industri manufaktur global sedang berada di tengah gelombang transformasi besar yang dikenal sebagai Industri 4.0. Era ini ditandai dengan integrasi teknologi digital seperti Internet of Things (IoT), Artificial Intelligence (AI), Big Data, Cloud Computing, dan sistem Cyber-Physical Systems (CPS) ke dalam proses produksi. Salah satu teknologi kunci yang muncul dari tren ini adalah Digital Twin (DT), yaitu representasi virtual dari aset fisik yang dapat digunakan untuk memantau, mensimulasikan, dan mengoptimalkan kinerja aset secara real-time.

Digital Twin bukan sekadar model 3D atau simulasi statis. Ia adalah counterpart digital yang terhubung secara langsung dengan dunia nyata melalui sensor dan sistem kontrol, memungkinkan pemantauan kondisi mesin, deteksi anomali, hingga perencanaan pemeliharaan prediktif atau Predictive Maintenance. Dalam konteks industri, ini berarti keputusan operasional dapat diambil dengan data terkini tanpa harus menunggu kegagalan terjadi.

Namun, ada satu tantangan besar yang sering dihadapi perusahaan saat ingin mengadopsi DT untuk pemeliharaan: kurangnya data run-to-failure. Istilah run-to-failure data merujuk pada data historis yang merekam kondisi mesin dari awal hingga mengalami kegagalan total. Data ini penting untuk melatih model prediksi Remaining Useful Life (RUL) — yaitu estimasi umur pakai tersisa dari suatu aset. Masalahnya, tidak semua mesin memiliki data ini. Misalnya:

• Mesin baru yang belum pernah gagal.
• Peralatan dengan reliabilitas tinggi sehingga jarang rusak.
• Aset yang beroperasi di industri di mana kegagalan bisa berdampak fatal, sehingga dicegah dengan pemeliharaan ketat.

Inilah celah yang diidentifikasi Ignacio Vega Ortega dalam penelitiannya di Politecnico di Milano. Beliau memutuskan untuk mengembangkan Digital Twin untuk maintenance yang mampu bekerja meski tanpa data run-to-failure.

Tujuan Penelitian

Penelitian ini memiliki dua tujuan utama:

1. Menyediakan panduan lengkap membangun Digital Twin untuk pemeliharaan dari tahap awal (akuisisi data) hingga tahap akhir (dukungan pengambilan keputusan), mengikuti kerangka standar MIMOSA OSA-CBM (Open System Architecture for Condition-Based Maintenance) yang mengacu pada ISO-13374.
2. Mengembangkan metode prediksi RUL tanpa data run-to-failure, dengan memilih pendekatan model degradasi statistik yang sesuai.

Untuk mewujudkan hal ini, penelitian dilakukan di I.4.0 Lab — laboratorium industri 4.0 milik Politecnico di Milano — dengan fokus pada mesin bor (drilling machine) yang memiliki risiko kegagalan tinggi.

Pendekatan dan Metodologi

Ignacio menggunakan MATLAB/Simulink sebagai platform pengembangan DT. Pemilihan ini didasari pada hasil positif proyek sebelumnya di laboratorium yang juga memakai software ini, sehingga integrasi menjadi lebih mudah.

Desain sistem mengikuti alur OSA-CBM, yang terdiri dari:

1. Data Acquisition (Akuisisi Data)
2. Data Manipulation (Manipulasi Data)
3. State Detection (Deteksi Kondisi)
4. Health Assessment (Penilaian Kesehatan Aset)
5. Prognostic Assessment (Prediksi Umur Pakai)
6. Advisory Generation (Pemberian Rekomendasi Maintenance)

Mari kita bahas satu per satu.

1. Data Acquisition

Tahap awal melibatkan pengumpulan dua jenis data:

• Sinyal PLC (Programmable Logic Controller): Memberi informasi status mesin seperti Working, Idle, Error, Emergency, atau Energy Saving.
• Data sensor akselerometer: Mengukur getaran pada tiga sumbu (X, Y, Z) di poros bor. Getaran ini menjadi indikator utama kondisi mekanik.

Kelebihan metode ini adalah penggunaan sensor yang relatif murah dan umum di industri, sehingga model dapat direplikasi tanpa biaya tambahan besar.

2. Data Manipulation

Data mentah tidak langsung bisa digunakan untuk analisis. Di tahap ini, data getaran diubah menjadi nilai Root Mean Square (RMS) per siklus kerja mesin (±11 detik per siklus). RMS merupakan representasi energi getaran yang memudahkan identifikasi tren degradasi.

3. State Detection

Karena tidak ada data “sehat” historis, Ignacio melakukan uji produksi 100 unit untuk menetapkan baseline RMS mesin dalam kondisi baik. Distribusi RMS untuk setiap sumbu diuji normalitasnya, lalu batas upper limit ditentukan dengan rumus:

RMSUp = μ + 3σ
(μ = rata-rata, σ = standar deviasi)

Jika RMS melebihi batas ini, sistem menganggap ada anomali.

4. Health Assessment

Mesin dibagi ke dalam tiga status:

• Healthy: RMS < RMSUp → hanya monitoring.
• Abnormal: RMSUp < RMS < RMSFault → mulai prediksi RUL.
• Fault: RMS ≥ RMSFault → mesin dianggap gagal.

Nilai RMSFault diperoleh dengan membandingkan dengan mesin referensi yang mengalami kegagalan.

5. Prognostic Assessment

Di sinilah inovasi utama penelitian ini: Exponential Degradation Model (EDM).
EDM adalah model statistik yang memprediksi tren degradasi berdasarkan nilai RMS saat ini, tanpa memerlukan data run-to-failure historis. Model ini bekerja dengan memperbarui koefisien setiap siklus, sehingga estimasi RUL selalu up-to-date.

Hasil prediksi dilengkapi dengan confidence interval (CI). CI ini akan semakin sempit seiring bertambahnya data, sehingga prediksi menjadi lebih pasti.

6. Advisory Generation

Modul ini menampilkan informasi yang mudah dipahami operator:

• Mesin sehat → tidak perlu maintenance.
• Mesin abnormal → jadwalkan maintenance dalam X hari.
• Mesin gagal → hentikan operasi segera.

Perhitungan hari menggunakan konversi dari jumlah siklus ke hari berdasarkan utilization rate dan production capacity.

Kontribusi Penelitian

Dari dua gap literatur yang diidentifikasi, penelitian ini menghasilkan:

• Blueprint lengkap pembuatan DT untuk maintenance yang mudah direplikasi di aset lain.
• Metode prediksi RUL untuk kondisi minim data run-to-failure menggunakan EDM.
• Implementasi lokal (on-premise) tanpa bergantung cloud, sehingga waktu respons cepat dan aman untuk lingkungan industri dengan pembatasan data.

Relevansi di Dunia Nyata

Pendekatan ini punya banyak aplikasi industri:

• Pabrik manufaktur berproduksi kontinu seperti otomotif atau elektronik, di mana downtime tak terencana sangat mahal.
• Peralatan baru dalam tahap komisioning yang belum punya catatan kegagalan.
• Industri berstandar reliabilitas tinggi seperti penerbangan, pembangkit listrik, dan migas, yang jarang sekali mengalami kegagalan besar.

Selain itu, sifat sistem yang bekerja real-time membuatnya cocok untuk aset kritis yang memerlukan keputusan cepat.

Kekuatan Model

• Fleksibilitas: Bisa diaplikasikan ke berbagai aset berputar dengan pola degradasi kumulatif.
• Efisiensi: Tidak memerlukan infrastruktur cloud besar.
• Skalabilitas: Bisa diperluas dari level komponen ke sistem atau fleet monitoring.

Keterbatasan dan Kritik Konstruktif

Meski kuat, sistem ini punya beberapa keterbatasan:

1. Ketergantungan pada sensor tunggal: Kegagalan sensor getaran dapat menurunkan akurasi.
2. Asumsi distribusi normal: Tidak semua pola degradasi mengikuti distribusi ini.
3. Validasi lapangan: Uji di pabrik nyata akan menguji ketahanan model terhadap variabilitas operasional.

Potensi perbaikan di masa depan termasuk integrasi multi-sensor (getaran, suhu, arus listrik), penerapan model hybrid (gabungan fisik + statistik), dan konektivitas langsung ke sistem ERP/MES untuk otomatisasi jadwal maintenance.

Implikasi Bisnis

• Penghematan biaya: Mengurangi downtime tak terduga.
• Transisi ke predictive maintenance: Cocok untuk perusahaan yang ingin beralih dari preventive maintenance berbasis waktu.
• Peningkatan daya saing: Perusahaan lebih siap menghadapi otomatisasi penuh.

Kesimpulan

Penelitian Ignacio Vega Ortega berhasil menawarkan solusi praktis untuk masalah nyata di industri: bagaimana memprediksi umur pakai mesin meski tanpa data run-to-failure. Dengan menggabungkan blueprint pengembangan DT dan metode EDM, model ini membuka jalan bagi adopsi predictive maintenance yang lebih cepat, murah, dan efektif.

Bagi perusahaan yang ingin mengoptimalkan pemeliharaan aset, pendekatan ini adalah langkah strategis yang tidak hanya menghemat biaya tetapi juga meningkatkan keandalan operasional.

Sumber Paper:
Ignacio Vega Ortega. Development of a Digital Twin to support machine prognostics with low availability of run-to-failure data. Politecnico di Milano, 2019. DOI: 10.13140/RG.2.2.12345.67890 (contoh DOI, sesuaikan dengan yang asli)