Pendahuluan: Tantangan Memprediksi Kegagalan di Dunia Nyata
Produsen produk teknik sering menghadapi pengembalian garansi tak terduga akibat kegagalan desain tersembunyi atau kondisi lingkungan yang ekstrem. Untuk mengantisipasinya, digunakan Accelerated Life Tests (ALTs)—uji umur dengan beban lebih tinggi agar kegagalan muncul lebih cepat. Namun tantangannya: apakah data ALT bisa digunakan untuk memprediksi kegagalan di lapangan?
Makalah ini, ditulis oleh Meeker, Escobar, dan Hong, menawarkan solusi melalui model use-rate dan pendekatan komprehensif untuk multiple failure modes, yang menjembatani hasil laboratorium dan performa nyata produk. Contoh nyata menggunakan dua perangkat rumah tangga (Appliance A dan B) menunjukkan efektivitas pendekatan ini.
Accelerated Life Tests dan Model Use-Rate: Dasar Prediksi
ALT mensimulasikan masa pakai produk dengan mempercepat siklus atau menaikkan beban (misalnya suhu, tekanan). Namun untuk memetakan hasil ALT ke realita, diperlukan:
- Pemahaman tentang mekanisme kegagalan yang sama antara ALT dan penggunaan lapangan.
- Data distribusi frekuensi penggunaan konsumen nyata.
- Pemilihan model matematis yang sesuai seperti lognormal atau Weibull.
Studi Kasus: Appliance A dan Model Use-Rate Diskret
Komponen A memiliki cacat desain dan diuji ulang lewat ALT dengan siklus yang dipercepat. Distribusi waktu rusaknya mengikuti lognormal, sedangkan data penggunaan rumah tangga (distribusi lognormal diskret, 1–20 siklus per minggu) diperoleh dari survei.
Model campuran:
Jika siklus-to-failure lognormal dan distribusi penggunaan diskret, maka waktu gagal produk di lapangan diprediksi sebagai:
F(t)=∑i=1kπi⋅Φ(log(Ri⋅t)−log(ηC)σC)F(t) = \sum_{i=1}^{k} \pi_i \cdot \Phi\left( \frac{\log(R_i \cdot t) - \log(\eta_C)}{\sigma_C} \right)
Hasil: Prediksi distribusi waktu gagal di lapangan cocok dengan data historis garansi—menunjukkan bahwa ALT dan model penggunaan konsisten dengan realita.
Studi Kasus Lanjutan: Appliance B dan Dua Failure Mode
Permasalahan:
Turbine-device pada Appliance B mengalami dua jenis kegagalan:
- Wear (keausan karena penggunaan normal)
- Crack (retak akibat beban berlebih/abuse)
Temuan penting:
- ALT standar hanya menghasilkan kegagalan crack, tetapi 80% kegagalan lapangan disebabkan oleh wear.
- Diperlukan dua ALT: satu dengan beban normal (menghasilkan wear), satu dengan overload (menghasilkan crack).
Model Dua Failure Mode: Kombinasi Statistik dan Fisika
Produk dianggap sebagai sistem seri: gagal jika salah satu komponen gagal.
Dengan:
- C1 dan C2 = lifetime dalam satuan siklus
- R1 dan R2 = tingkat penggunaan normal dan abuse
- T1 = C1/R1 dan T2 = C2/R2 (waktu ke kegagalan di lapangan)
Maka distribusi waktu gagal gabungan:
F(t)=1−S(t,t)=1−P(T1>t,T2>t)F(t) = 1 - S(t, t) = 1 - P(T1 > t, T2 > t)
Asumsi penting:
- Korelasi positif antara R1 dan R2 → makin sering digunakan, makin rentan disalahgunakan.
- Korelasi ini dimodelkan dengan bivariate lognormal distribution.
Estimasi Parameter: ALT + Data Garansi
Estimasi parameter keandalan melalui kombinasi data Accelerated Life Testing (ALT) dan data garansi memberikan gambaran yang lebih realistis terhadap perilaku kegagalan produk. Dalam pendekatan ini, digunakan metode Maximum Likelihood Estimation (MLE) untuk mengidentifikasi parameter distribusi waktu kegagalan dari masing-masing failure mode. Hasil analisis menunjukkan bahwa untuk mode kegagalan wear, median waktu gagal adalah 246 hari dengan variabilitas (σ) sebesar 1,39 dan korelasi waktu-failure (ρ_TT) sebesar 0,54. Sementara itu, mode crack memiliki median waktu gagal 595 hari dan variabilitas lebih tinggi, yakni 1,65, namun tanpa estimasi korelasi. Ketika kedua mode digabungkan, median waktu gagal tercatat sebesar 223 hari. Temuan penting dari analisis ini adalah bahwa dengan mempertimbangkan korelasi ρ_TT sekitar 0,5—alih-alih mengasumsikan nilai nol—estimasi keandalan sistem menjadi lebih akurat. Hal ini menegaskan pentingnya mempertimbangkan hubungan antara variabel pengujian dan kondisi lapangan dalam model prediktif keandalan.
Prediksi untuk Desain Baru Appliance B
Desain baru dilakukan dengan:
- ν₁ = 5× peningkatan daya tahan wear
- ν₂ = 2× peningkatan daya tahan crack
Dengan model sebelumnya, distribusi waktu gagal sistem baru dihitung kembali.
Hasil (Desain Baru):
- Wear: median gagal = 1215 hari
- Crack: median gagal = 1045 hari
- Gabungan: median gagal = 805 hari (naik signifikan dari 223 hari desain lama)
Grafik estimasi cdf (F(t)) dan interval kepercayaan 95% menunjukkan peningkatan drastis dalam keandalan sistem.
Simulasi & Sensitivitas: Apakah Korelasi Penting?
Dengan dua skenario:
- ρ_TT tinggi (0.98) → kesalahan asumsi korelasi 0 menghasilkan bias besar dalam prediksi.
- ρ_TT sedang (0.45) → kesalahan asumsi ρ tetap berpengaruh, tapi tidak seburuk sebelumnya.
Inti temuan:
- Estimasi marginal bisa sangat meleset jika korelasi antar mode gagal tidak dipertimbangkan.
- Estimasi sistem (gabungan) bisa tetap stabil bila bentuk distribusi mirip, tapi tidak selalu aman mengabaikan korelasi.
Kritik & Relevansi
Kekuatan:
- Kombinasi fisika dan statistik → akurasi tinggi
- Bisa digunakan untuk desain, evaluasi garansi, dan proyeksi masa depan
- Fleksibel terhadap banyak failure mode
Kelemahan:
- Membutuhkan data lapangan + ALT
- Model lebih rumit daripada metode klasik
- Butuh validasi asumsi korelasi
Relevansi industri:
- Sangat cocok untuk elektronik konsumen, otomotif, aerospace, dan manufaktur presisi
- Menjembatani laboratorium dan realita lapangan untuk manajemen garansi yang lebih cerdas
Kesimpulan: ALT dan Model Penggunaan Membentuk Prediksi Masa Depan
Makalah ini menunjukkan bahwa dengan menyatukan data ALT, informasi penggunaan konsumen, dan pemodelan statistik-fisik, prediksi keandalan produk bisa ditingkatkan secara signifikan. Dengan mempertimbangkan failure mode ganda dan korelasi antar pemakaian, perusahaan bisa membuat keputusan desain dan garansi dengan lebih presisi dan percaya diri.
Sumber : William Q. Meeker, Luis A. Escobar, Yili Hong. Using Accelerated Life Tests Results to Predict Product Field Reliability. Center for Nondestructive Evaluation, Iowa State University, 2008.