Transformasi Digital dalam Dunia Manufaktur Logam
Industri manufaktur telah memasuki babak baru dengan hadirnya Industry 4.0, sebuah era di mana teknologi seperti Internet of Things (IoT), Machine Learning (ML), dan Artificial Intelligence (AI) memainkan peran kunci dalam optimasi operasional. Salah satu elemen penting yang mengalami transformasi signifikan adalah sistem perawatan mesin. Pemeliharaan yang dulunya reaktif kini diarahkan menjadi predictive maintenance (PdM), sebuah pendekatan berbasis data yang memungkinkan perusahaan memprediksi kapan sebuah komponen mesin akan rusak sebelum benar-benar terjadi.
Paper karya Rui Afonso Patrício Sá Marques, berjudul "Predictive Maintenance of Rotary Draw Bending Machines Using Artificial Intelligence", merupakan hasil penelitian tesis di bawah kolaborasi antara AMOB, sebuah produsen mesin bending asal Portugal, dan INEGI, lembaga riset teknologi industri. Penelitian ini menjawab kebutuhan industri untuk merancang dan menerapkan infrastruktur PdM berbasis AI pada mesin rotary draw bending (RDB) milik AMOB, khususnya seri e-MOB.
Dalam resensi ini, kita akan membahas isi paper secara menyeluruh, menganalisis data dan temuan utama, serta menyajikan sudut pandang kritis dan aplikatif terhadap tantangan nyata di industri. Kita juga akan menyoroti potensi implementasi konsep ini dalam skala lebih luas.
Latar Belakang dan Tujuan Penelitian
Mesin rotary draw bending merupakan jenis mesin yang digunakan untuk membentuk pipa logam menjadi bentuk melengkung yang presisi. Proses ini banyak digunakan dalam industri otomotif, dirgantara, arsitektur, dan pabrikasi logam berat. Meskipun secara mekanis mesin ini sangat kompleks dan andal, permasalahan wear (keausan) pada komponen seperti linear guides dan ball screws tetap menjadi masalah utama yang sering menghambat performa jangka panjang.
Dalam konteks ini, tujuan utama penelitian Marques adalah:
- Merancang sistem infrastruktur PdM berbasis AI untuk mesin RDB AMOB.
- Melakukan studi kasus nyata pada mesin e-MOB yang mengalami kegagalan sistem pada sumbu vertikal (axis H).
- Menguji sensorisasi dan pemrosesan data untuk mendeteksi gejala awal kerusakan, terutama melalui analisis getaran dan torsi.
Dengan pendekatan yang menggabungkan teori dan praktik, penelitian ini bukan hanya memberikan kerangka kerja PdM yang aplikatif, tetapi juga mencerminkan bagaimana manufaktur tradisional dapat ditransformasi menjadi sistem cerdas dan berbasis prediksi.
Profil Perusahaan: AMOB dan Tantangan Globalisasi
AMOB merupakan perusahaan Portugal yang telah berdiri sejak 1969 dan dikenal sebagai pemimpin global dalam produksi mesin bending logam. Dengan jaringan distribusi di lebih dari 30 negara, AMOB menghadapi tekanan tinggi dalam menjaga kualitas, efisiensi, dan dukungan purnajual.
Sayangnya, seperti yang ditekankan dalam paper ini, sistem pemeliharaan AMOB masih didominasi oleh pendekatan preventive dan reactive maintenance. Komunikasi layanan purna jual banyak dilakukan secara informal, dan data historis pemakaian mesin sangat minim. Hal ini menjadi tantangan besar dalam menerapkan PdM secara sistematis.
Apa Itu Rotary Draw Bending dan Mengapa Rentan Rusak?
Mesin RDB terdiri atas lima komponen utama:
- Bend Die: alat utama yang menentukan radius lengkungan.
- Clamp Die: menjepit pipa agar tidak tergelincir saat proses bending.
- Pressure Die: menjaga tekanan pipa selama pembengkokan.
- Mandrel: batang penopang di dalam pipa untuk mencegah kerutan dan ovalisasi.
- Wiper Die: mencegah kerutan pada sisi dalam tikungan pipa.
Mesin RDB seperti e-MOB memiliki 9 sumbu gerak yang dioperasikan secara elektrik dengan servomotor, termasuk:
- Axis X, Y, Z: kontrol posisi dan orientasi pipa.
- Axis H dan W: penyesuaian posisi kepala mesin untuk radius tertentu.
- Axis M, C, P, E: kontrol ekstraksi mandrel, tekanan, dan penjepit.
Kerusakan sering terjadi pada ball screw dan linear guide, yang merupakan komponen vital namun paling rentan terhadap keausan akibat gesekan dan kesalahan pelumasan.
Dari Preventif ke Prediktif: Evolusi Strategi Pemeliharaan
Strategi pemeliharaan dapat dibagi ke dalam empat jenis:
- Preventive Maintenance (PM): inspeksi rutin berdasarkan waktu atau pemakaian.
- Condition-Based Maintenance (CBM): pemeliharaan berdasarkan parameter tertentu.
- Predictive Maintenance (PdM): prediksi kapan suatu komponen akan gagal.
- Prescriptive Maintenance: sistem otomatis yang memberi saran atau melakukan tindakan langsung.
PdM menjadi tujuan utama dalam penelitian ini karena menawarkan efisiensi tinggi dan mengurangi pemborosan akibat penggantian komponen yang belum waktunya.
Studi Kasus: Kerusakan Sumbu H di Mesin e-MOB 9611
Mesin e-MOB 42 9611 yang digunakan dalam studi ini mengalami masalah pada axis H. Tim peneliti menemukan bahwa ball screw mengalami keausan parah, kemungkinan karena pelumasan yang buruk serta kesalahan operator dalam pengoperasian manual.
Penelitian dilakukan melalui:
- Analisis getaran (vibrasi): menggunakan sensor MEMS (MicroElectroMechanical Systems) tipe ADXL345.
- Analisis torsi: membandingkan pergerakan torsi antara mesin bermasalah dan mesin kontrol.
Data yang dikumpulkan dianalisis dalam dua domain:
- Time-domain: melihat fluktuasi intensitas getaran terhadap waktu.
- Frequency-domain: mengidentifikasi spektrum frekuensi yang terkait dengan kerusakan spesifik.
Hasil menunjukkan bahwa perbedaan frekuensi dan getaran antara mesin sehat dan bermasalah dapat dikenali secara jelas, khususnya pada sumbu X dan Y.
Arsitektur Sistem PdM: Dari Sensor hingga Cloud
1. Sensorisasi dan Pengumpulan Data
Sensor dipasang pada komponen ball screw untuk merekam getaran dan torsi secara real time. Format data yang digunakan adalah CSV, disimpan dalam sistem lokal dan cloud.
2. Pra-pemrosesan dan Feature Extraction
Data mentah dikompresi menggunakan teknik DCT (Discrete Cosine Transform) dan DWT (Discrete Wavelet Transform), lalu diekstraksi menjadi parameter penting seperti:
- Rata-rata (mean)
- Simpangan baku (standard deviation)
- Kurtosis dan skewness
- Crest factor dan margin index
3. Model Machine Learning
Beberapa algoritma yang digunakan:
- KNN (K-Nearest Neighbors): klasifikasi berdasarkan jarak data.
- SVM (Support Vector Machine): memisahkan data menjadi dua kelas berdasarkan fitur.
- Decision Tree: membuat struktur logika dari kondisi getaran.
4. Validasi Model
Model divalidasi menggunakan confusion matrix dan akurasi. Pada kasus ini, KNN dengan 6 fitur terbaik mencapai akurasi lebih dari 90%.
Hasil Uji Awal dan Interpretasi Praktis
Analisis Getaran
- Sensor ADXL345 efektif mendeteksi keausan ball screw.
- Perbedaan spektrum frekuensi antara mesin bermasalah dan sehat sangat nyata.
Analisis Torsi
- Peningkatan torsi lebih merefleksikan misalignment daripada keausan.
- Torsi cocok digunakan untuk deteksi kesalahan pemasangan, bukan wear harian.
➡️ Kesimpulan: kombinasi analisis getaran dan torsi memberikan sistem diagnostik yang kuat, saling melengkapi untuk berbagai jenis kerusakan.
Kritik dan Saran Terhadap Studi Ini
Kekuatan:
- Studi dilakukan langsung pada mesin nyata (real-world scenario).
- Data sensorisasi sangat rinci dan dibuktikan secara eksperimental.
- Menggabungkan pendekatan akademik dan industri.
Kelemahan:
- Uji hanya dilakukan pada satu jenis mesin dan satu kasus kerusakan.
- Belum ada fase implementasi penuh secara industri.
- Model belum diuji untuk jangka waktu panjang atau berbagai variasi kondisi.
Implikasi Industri dan Rekomendasi Strategis
Jika diterapkan secara luas, sistem PdM seperti ini bisa:
- Mengurangi downtime hingga 30%
- Menurunkan biaya pemeliharaan hingga 40%
- Memperpanjang umur pakai mesin
- Memberi nilai tambah besar bagi perusahaan seperti AMOB
Rekomendasi ke depan:
- Terapkan sistem pada semua sumbu mesin
- Lakukan uji jangka panjang di berbagai sektor industri
- Gabungkan dengan sistem prescriptive untuk otomatisasi penuh
Kesimpulan: Membuka Jalan Menuju Industri Manufaktur Cerdas
Rui Marques telah memberikan fondasi yang solid untuk mengimplementasikan PdM berbasis AI pada mesin RDB. Pendekatannya praktis, aplikatif, dan berdampak langsung terhadap produktivitas industri logam. Bagi perusahaan yang ingin survive di tengah kompetisi global dan permintaan akan efisiensi tinggi, investasi dalam sistem PdM bukan lagi opsi—melainkan kebutuhan.
Data Teknis
- Penulis: Rui Afonso Patrício Sá Marques
- Judul: Predictive Maintenance of Rotary Draw Bending Machines Using Artificial Intelligence
- Tahun: 2021
- Institusi: Faculdade de Engenharia da Universidade do Porto
- DOI/Tautan: hdl.handle.net/10216/139426