubah layanan manajemen aset dari rezim pemeliharaan rutin menjadi proses prediktif yang didukung oleh AI.
Bagaimana cara kerja pemeliharaan prediktif?
Pemeliharaan prediktif mengandalkan berbagai teknologi termasuk Internet of Things (IoT), analisis prediktif, dan kecerdasan buatan (AI). Sensor yang terhubung mengumpulkan data dari aset seperti mesin dan peralatan. Data ini dikumpulkan di tepi atau di cloud dalam manajemen aset perusahaan (EAM) yang mendukung AI atau sistem manajemen pemeliharaan terkomputerisasi (CMMS). AI dan pembelajaran mesin digunakan untuk menganalisis data secara real time untuk membangun gambaran kondisi peralatan saat ini. Setelah itu, memicu peringatan jika ada potensi kerusakan yang teridentifikasi dan mengirimkannya ke tim pemeliharaan.
Selain memberikan peringatan kerusakan, kemajuan dalam algoritme pembelajaran mesin memungkinkan solusi pemeliharaan prediktif untuk membuat prediksi tentang kondisi peralatan di masa depan. Hal ini dapat digunakan untuk mendorong efisiensi yang lebih besar dalam alur kerja dan proses yang terkait dengan pemeliharaan, seperti penjadwalan pesanan kerja tepat waktu dan rantai pasokan tenaga kerja dan suku cadang. Selain itu, semakin banyak data yang dikumpulkan, semakin banyak wawasan yang dihasilkan dan semakin baik prediksinya. Hal ini memberikan keyakinan kepada bisnis bahwa peralatan bekerja secara optimal.
Manfaat pemeliharaan prediktif
Manfaat dari strategi pemeliharaan prediktif berpusat pada antisipasi kesalahan dan kegagalan peralatan, mengurangi biaya pemeliharaan dan pengoperasian dengan mengoptimalkan waktu dan sumber daya, serta meningkatkan kinerja dan keandalan peralatan. Deloitte melaporkan pada tahun 2022 bahwa pemeliharaan prediktif dapat menghasilkan pengurangan waktu henti fasilitas sebesar 5-15% dan peningkatan produktivitas tenaga kerja sebesar 5-20%.1 Pemeliharaan prediktif juga memiliki dampak yang menguntungkan bagi keberlanjutan operasional dengan meminimalkan penggunaan energi dan pemborosan.
Mengoptimalkan kinerja aset dan waktu kerja dapat mengurangi biaya. Peringatan dini terhadap potensi kerusakan menghasilkan lebih sedikit kerusakan serta mengurangi pemeliharaan terencana atau waktu henti yang tidak direncanakan. Visibilitas kondisi kontinu yang lebih besar meningkatkan keandalan dan daya tahan peralatan seumur hidup. Penggunaan AI dapat meramalkan operasi di masa depan dengan lebih akurat. Manfaat terakhir ini sangat penting di dunia di mana kenaikan harga dan peristiwa yang tidak dapat diprediksi seperti pandemi dan bencana alam terkait iklim membuat kebutuhan akan inventaris suku cadang dan biaya tenaga kerja yang lebih dapat diprediksi serta dampak lingkungan yang lebih rendah dari operasi.
Produktivitas dapat ditingkatkan dengan mengurangi operasi pemeliharaan yang tidak efisien. Memungkinkan respons yang lebih cepat terhadap masalah melalui alur kerja dan otomatisasi yang cerdas, serta melengkapi teknisi, ilmuwan data, dan karyawan di seluruh rantai nilai dengan data yang lebih baik untuk mengambil keputusan. Hasilnya adalah metrik yang lebih baik seperti waktu rata-rata antara kegagalan (MTBF) dan waktu rata-rata untuk perbaikan (MTTR), kondisi kerja yang lebih aman bagi karyawan, serta peningkatan pendapatan dan profitabilitas.
Tantangan pemeliharaan prediktif
Ada beberapa hambatan dalam pemeliharaan prediktif, yang bisa jadi mahal, setidaknya pada awalnya.
Infrastruktur sistem: biaya awal yang terkait dengan kompleksitas strategi yang tinggi. Hal ini sering kali melibatkan peningkatan dan pengintegrasian teknologi yang sudah ketinggalan zaman dan sistem pemantauan serta investasi dalam alat pemeliharaan dan manajemen data serta infrastruktur data dan sistem.
Pelatihan tenaga kerja: melatih tenaga kerja untuk menggunakan alat dan proses baru serta menginterpretasikan data dengan benar bisa jadi mahal dan memakan waktu.
Kebutuhan data: masa lalu adalah prediktor kinerja masa depan. Agar pemeliharaan prediktif menjadi efektif, ketersediaan data historis dan kegagalan (atau proksi) dalam jumlah besar sangat penting. Kemampuan untuk melihat korelasi data dan analogi dengan jenis peralatan serupa dalam kondisi operasi fisik juga penting dan juga dapat membantu meningkatkan sifat prediktif analitik.
Menilai kekritisan dan biaya kegagalan aset individu juga membutuhkan waktu dan uang. Namun, hal ini sangat penting dalam menentukan apakah pemeliharaan prediktif sesuai - aset berbiaya rendah dengan suku cadang murah yang mudah didapat mungkin akan lebih baik dilayani dengan strategi pemeliharaan lainnya. Program pemeliharaan prediktif memang sulit, namun keuntungan kompetitif dan finansial dari strategi yang dijalankan dengan baik sangatlah signifikan.
Kasus penggunaan industri
Teknologi pemeliharaan prediktif telah diadopsi di berbagai industri untuk banyak aset, baik itu cash point, turbin angin, penukar panas, atau robot manufaktur. Industri padat aset seperti Energi, Manufaktur, Telekomunikasi, dan Transportasi, di mana kegagalan peralatan yang tidak terduga dapat menimbulkan konsekuensi yang luas, semakin beralih ke teknologi canggih untuk meningkatkan keandalan peralatan dan produktivitas tenaga kerja. Potensi penggunaannya sangat banyak dan beragam:
Energi
Pemadaman listrik dapat membuat perusahaan energi harus membayar jutaan dolar sebagai kompensasi dan dapat membuat pelanggan berpindah penyedia layanan.
Manufaktur
Kegagalan peralatan dan waktu henti yang tidak direncanakan dapat secara signifikan meningkatkan biaya unit dan menciptakan gangguan rantai pasokan.
Telekomunikasi
Memperbaiki kesalahan jaringan telekomunikasi dengan cepat sangat penting dalam meningkatkan kualitas layanan - bahkan pemadaman jaringan yang kecil pun dapat berdampak pada sejumlah besar pelanggan.
Perkeretaapian
Mengidentifikasi titik-titik atau kerusakan rem atau deformasi jalur dapat mencegah gangguan layanan dan memastikan keselamatan penumpang.
Infrastruktur sipil
Kemampuan untuk menilai integritas struktural dengan lebih baik selama siklus inspeksi membantu mengurangi gangguan ekonomi dan masalah keselamatan.
Pertahanan
Keselamatan helikopter militer dapat ditingkatkan melalui peringatan dini terhadap potensi kegagalan yang berpotensi menimbulkan bencana, misalnya, pada rotor.
Masa depan pemeliharaan prediktif
Penemuan teknik pemeliharaan prediktif sebagian besar dikaitkan dengan CH Waddington pada Perang Dunia kedua. Dia memperhatikan bahwa pemeliharaan preventif yang direncanakan tampaknya menyebabkan kegagalan yang tidak direncanakan pada pesawat pengebom.2 Hal ini menyebabkan kemunculan dan pengembangan pemeliharaan berbasis kondisi, namun karena sebagian besar sistem bisnis secara historis terkotak-kotak, adopsi pemeliharaan prediktif menjadi terbatas.
Kemajuan teknologi dalam sensor IoT, pengumpulan data besar, dan teknologi penyimpanan telah dan akan terus berkembang pesat. Pertumbuhan data dan aksesibilitas AI/ML meningkatkan model pemeliharaan prediktif dan mendorong pengadopsiannya. Pandemi juga mempercepat upaya transformasi digital, menciptakan lingkungan bisnis yang lebih terintegrasi dan minat terhadap wawasan real-time berbasis intelijen. Terakhir, melonjaknya biaya downtime yang tidak direncanakan, yang diperkirakan para ahli mencapai sekitar 11% dari omset di perusahaan-perusahaan Fortune Global 5003 , juga mendorong adopsi pemeliharaan prediktif di pasar.
Teknologi berikut ini adalah beberapa di antaranya yang berkontribusi terhadap evolusi dan nilai pemeliharaan prediktif yang sedang berlangsung:
Inspeksi robotik otomatis membuat pemantauan peralatan di lokasi terpencil atau berbahaya untuk dijangkau seperti di industri Minyak dan Gas menjadi lebih efisien dan hemat biaya. Robot bertindak sebagai sensor keliling yang memantau berbagai aset dan memasukkan data ke dalam sistem manajemen pemeliharaan terkomputerisasi.
Teknologi imersif seperti augmented reality (AR) dan virtual reality (VR) sedang dikembangkan untuk menyederhanakan inspeksi. AR dapat mengumpulkan data dan kedua teknologi tersebut dapat meningkatkan inspeksi visual dan deteksi kesalahan dini.
Digital twin dapat meningkatkan pemeliharaan prediktif dengan menciptakan representasi virtual dari aset fisik, yang menghasilkan data sensor dan mensimulasikan skenario kesalahan operasional dan solusi di seluruh siklus hidup aset tanpa risiko terhadap aset.
Solusi pemeliharaan prediktif berkemampuan IoT disediakan sebagai bagian dari solusi EAM/CMMS dan diintegrasikan dengan aplikasi perusahaan lainnya.
Pemeliharaan prediktif sebagai layanan akan membuat pemeliharaan prediktif lebih mudah diakses dan terjangkau. Diberikan oleh mitra, layanan ini tidak terlalu mengganggu dibandingkan penerapan di lokasi, membutuhkan lebih sedikit investasi dan pelatihan, dan memberikan waktu yang lebih cepat untuk mendapatkan nilai. Layanan ini juga dapat disesuaikan dengan lingkungan dan peralatan individual.
Disadur dari: ibm.com