Digitalisasi industri yang sering disebut sebagai Industry 4.0 telah memicu perubahan besar dalam cara perusahaan mengelola produksi, aset, dan strategi pemeliharaan. Dalam konteks ini, paper karya Adolfo Crespo del Castillo berjudul “Digital Twin Systems Modelling to Improve Real Time Assets Operation and Maintenance” hadir untuk memberikan pendekatan metodologis yang komprehensif tentang bagaimana Digital Twin (DT) dapat diimplementasikan guna meningkatkan operasi dan pemeliharaan aset secara real-time.

Resensi ini membahas isi paper secara mendalam, memparafrasekan temuan-temuan penting, lalu menambahkan analisis praktis dan aplikatif tentang bagaimana konsep tersebut bisa berdampak nyata pada industri. Dengan struktur yang rapi dan gaya SEO-friendly, tulisan ini ditujukan untuk memberikan pemahaman yang tidak hanya akademis, tetapi juga langsung relevan dengan kebutuhan industri masa kini.

Latar Belakang dan Motivasi Penelitian

Industri global sedang mengalami restrukturisasi besar akibat dorongan digitalisasi. Perusahaan tidak hanya dituntut untuk memproduksi lebih cepat, tetapi juga harus lebih adaptif terhadap permintaan pelanggan yang semakin beragam dan personal. Jika dulu strategi produksi massal menjadi andalan, kini pelanggan ingin produk kustom dengan waktu tunggu singkat.

Di sinilah muncul konsep pabrik pintar (smart factory), yang ditopang oleh:

• IoT (Internet of Things): jaringan sensor dan perangkat yang saling terhubung.
• Big Data: pengelolaan dan analisis data dalam skala besar.
• CPS (Cyber-Physical Systems): sistem yang mengintegrasikan komponen fisik dengan model digital dalam lingkaran umpan balik (feedback loop).

Motivasi utama penelitian ini adalah menciptakan model digital yang mampu merepresentasikan mesin nyata, memantau kondisi operasional secara real-time, serta memberikan dukungan bagi pengambilan keputusan pemeliharaan berbasis kondisi (condition-based maintenance).

Kerangka Konseptual

Industry 4.0

Istilah Industry 4.0 pertama kali diperkenalkan pada Hannover Fair 2011. Intinya adalah penggunaan teknologi digital untuk mengubah cara kerja pabrik. Tujuan akhirnya adalah menciptakan ekosistem manufaktur yang terintegrasi, cerdas, efisien, dan adaptif.

Dalam kerangka Industry 4.0, pilar-pilar teknologi utamanya adalah:

• IoT: memungkinkan komunikasi antar mesin tanpa intervensi manusia.
• Big Data: menyediakan wawasan dari analisis jutaan data sensor.
• Cloud Computing: menyimpan, memproses, dan membagikan data lintas lokasi.
• AI (Artificial Intelligence): menambahkan kecerdasan prediktif pada sistem.

Cyber-Physical Systems (CPS)

CPS adalah gabungan sistem fisik dan virtual yang saling terhubung dalam lingkaran kontrol. Mesin fisik mengirim data melalui sensor ke model digital, lalu model tersebut menganalisis dan memberikan perintah kembali ke mesin fisik. CPS membuka peluang untuk:

• Produksi fleksibel.
• Prediksi kegagalan mesin lebih dini.
• Model bisnis baru berbasis personalisasi produk.

Digital Twin (DT)

Konsep Digital Twin pertama kali dicetuskan oleh Michael Grieves (2003) dan populer sejak 2011. Definisinya bervariasi, tetapi secara umum DT adalah representasi digital yang selalu sinkron dengan kondisi fisik aset. DT berfungsi sebagai:

• Mirror system: cermin virtual dari kondisi nyata.
• Decision-support tool: alat bantu manajemen untuk merencanakan pemeliharaan.
• Prototyping environment: media uji coba desain dan proses sebelum diterapkan pada sistem nyata.

Metodologi Penelitian

Lingkungan Eksperimen

Penelitian ini dilakukan di Industry 4.0 Lab Politecnico di Milano, yang dirancang sebagai miniatur pabrik pintar. Lab ini berisi 7 stasiun perakitan ponsel dengan teknologi Siemens dan Festo, masing-masing dilengkapi sensor, PLC (Programmable Logic Controller), serta modul kendali. Data dikumpulkan melalui protokol komunikasi OPC UA (Open Platform Communications Unified Architecture), yang memungkinkan transfer data mesin-ke-mesin (M2M).

Representasi Proses dengan IDEF

Untuk memodelkan alur kerja, digunakan metode IDEF (Integrated Definition for Function Modeling):

• IDEF0: memetakan alur global proses.
• IDEF1: menggambarkan detail variabel, input, dan output.

Metodologi ini membantu menjelaskan bagaimana data fisik dikonversi ke model digital dan bagaimana model digunakan untuk mendukung pemeliharaan.

Akuisisi Data

Data dikumpulkan dari PLC menggunakan Matlab/Simulink sebagai client OPC UA. Fungsi Level 2 Matlab S-Function diprogram untuk mengekstrak data real-time. Misalnya, untuk mesin pengebor (drilling machine), sensor-sensor seperti XQA A1, xBG1, dan iRedCode digunakan untuk mendeteksi status mesin: Idle, Working, Energy-saving, Fault.

Pemodelan Kondisi Aset

Untuk menilai kesehatan mesin, digunakan Asset Health Index (AHI). Konsep ini didasarkan pada dua faktor degradasi:

• Hardness Factor: tingkat kekerasan material yang dibor.
• Drill Factor: jumlah lubang yang dibuat mesin.

Dengan faktor-faktor ini, AHI dihitung menggunakan rumus:

AHIt=Hn⋅eAR×AOTtAHI_t = H_n \cdot e^{AR \times AOT_t}

• AR (Ageing Rate): laju penuaan aset.
• AOT (Accumulated Operational Time): waktu operasional terakumulasi.
• Hn (Initial Health): kondisi awal mesin.

Dari AHI ini, probabilitas kegagalan dihitung, sehingga perusahaan bisa mengetahui kapan aset mendekati batas keausan.

Pemodelan dengan Artificial Neural Networks (ANN)

Selain AHI, penelitian ini juga mengembangkan model berbasis ANN (Artificial Neural Networks). ANN adalah model komputasi terinspirasi otak manusia, yang terdiri dari neuron-neuron buatan dengan bobot (weight) tertentu. Dalam penelitian ini, ANN digunakan untuk:

• Input: jumlah bor, material, waktu operasi, nilai AHI.
• Output: konsumsi energi mesin.

ANN dilatih dengan algoritma backpropagation untuk mendeteksi anomali konsumsi energi yang bisa menjadi indikator dini kegagalan.

Hasil Penelitian

1. Konversi Sinyal ke Model Digital
   • Berhasil dilakukan dengan OPC UA dan Level 2 Matlab S-Function.
   • Mesin pengebor dapat dipantau real-time.
2. Monitoring Status Mesin
   • Status mesin (Idle, Working, Energy-saving, Fault) terekam otomatis.
   • Data disimpan dalam file teks untuk analisis historis.
3. Asset Health Index (AHI)
   • Mampu memprediksi degradasi mesin secara simulatif.
   • Probabilitas kegagalan dihitung berdasarkan nilai AHI.
4. Artificial Neural Networks (ANN)
   • ANN berhasil menunjukkan pola deviasi konsumsi energi.
   • Meski masih berbasis data simulasi, ANN terbukti efektif untuk deteksi anomali.

Analisis Aplikatif

Relevansi Industri

• Efisiensi Pemeliharaan
  Dengan AHI, perusahaan bisa menerapkan predictive maintenance dan menghindari downtime tak terduga.
• Zero-Breakdown Vision
  ANN memungkinkan deteksi dini kegagalan sehingga kerusakan besar bisa dicegah.
• Penghematan Biaya
  Lebih sedikit kerusakan darurat berarti biaya pemeliharaan lebih rendah.
• Optimalisasi Produksi
  Monitoring real-time memungkinkan penyesuaian cepat jika terjadi anomali pada lini produksi.

Kelemahan dan Kritik

• Data Simulasi
  Mesin pengebor di laboratorium hanya simulasi, sehingga degradasi aset tidak sepenuhnya realistis.
• Kurangnya Feedback Loop
  Model DT belum bisa mengirimkan perintah balik untuk melakukan pemeliharaan otomatis.
• ANN Masih Terbatas
  Karena hanya diuji pada data sintetik, ANN belum teruji dalam kondisi industri nyata.

Potensi Perkembangan

• Mengintegrasikan data nyata dari pabrik untuk meningkatkan validitas model.
• Membangun closed-loop DT yang bisa mengirim perintah ke mesin nyata.
• Mengembangkan Digital Twin sebagai platform prototyping sehingga desain produk baru bisa diuji sebelum produksi nyata.

Kesimpulan

Paper ini menunjukkan bahwa Digital Twin adalah teknologi potensial yang mampu mengubah cara industri mengelola aset. Dengan menggabungkan monitoring real-time, pemodelan kesehatan aset (AHI), dan kecerdasan buatan (ANN), sistem ini bisa membawa dunia industri menuju era pemeliharaan cerdas dan minim kegagalan.

Meskipun penelitian ini masih terbatas pada data simulasi, kontribusinya penting sebagai pijakan awal. Jika dikembangkan dengan data nyata, integrasi penuh, dan feedback loop, Digital Twin dapat menjadi solusi andalan untuk mencapai zero-breakdown maintenance dalam industri modern.

 Transformasi Industri 4.0 dan Peran Digital Twin

Dalam era Industry 4.0, konsep digital twin atau kembar digital menjadi salah satu pilar utama transformasi industri. Digital twin adalah representasi virtual dari sistem fisik yang mampu mereplikasi perilaku, kondisi, dan status real-time. Dengan menghubungkan sistem fisik ke dunia digital melalui sensor dan algoritma, digital twin memungkinkan pemantauan kondisi (condition monitoring), simulasi perilaku, hingga prediksi kegagalan (predictive maintenance).

Paper berjudul “Design of a Digital Twin for an Industrial Vacuum Process: A Predictive Maintenance Approach” karya Mohammad F. Yakhni, Houssem Hosni, Sebastien Cauet, Anas Sakout, Erik Etien, Laurent Rambault, Hassan Assoum, dan Mohamed El-Gohary, dipublikasikan di jurnal Machines tahun 2022, menghadirkan implementasi nyata digital twin dalam sistem ventilasi industri.

Kontribusi penelitian ini ada pada pengembangan model digital twin untuk sistem motor–kipas industri dengan pendekatan Motor Current Signature Analysis (MCSA). Model ini dikombinasikan dengan simulasi Matlab/Simulink dan protokol diagnostik berbasis statistik untuk mendeteksi kerusakan komponen secara dini. Hasilnya menunjukkan bahwa metode ini efektif, murah, dan aplikatif untuk kondisi industri nyata.

Latar Belakang: Mengapa Sistem Ventilasi Butuh Predictive Maintenance?

Sistem ventilasi di industri memiliki peran vital untuk menjaga kualitas udara, keselamatan pekerja, dan kelancaran proses produksi. Kerusakan mendadak pada motor, kipas, atau sabuk transmisi bisa menyebabkan:

• Downtime produksi → terhentinya jalur produksi secara tiba-tiba.
• Kerugian finansial → biaya perbaikan darurat lebih mahal dibanding pemeliharaan terencana.
• Risiko keselamatan → debu kayu atau partikel industri lain bisa membahayakan kesehatan pekerja bila ventilasi gagal.

Kebanyakan metode pemantauan kondisi (condition monitoring) saat ini menggunakan analisis getaran atau sensor akustik. Meski akurat, metode tersebut mahal karena membutuhkan sensor tambahan khusus. Di sinilah MCSA menjadi solusi: cukup memanfaatkan sensor arus dan tegangan yang sudah ada, sehingga lebih hemat dan praktis.

Studi Kasus: Instalasi Ventilasi di MTC Poitiers

Penelitian dilakukan pada sistem ventilasi di Municipal Technical Center (MTC) Poitiers, Prancis. Instalasi ini terdiri dari 11 mesin, dengan 4 mesin beroperasi bersamaan. Ventilasi menggunakan kipas besar yang digerakkan oleh motor induksi (Induction Motor/IM) melalui puli, sabuk transmisi, dan poros.

Spesifikasi motor induksi yang digunakan:

• Tegangan suplai: 400 V, tiga fase, delta
• Frekuensi: 50 Hz
• Arus nominal: 51,6 A
• Daya: 30 kW
• Faktor daya (cos φ): 0,9
• Kecepatan nominal: 2950 rpm

Sistem ini rentan terhadap berbagai kerusakan, di antaranya:

• Stator faults (gangguan pada lilitan motor).
• Rotor bar broken (batang rotor patah).
• Bearing faults (kerusakan bantalan).
• Shaft misalignment (ketidakselarasan poros).
• Fan imbalance (ketidakseimbangan kipas).
• Belt defects (sabuk transmisi longgar/aus).

Kerusakan ini menimbulkan pola sinyal arus yang khas, yang bisa dianalisis dengan MCSA.

Tahap Desain Digital Twin

1. Model Matematis Sistem

Sistem mekanis dibagi menjadi tiga massa utama:

• Pulley 1 (terhubung langsung ke motor).
• Pulley 2 (terhubung ke kipas melalui sabuk).
• Fan (kipas utama).

Menggunakan hukum Newton II dan free-body diagram, diperoleh tiga persamaan diferensial yang menggambarkan dinamika rotasi tiap massa. Parameter penting meliputi momen inersia, torsi elektromagnetik motor (Te), torsi beban (Ta), kekakuan sabuk (Kb), kekakuan poros (Ks), dan koefisien gesekan bantalan (Br).

2. Definisi Gangguan Sistem

Gangguan dimodelkan sebagai torsi tambahan sinusoidal (Td) dengan frekuensi spesifik sesuai jenis kerusakan. Contoh:

• Bearing inner ring fault: 0.6 × nb × fr
• Belt defect: 2π × Rp1 × fr/L
• Fan imbalance: Nb × fr
• Misalignment: 2 × fr

Dengan cara ini, model bisa “meniru” perilaku kerusakan nyata.

3. Simulasi Matlab/Simulink

Model matematis kemudian direalisasikan di Matlab/Simulink R2021b. Simulasi menghasilkan digital twin yang menerima input arus/tegangan aktual lalu membandingkannya dengan model. Frekuensi gangguan diintegrasikan agar hasil simulasi mendekati data nyata.

Analisis Elektrik: Motor Current Signature Analysis (MCSA)

Apa Itu MCSA?

Motor Current Signature Analysis adalah metode diagnosis kondisi motor dengan menganalisis sinyal arus stator. Cacat mekanis maupun listrik menghasilkan modulasi amplitudo (AM) atau modulasi fase (PM) pada arus. Dengan memeriksa spektrum arus, cacat dapat diidentifikasi.

Concordia Transform

Transformasi ini menggabungkan tiga arus fase menjadi dua komponen ortogonal (iα dan iβ). Hasilnya kemudian dianalisis menggunakan Fast Fourier Transform (FFT) untuk mendeteksi frekuensi cacat.

Relevansi Praktis

Keunggulan MCSA:

• Murah → tidak perlu sensor tambahan.
• Efisien → bisa mendeteksi cacat listrik maupun mekanis.
• Real-time → bisa diterapkan langsung di sistem produksi.

Contoh aplikasinya:

• Pabrik kayu → mendeteksi sabuk transmisi longgar.
• Industri semen → memonitor kipas pendingin besar.
• Otomotif → mendeteksi rotor bar patah di jalur produksi.

Protokol Diagnostik: Pendekatan Statistik

Untuk membedakan sinyal cacat dari noise, peneliti mengusulkan pendekatan statistik:

1. Tahap Pembelajaran
   • Rekam data normal sebanyak 30 sampel (masing-masing 60 detik).
   • Hitung rata-rata (µ) dan standar deviasi (σ) dari sinyal.
2. Tahap Diagnostik
   • Hitung signature defect (Sdefect).
   • Normalisasi dengan persamaan statistik.
   • Bandingkan dengan ambang batas (misalnya 2.33 untuk probabilitas 1%). Jika terlampaui, alarm dinyalakan.

Kelebihan: sederhana, robust terhadap noise, dan cocok untuk kecepatan tetap. Kekurangan: kurang fleksibel untuk sistem dengan kecepatan variabel.

Hasil dan Diskusi

Validasi Simulasi vs Data Nyata

• Arus simulasi vs arus nyata menunjukkan RMS error awal 10.1551.
• Setelah penyesuaian frekuensi cacat, error turun menjadi 5.232.
• FFT dari arus nyata menunjukkan frekuensi:
  • 1.39 Hz → rotor bar defect.
  • 10.68 Hz → belt defect.
  • 50 Hz → supply listrik.
  • 100 Hz → misalignment.

Efektivitas Digital Twin

• Digital twin mampu meniru pola cacat nyata.
• Protokol statistik berhasil mendeteksi cacat sabuk transmisi dengan tingkat akurasi tinggi.
• Histogram distribusi signature menunjukkan pemisahan jelas antara kondisi normal dan cacat.

Analisis Kritis dan Opini

Kekuatan Penelitian

• Praktis: diuji langsung pada instalasi industri nyata.
• Hemat biaya: hanya menggunakan sensor arus/tegangan yang sudah ada.
• Relevan: mendukung konsep Industry 4.0 dengan predictive maintenance.

Kelemahan

• Terbatas pada kecepatan tetap → padahal banyak motor industri memakai Variable Frequency Drive.
• Belum menggunakan kecerdasan buatan (AI/ML) → padahal AI bisa meningkatkan akurasi diagnosis.
• Validasi terbatas → hanya di satu lokasi (MTC Poitiers). Untuk generalisasi, perlu diuji di berbagai industri.

Opini Aplikatif

Jika penelitian ini dikembangkan dengan AI, maka sistem bisa:

• Memprediksi umur komponen (Remaining Useful Life/RUL).
• Mengadaptasi pada variasi beban/kecepatan.
• Mengurangi false alarm, yang bisa jadi masalah besar di industri.

Relevansi Dunia Nyata

Teknologi digital twin seperti ini bisa diterapkan di berbagai industri:

• Manufaktur kayu & tekstil → mencegah downtime karena sabuk/kipas rusak.
• Energi & utilitas → mendeteksi kerusakan bearing pada kipas pendingin turbin.
• Semen & baja → memonitor sistem ventilasi pabrik yang bekerja 24/7.
• Otomotif & elektronik → menjaga stabilitas motor jalur perakitan.

Keuntungan praktisnya:

• Penghematan biaya pemeliharaan.
• Pengurangan downtime.
• Peningkatan keselamatan dan keandalan sistem.

Kesimpulan

Paper ini menunjukkan bagaimana digital twin dapat dimanfaatkan untuk predictive maintenance pada sistem ventilasi industri. Dengan menggabungkan model matematis, simulasi Simulink, analisis arus motor (MCSA), serta protokol statistik, peneliti berhasil membangun sistem diagnosis yang murah, praktis, dan efektif.

Namun, tantangan masih ada: adaptasi untuk kecepatan variabel, integrasi kecerdasan buatan, serta validasi lintas industri. Meski begitu, penelitian ini menjadi fondasi kuat untuk mendorong industri mengadopsi digital twin sebagai bagian dari strategi pemeliharaan modern.

Digital twin bukan lagi sekadar konsep futuristik, melainkan kebutuhan nyata di era Industry 4.0 untuk menjaga efisiensi, keandalan, dan keberlanjutan operasi industri.

Sumber

Yakhni, M.F.; Hosni, H.; Cauet, S.; Sakout, A.; Etien, E.; Rambault, L.; Assoum, H.; El-Gohary, M. (2022). Design of a Digital Twin for an Industrial Vacuum Process: A Predictive Maintenance Approach. Machines, 10(8), 686. https://doi.org/10.3390/machines10080686

Transformasi Industri Lewat Digital Twin

Dalam dekade terakhir, istilah digital twin makin sering muncul di diskusi tentang Industry 4.0. Digital twin adalah kembaran digital dari sistem fisik yang terhubung lewat data sensor dan model matematis, sehingga bisa mereplikasi perilaku, kondisi, bahkan potensi kerusakan dari sistem nyata. Paper karya Yakhni et al. (2022) berjudul “Design of a Digital Twin for an Industrial Vacuum Process: A Predictive Maintenance Approach” (doi.org/10.3390/machines10080686) ngebahas penerapan digital twin buat predictive maintenance alias pemeliharaan prediktif di sistem ventilasi industri.

Kenapa ini penting? Karena di industri, terutama manufaktur, downtime akibat kerusakan mesin bisa bikin kerugian gede. Bayangin kalau kipas atau motor di pabrik kayu mati mendadak, bukan cuma debu berhamburan, tapi seluruh lini produksi bisa terganggu. Di sinilah digital twin masuk: bikin simulasi digital yang bisa mendeteksi tanda awal kerusakan, kasih alarm sebelum mesin bener-bener rusak, dan pada akhirnya menghemat biaya serta waktu.

Kontribusi Penelitian

Paper ini menyumbang hal-hal penting yang langsung relevan ke dunia industri:

• Membangun digital twin dari sistem fan/motor nyata di Municipal Technical Center (MTC) Poitiers, Prancis.
• Menggunakan Motor Current Signature Analysis (MCSA), yaitu metode analisis arus motor buat deteksi fault (fault detection = identifikasi kerusakan).
• Memakai Concordia Transform dan Fast Fourier Transform (FFT) buat nge-trace frekuensi spesifik yang nunjukin kerusakan.
• Membuat protokol diagnostik berbasis statistik, jadi bukan sekadar simulasi, tapi ada alarm otomatis buat nentuin kapan mesin masuk kondisi bermasalah.

Buat industri, kontribusi ini berarti mereka bisa punya alat monitoring kesehatan mesin yang akurat tanpa perlu pasang sensor mahal kayak accelerometer getaran. Cukup manfaatin sinyal arus listrik yang udah ada.

Deskripsi Sistem Fisik

Sistem yang dipelajari dalam penelitian ini adalah fan/motor system, yaitu gabungan antara motor induksi (induction motor, IM) dan fan industri.

Detailnya:

• Motor induksi tiga fasa, 30 kW, 400V, 51.6 A, 2950 rpm.
• Transmisi mekanik pake dua pulley, dihubungin dengan tiga sabuk V-belt panjang 2300 mm.
• Fan punya diameter 45 mm, panjang 80 mm, dan 8 bilah baja.
• Poros ditopang dua bearing tipe 22210 EK.

👉 Relevansi nyata: Sistem ini bukan contoh buatan, tapi bener-bener dipakai di MTC buat ekstraksi debu kayu dari mesin pertukangan. Artinya, model ini langsung berakar di dunia nyata, bukan sekadar teori.

Pengembangan Digital Twin

Model Matematis

Digital twin dibuat dengan pemodelan matematis berbasis hukum Newton. Sistem dianggap punya tiga derajat kebebasan: pulley 1, pulley 2, dan fan. Tiap komponen punya persamaan gerak sendiri, misalnya torsi elektromagnetik dari motor (Te), kekakuan sabuk (Kb), kekakuan poros (Ks), dan friksi bearing (Br).

Simulasi Kerusakan

Kerusakan atau fault dimodelkan sebagai tambahan torsi sinusoidal dengan frekuensi tertentu. Jenis kerusakan yang dimodelkan antara lain:

• Bearing defect (kerusakan bantalan)
• Broken rotor bar (rotor patah)
• Belt defect (sabuk longgar atau aus)
• Misalignment (poros tidak sejajar)
• Fan imbalance (ketidakseimbangan kipas)

Setiap fault punya frekuensi khas. Misalnya, misalignment muncul di 2 × fr (dua kali frekuensi rotor), sedangkan broken rotor bar muncul di 2 × (fe – fr). Dengan cara ini, tiap kerusakan bisa dikenali dari tanda uniknya.

👉 Nilai tambah buat industri: Simulasi kayak gini bikin engineer bisa “ngetes kerusakan” tanpa harus beneran bikin mesin rusak. Aman, murah, dan efisien.

Motor Current Signature Analysis (MCSA)

MCSA adalah metode deteksi kerusakan berbasis sinyal arus motor. Konsepnya simpel: kalau ada masalah di komponen mekanik/elektrik, pola arus listrik bakal berubah.

Kelebihan MCSA:

• Praktis: gak perlu pasang sensor tambahan.
• Murah: manfaatin data arus/tegangan yang udah ada.
• Komprehensif: bisa deteksi fault mekanis maupun elektrik.

Concordia Transform & FFT

• Concordia Transform: mengubah sinyal arus tiga fasa jadi vektor dua dimensi (iα dan iβ), supaya modulasi akibat fault kelihatan lebih jelas.
• FFT (Fast Fourier Transform): mengubah sinyal dari domain waktu ke domain frekuensi, jadi frekuensi fault bisa kelihatan.

Contoh temuan di penelitian ini:

• 1.39 Hz → rotor bar defect.
• 10.68 Hz → belt defect.
• 100 Hz → misalignment.
• 1450 Hz → notch harmonics dari stator.

👉 Aplikasi nyata: Operator pabrik bisa tahu dari spektrum arus apakah sabuk mesin udah mulai aus atau bearing mulai bermasalah.

Protokol Diagnostik Statistik

Digital twin nggak cuma mendeteksi, tapi juga ngasih alarm prediktif pake statistik.

Tahapannya:

1. Learning stage: ambil 30 data arus saat mesin sehat. Dari situ dihitung rata-rata (µ) dan standar deviasi (σ).
2. Diagnostic stage: data baru dibandingin sama baseline sehat. Kalau beda jauh dan melewati threshold (ditetapkan di probabilitas false alarm 1% = 2.33), alarm muncul.

👉 Manfaat praktis: Sistem bisa membedakan noise normal dengan tanda awal kerusakan. Jadi operator nggak panik gara-gara gangguan kecil, tapi juga nggak telat ngatasin kerusakan beneran.

Hasil Penelitian

1. Akurasi Model
   • Awalnya, error RMS antara arus simulasi dan nyata = 10.1551.
   • Setelah ditambah frekuensi fault, error turun jadi 5.232.
   • Artinya, digital twin makin mirip realita.
2. Deteksi Fault
   • Belt defect berhasil dideteksi lewat simulasi.
   • Distribusi statistik nunjukin pemisahan jelas antara kondisi sehat vs bermasalah.
3. Limitasi
   • Model terbatas untuk kecepatan tetap (fixed speed).
   • Hanya diuji di ventilasi kayu, belum di mesin lain.
   • Noise lingkungan bisa ganggu hasil analisis.

Relevansi ke Dunia Industri

• Penghematan biaya: gak perlu beli sensor getaran mahal.
• Pengurangan downtime: bisa deteksi kerusakan sebelum mesin mati.
• Keamanan kerja: fault bisa diuji di simulasi tanpa resiko operator.
• Optimasi perawatan: perusahaan bisa bikin jadwal perawatan berbasis data, bukan feeling.

👉 Bayangin pabrik furnitur dengan 15 mesin kayu. Dengan digital twin, operator bisa tahu sabuk mana yang hampir putus, bearing mana yang udah aus, tanpa harus bongkar semua mesin. Hemat waktu, hemat biaya.

Kritik dan Opini

Kelebihan

• Metode jelas, sistematis, dan aplikatif.
• Validasi pake data nyata (bukan cuma simulasi teoretis).
• Bisa direplikasi buat industri lain.

Kekurangan

• Fokus ke ventilasi industri kayu, generalisasi masih terbatas.
• Belum pakai kecerdasan buatan (AI/ML) yang bisa bikin deteksi lebih adaptif.
• Belum diuji di kondisi kecepatan variabel.

Opini Pribadi

Menurut gue, penelitian ini jadi landasan kuat buat penerapan digital twin di predictive maintenance. Buat langkah berikutnya, integrasi dengan machine learning bakal bikin sistem lebih fleksibel. Misalnya, algoritma bisa belajar dari data real-time ribuan jam operasi mesin, sehingga alarm makin presisi.

Kesimpulan

Paper ini nunjukin bahwa kombinasi digital twin + MCSA + protokol statistik bisa jadi solusi praktis buat predictive maintenance. Meski terbatas di sistem ventilasi kayu, pendekatan ini gampang diadaptasi ke mesin industri lain.

Buat dunia nyata, manfaatnya jelas: biaya lebih rendah, downtime lebih sedikit, perawatan lebih cerdas. Ke depan, integrasi AI bisa bikin sistem ini makin relevan buat pabrik modern.

Sumber

Yakhni, M.F., Hosni, H., Cauet, S., Sakout, A., Etien, E., Rambault, L., Assoum, H., & El-Gohary, M. (2022). Design of a Digital Twin for an Industrial Vacuum Process: A Predictive Maintenance Approach. Machines, 10(8), 686.
https://doi.org/10.3390/machines10080686

Pendahuluan – Revolusi Industri 4.0 dan Tantangan Pemeliharaan

Industri 4.0 membawa perubahan besar dalam cara pabrik beroperasi. Perpaduan antara Internet of Things (IoT), Artificial Intelligence (AI), Big Data, dan Cyber-Physical Systems (CPS) mengubah sistem produksi menjadi lebih pintar, cepat, dan responsif. Target utamanya adalah efisiensi maksimal, pengurangan downtime, dan penghematan biaya operasional.

Namun, realitanya, semakin canggih sebuah sistem, semakin kompleks pula tantangan perawatannya. Downtime yang tak terduga bisa membuat kerugian finansial besar, apalagi jika mesin kritikal berhenti di tengah produksi. Predictive Maintenance (PdM) muncul sebagai solusi: bukan menunggu rusak (reactive), atau memelihara rutin tanpa melihat kondisi sebenarnya (preventive), tapi memprediksi kapan komponen akan gagal sehingga perbaikan dilakukan tepat waktu.

Di tengah konteks ini, Digital Twin (DT) menjadi teknologi kunci untuk membawa PdM ke level baru.

Konsep Digital Twin dan Pentingnya untuk Industri

Secara konsep, Digital Twin adalah representasi virtual dari sistem fisik yang terhubung secara dua arah (bidirectional). Artinya, data dari sistem fisik mengalir ke kembarannya di dunia digital, dan perintah atau konfigurasi dari model digital dapat memengaruhi sistem fisik.

Sayangnya, banyak vendor industri yang menyebut digital model atau digital shadow sebagai DT, padahal keduanya hanya meniru atau memantau tanpa kemampuan interaksi penuh.

Nilai tambah DT sejati:

• Bisa mensimulasikan kondisi nyata dan skenario hipotetis.
• Memberikan rekomendasi otomatis untuk optimasi proses.
• Menyediakan prediksi kerusakan berbasis data real-time.
• Mengurangi biaya trial-and-error karena pengujian dilakukan di dunia virtual.

Studi Kasus – Festo Cyber Physical Factory

Paper ini membangun framework DT menggunakan Festo Cyber Physical Factory di Middlesex University, yang merupakan model pabrik mini untuk keperluan riset dan pendidikan. Sistem ini terdiri dari:

• Dua “island” produksi yang dihubungkan dengan Automated Guided Vehicle (AGV) bernama Robotino.
• Setiap island punya tiga stasiun kerja plus satu stasiun bridging untuk memindahkan produk ke island berikutnya.
• Sensor lengkap: RFID, IR sensor, sensor suhu PT100, kamera, power meter, dan sensor kapasitif di setiap conveyor.
• Kontrol real-time lewat Human-Machine Interface (HMI) di hampir setiap stasiun.

Proses produksi dimulai dari pemasangan base cover, dilanjutkan pemasangan PCB secara manual, inspeksi kamera, pemasangan top cover, pengepresan, hingga pemanasan di Tunnel Furnace.

Framework Digital Twin untuk Predictive Maintenance

Pembuatan DT dimulai dari digital shadow—model 3D pabrik dibangun di Unity menggunakan file CAD dari Festo. Unity dipilih karena:

• Fleksibel dan bebas vendor.
• Bisa simulasikan fisika realistik.
• Mendukung scripting C# untuk koneksi dengan PLC lewat TCP socket.

Sinkronisasi dilakukan melalui komunikasi dua arah:

• Data dari pabrik fisik → Unity (tracking carrier, status order, data sensor).
• Perintah dari Unity → pabrik fisik (atur jadwal produksi, maintenance, atau ubah parameter mesin).

Dengan setup ini, DT bisa digunakan untuk:

• Monitoring real-time status pesanan.
• Simulasi kerusakan tanpa mengganggu produksi nyata.
• Optimasi alur kerja berdasarkan data performa.

Use Case Predictive Maintenance pada Tunnel Furnace

Bagian paling krusial adalah Tunnel Furnace Station—oven yang memanaskan produk pada suhu tertentu. Masalah terbesarnya adalah Safety Shutdown yang bisa mematikan seluruh island kedua jika terpicu secara salah.

Penyebab umum shutdown tidak perlu:

1. Sensor suhu rusak → gagal mengukur suhu, elemen pemanas overheat.
2. Elemen pemanas rusak → tak merespons kontrol, terus memanaskan hingga suhu kritis.

Kedua masalah ini bisa terdeteksi lewat pola konsumsi daya:

• Jika suhu 80°C tercapai tanpa diperintahkan → konsumsi daya melonjak.
• Jika elemen melemah → butuh waktu lebih lama dan energi lebih banyak untuk mencapai suhu target.

Masalahnya, data run-to-failure hampir tidak ada karena sistem ini jarang rusak. Solusinya:

• Simulasi error di dunia virtual (DT).
• Eksperimen fisik terkendali, misalnya dengan mengubah ventilasi oven.
• Gabungan data real dan simulasi untuk melatih model PdM.

Arsitektur Framework – Tahap demi Tahap

1. Data Acquisition
   • Sensor fisik: PT100, power meter, sensor posisi.
   • Data konfigurasi dari DT: jumlah order aktif, beban stasiun.
   • Protokol komunikasi: OPC UA untuk transfer data streaming.
2. Data Preprocessing
   • Normalisasi data sensor sesuai kondisi operasional.
   • Sinkronisasi dengan meta-data konfigurasi.
3. Database
   • PostgreSQL + TimescaleDB untuk efisiensi query time-series.
   • Mendukung input data berkecepatan tinggi.
4. Time Series Anomaly Detection
   • Deteksi outlier & perubahan pola mendadak.
   • Level peringatan sesuai tingkat urgensi.
5. RUL Predictor
   • Ekstraksi tren kesehatan (health trend) pakai PCA atau Isomap.
   • Prediksi sisa umur pakai regresi, RNN, LSTM, atau SVR.
   • Output bisa dalam waktu atau siklus produksi.
6. Monitoring Dashboard
   • Dibangun dengan Dash (Python).
   • Menampilkan status real-time dan kontrol interaktif ke mesin fisik.

Analisis Praktis dan Dampak di Dunia Nyata

Framework ini relevan banget buat pabrik beneran, karena:

• Downtime terhindarkan → tiap menit berhenti di industri manufaktur bernilai jutaan rupiah.
• Efisiensi energi → deteksi anomali pada konsumsi daya.
• Pengujian aman → skenario kerusakan diuji di DT, bukan di mesin produksi.

Pemilihan Unity juga langkah cerdas:

• Tidak terikat vendor → bisa dipakai di berbagai tipe pabrik.
• Dukungan komunitas besar → banyak plugin gratis.
• Simulasi visual memudahkan operator non-teknis memahami kondisi mesin.

Kalau diterapkan di industri skala besar, tantangannya adalah integrasi data—banyak pabrik masih punya infrastruktur lama yang belum siap IoT.

Tantangan Implementasi

• Data minim → tanpa riwayat kerusakan, model prediksi rawan bias.
• Validasi susah → butuh kegagalan nyata untuk membuktikan akurasi prediksi.
• Model terbatas → hanya bisa mengenali error yang sudah pernah dilatih.

Opini dan Kritik

Menurut gua, framework ini inovatif karena:

• Memanfaatkan DT untuk lebih dari sekadar monitoring—yaitu untuk sintesis data dan PdM adaptif.
• Mampu jalan di hardware murah dan platform terbuka.

Tapi, ada catatan:

• Skala proyek masih terbatas di pabrik mini. Tantangan integrasi ke pabrik besar dengan ribuan sensor jelas lebih kompleks.
• Seharusnya mulai eksplor self-learning AI biar DT bisa adaptasi tanpa input manual konfigurasi error baru.
• Perlu protokol keamanan siber yang kuat karena komunikasi dua arah membuka potensi risiko hacking.

Kesimpulan

Paper ini memperkenalkan framework Digital Twin yang terhubung penuh dengan pabrik fisik untuk mendukung Predictive Maintenance di konteks Industri 4.0. Studi kasus Festo Cyber Physical Factory menunjukkan bagaimana DT:

• Mengurangi downtime melalui prediksi kerusakan.
• Mengoptimalkan operasi lewat simulasi.
• Memberikan fleksibilitas untuk pengujian tanpa risiko ke aset nyata.

Tantangan terbesar adalah keterbatasan data kerusakan dan validasi prediksi di lingkungan nyata. Namun, jika diintegrasikan dengan AI adaptif dan infrastruktur IoT yang mumpuni, framework ini punya potensi besar untuk diadopsi di industri manufaktur modern.

Sumber paper: DOI dan publikasi resmi HPCS 2020 – A Digital Twin Framework for Predictive Maintenance in Industry 4.

Perkembangan teknologi digital dalam dua dekade terakhir memunculkan sebuah tren besar yang kerap disebut sebagai digital revolution. Salah satu teknologi yang menjadi tulang punggung revolusi ini adalah Digital Twin—sebuah representasi virtual dari sistem atau objek fisik yang dapat memantau, mensimulasikan, dan memprediksi kinerja aset di dunia nyata. Dalam konteks Operation and Maintenance (O&M), teknologi Digital Twin telah terbukti memberikan dampak signifikan terhadap efisiensi perawatan aset, perencanaan pemeliharaan yang lebih tepat, serta pengurangan waktu henti (downtime) yang merugikan.

Namun, meskipun manfaat Digital Twin sudah banyak diakui, tingkat adopsinya di industri masih belum maksimal. Salah satu hambatan utamanya adalah tidak adanya metode standar untuk mengkualifikasi Digital Twin—artinya, sulit memastikan apakah sebuah Digital Twin benar-benar merepresentasikan sistem fisik dengan akurat, dapat diandalkan, dan cocok untuk tujuan tertentu.

Paper yang ditulis oleh Jie Liu, Xingheng Liu, Jørn Vatn, dan Shen Yin ini mencoba menjawab permasalahan tersebut dengan mengusulkan framework generik untuk kualifikasi Digital Twin di bidang pemeliharaan. Framework ini terdiri dari lima pilar utama: Fidelity, Smartness, Timeliness, Integration, dan Standard Compliance.

Melalui dua studi kasus pada strategi Preventive Maintenance dan Condition-Based Maintenance (CBM), penulis menunjukkan bagaimana framework ini bisa diterapkan secara praktis, membantu organisasi memilih tingkat kualifikasi Digital Twin yang tepat sesuai kebutuhan, dan menghindari risiko over-qualified atau under-qualified.

Latar Belakang: Digital Twin dan Pemeliharaan

Digital Twin, secara sederhana, adalah kembaran digital dari objek fisik yang terhubung secara data dan dapat memantau perilaku, kondisi, dan performa objek tersebut secara real-time. Konsep ini sudah digunakan di berbagai sektor industri seperti manufaktur, transportasi, energi, konstruksi, dan bahkan kesehatan.

Beberapa contoh penerapan Digital Twin di industri:

• Manufaktur: memantau kinerja lini produksi untuk mendeteksi potensi kerusakan sebelum mengakibatkan kerugian besar.
• Transportasi: memprediksi kebutuhan perawatan pada kendaraan atau infrastruktur, sehingga mengurangi risiko kecelakaan dan keterlambatan.
• Energi: mengoptimalkan performa turbin angin atau sistem pembangkit listrik dengan pemantauan prediktif.
• Konstruksi: memantau kesehatan struktur gedung atau jembatan.

Meskipun banyak sukses cerita, setiap industri mengembangkan dan menggunakan Digital Twin dengan kualitas, kompleksitas, dan metode yang berbeda-beda. Tanpa adanya sistem kualifikasi yang jelas, sulit bagi pengguna atau penyedia layanan untuk membandingkan dan menilai kualitas Digital Twin.

Framework Kualifikasi yang Diusulkan

Framework ini bertujuan untuk memberikan metode penilaian yang komprehensif terhadap kualitas dan kesesuaian Digital Twin dalam konteks pemeliharaan. Lima pilar utamanya adalah:

1. Fidelity

Fidelity adalah ukuran seberapa akurat Digital Twin merepresentasikan perilaku dan karakteristik objek fisiknya. Penulis membagi fidelity menjadi empat level:

• L0 – Sangat rendah: jumlah parameter sedikit, akurasi rendah.
• L1 – Rendah: parameter cukup untuk kondisi tertentu, akurasi moderat.
• L2 – Moderat: parameter lengkap, presisi tinggi di sebagian besar kondisi.
• L3 – Tinggi: presisi sangat tinggi di semua kondisi relevan.

Aplikasi praktis:
Untuk sistem sederhana seperti pompa air di pabrik, L1 mungkin sudah cukup. Tapi untuk sistem kompleks seperti mesin jet atau reaktor nuklir, L3 menjadi keharusan.

2. Smartness

Smartness menggambarkan tingkat kecerdasan dan fungsi yang dapat dilakukan oleh Digital Twin. Empat levelnya adalah:

• L0 (Descriptive): hanya memvisualisasikan dan menggambarkan kondisi fisik.
• L1 (Diagnostic): mampu mendiagnosis kerusakan atau anomali.
• L2 (Predictive): memprediksi kegagalan dan umur pakai komponen.
• L3 (Decision-making): membuat keputusan perawatan secara otonom, bahkan tanpa intervensi manusia.

Aplikasi praktis:
Sebuah Digital Twin di level L2 bisa memprediksi kegagalan bearing turbin angin sehingga tim teknis dapat menjadwalkan perbaikan sebelum kerusakan terjadi, menghemat biaya dan mencegah downtime besar.

3. Timeliness

Timeliness adalah kecepatan pembaruan data antara objek fisik dan kembarannya. Empat levelnya berdasarkan waktu tunda (lag time) adalah:

• L0: pembaruan bulanan atau tahunan.
• L1: mingguan atau harian.
• L2: pembaruan per jam, menit, atau detik.
• L3: pembaruan dalam milidetik atau lebih cepat.

Aplikasi praktis:
Pada proses produksi berkecepatan tinggi seperti industri semikonduktor, L3 diperlukan. Sementara untuk inspeksi periodik seperti perawatan jalan raya, L1 sudah cukup.

4. Integration

Integration menilai keterhubungan Digital Twin, baik internal (antara fisik dan digital) maupun eksternal (ke sistem lain):

• L0 (Digital Model): tidak ada aliran data otomatis.
• L1 (Digital Shadow): aliran data otomatis satu arah dari fisik ke digital.
• L2 (Digital Twin): aliran data otomatis internal, tapi tidak ke lingkungan eksternal.
• L3 (Integrated Digital Twin): aliran data otomatis penuh, baik internal maupun eksternal.

Aplikasi praktis:
Integrasi penuh (L3) memungkinkan Digital Twin berkomunikasi langsung dengan sistem ERP atau rantai pasok, sehingga jadwal perawatan bisa disinkronkan dengan ketersediaan suku cadang.

5. Standard Compliance

Standard Compliance adalah sejauh mana Digital Twin mematuhi standar resmi, seperti ISO 23247 untuk manufaktur. Empat levelnya:

• L0: tidak mengikuti standar.
• L1: mengikuti sebagian standar tanpa indikator kinerja.
• L2: mengikuti semua standar tapi indikatornya tidak lengkap.
• L3: memenuhi semua standar dan menyertakan indikator operasional.

Aplikasi praktis:
Penting untuk industri dengan regulasi ketat seperti penerbangan atau medis, di mana kepatuhan terhadap standar keselamatan adalah wajib.

Kelebihan dan Kekurangan Framework

Kelebihan:

• Memberikan panduan jelas dalam memilih Digital Twin.
• Mendorong adopsi standar industri.
• Memudahkan komunikasi antara pemangku kepentingan.

Kekurangan:

• Meningkatkan kompleksitas dan biaya implementasi.
• Memerlukan SDM yang menguasai teknologi dan sistem terkait.
• Potensi risiko keamanan data meningkat pada tingkat integrasi tinggi.

Penerapan pada Strategi Pemeliharaan

Penulis menguji framework ini pada dua strategi perawatan utama:

1. Preventive Maintenance

Preventive Maintenance adalah perawatan rutin yang dilakukan untuk menghindari kerusakan tak terduga.

• Minimum: Fidelity L1, Smartness L0, Timeliness L0, Integration L0, Compliance L0.
• Maksimum: Semua indikator L3.
• Catatan: Karena sifatnya rutin, timeliness tidak terlalu kritis, tapi integrasi tinggi bisa membantu mengoptimalkan jadwal.

2. Condition-Based Maintenance (CBM)

CBM adalah strategi perawatan yang berdasarkan kondisi aktual peralatan.

• Minimum: Fidelity L2, Smartness L1, Timeliness L1, Integration L1, Compliance L0.
• Maksimum: Semua indikator L3.
• Catatan: CBM membutuhkan pembaruan data cepat dan kemampuan diagnosis untuk mengambil keputusan tepat waktu.

Analisis Aplikatif

Framework ini relevan untuk industri dengan aset bernilai tinggi seperti minyak & gas, penerbangan, manufaktur presisi, dan energi terbarukan. Beberapa penerapan nyata:

• Industri minyak & gas: memantau tekanan pipa bawah laut secara real-time untuk mencegah kebocoran.
• Penerbangan: memprediksi kebutuhan perawatan mesin jet sebelum jadwal penerbangan padat.
• Turbin angin: memonitor vibrasi untuk mendeteksi kerusakan bearing lebih awal.

Kritik dan Saran

Meskipun framework ini komprehensif, ada beberapa catatan:

1. Aspek biaya: Belum ada metode baku untuk menghitung ROI dari peningkatan level indikator.
2. Keamanan siber: Risiko meningkat seiring integrasi tinggi, tapi mitigasi teknisnya belum dibahas detail.
3. Skalabilitas: Belum ada panduan khusus untuk penerapan pada UKM dengan sumber daya terbatas.

Kesimpulan

Framework generik ini adalah langkah maju dalam standarisasi kualifikasi Digital Twin di bidang pemeliharaan. Dengan lima pilar utamanya, framework ini memungkinkan:

• Pemilihan teknologi Digital Twin yang tepat sasaran.
• Peningkatan kepercayaan pengguna terhadap model digital.
• Optimalisasi biaya dan sumber daya.

Rekomendasi:

• Terapkan indikator sesuai kebutuhan nyata, bukan sekadar mengejar level tertinggi.
• Lakukan peningkatan bertahap untuk menghindari beban biaya dan kompleksitas berlebihan.
  Sertakan strategi keamanan siber sejak tahap perancangan.

DOI: https://doi.org/10.1016/j.jai.2023.07.002
Sumber: Journal of Automation and Intelligence, Vol. 2 (2023) 196–205