Model PoF dengan kolaborasi kegagalan meningkatkan akurasi prediksi keandalan sistem kompleks dengan mempertimbangkan interaksi antar komponen.

Pendahuluan: Ketika Ketergantungan Komponen Diabaikan

Dalam dunia teknik sistem, keandalan adalah kunci. Namun, banyak metode prediksi keandalan masih bertumpu pada asumsi independensi komponen—sebuah pendekatan yang terbukti tidak akurat untuk sistem kompleks. Artikel karya Zhiguo Zeng dkk. ini memperkenalkan konsep baru dalam Physics-of-Failure (PoF): failure collaboration, yaitu kondisi di mana komponen saling mempengaruhi kegagalan satu sama lain. Dengan mengembangkan model deterministik berbasis PoF dan mengintegrasikan Bisection-based Reliability Analysis Method (BRAM), studi ini memberikan fondasi kuat bagi prediksi keandalan yang lebih realistis.

Mengapa Failure Collaboration Penting?

Dalam pendekatan PoF tradisional:

• TTF (Time To Failure) dihitung terpisah untuk setiap komponen.
• Sistem dianggap gagal ketika komponen tercepat gagal.
• Tidak mempertimbangkan interaksi antar komponen, yang padahal sering terjadi di sistem nyata.

Failure collaboration mengisi celah ini. Contoh sederhana adalah rangkaian pembagi tegangan, di mana dua impedansi (X1 dan X2) bekerja bersama. Ketika X2 mengalami degradasi, ia mengubah ambang batas kegagalan X1. Artinya, kegagalan X1 bergantung pada X2—inilah bentuk kolaborasi kegagalan yang tidak bisa diabaikan.

Model PoF yang Mempertimbangkan Kolaborasi Kegagalan

Langkah-Langkah Pengembangan Model:

1. Bangun Physical Functional Model (PFM)
   Deskripsikan fungsi sistem secara fisik menggunakan software seperti AMESim, PSpice, atau Simulink.
2. Identifikasi Parameter Sensitif Terhadap Degradasi (zd)
   Gunakan analisis FMMEA (Failure Modes, Mechanisms, and Effects Analysis) dan analisis sensitivitas.
3. Terapkan Model PoF untuk zd
   Misalnya: keausan, kelelahan, atau elektromigrasi.
4. Gabungkan semuanya dalam fungsi p(t):

TTF=inf⁡{t∣p(t)≥pth}TTF = \inf\{t \mid p(t) \geq p_{th}\}

Prediksi kapan parameter performa mencapai ambang kegagalan.

Studi Kasus: Hydraulic Servo Actuator (HSA)

Sistem: 6 komponen utama, termasuk katup elektrohidrolik, 4 spool, dan 1 silinder hidraulik.

Parameter performa (pHSA):
Rasio atenuasi (dalam dB):

pHSA=−20log⁡(AHCAobj)p_{HSA} = -20 \log \left(\frac{A_{HC}}{A_{obj}}\right)

Ambang kegagalan ditetapkan di 3 dB.

Model degradasi:
Semua komponen mengalami keausan (wear), dimodelkan sebagai:

xi(t)=x0,i+Kitfix_i(t) = x_{0,i} + K_i t^{f_i}

dengan konstanta tergantung kekerasan material (Brinell), gaya gesek, tekanan, dimensi, dll.

Hasil:

• Prediksi TTF dengan mempertimbangkan failure collaboration (TTF_FC) = 3.04 × 10⁵ jam
• Prediksi TTF asumsi independensi (TTF_IND) = 4.23 × 10⁵ jam

Kesimpulan:
Model klasik melebih-lebihkan keandalan sistem karena tidak menghitung efek akumulatif dari degradasi tiap komponen.

BRAM: Metode Analisis Keandalan Baru

Masalah metode klasik:
Perlu dua lapisan simulasi Monte Carlo, sangat boros komputasi.

Solusi:
BRAM (Bisection-based Reliability Analysis Method) menggunakan langkah berikut:

1. Bangkitkan n sampel acak dari parameter input (x).
2. Hitung TTF tiap sampel menggunakan algoritma bisection.
3. Urutkan TTF → dapatkan fungsi distribusi empiris keandalan R(t).

Hasil Simulasi:

• Akurasi BRAM sebanding dengan double-loop, tapi:
  • Evaluasi model PoF:
    • BRAM: 6.845 kali
    • Double-loop: 153.000 kali

Efisiensi BRAM meningkat drastis, ideal untuk simulasi besar.

Prediksi Keandalan HSA Menggunakan BRAM

• Gunakan distribusi normal berdasarkan batas toleransi manufaktur.
• Simulasi dilakukan pada parameter lingkungan dan desain.
• Dihitung MTTF (Mean Time To Failure):
  • MTTF_FC: 3.04 × 10⁵ jam
  • MTTF_IND: 3.92 × 10⁵ jam

Perbedaan signifikan ini menunjukkan pentingnya mempertimbangkan failure collaboration untuk keputusan desain dan jadwal perawatan.

Kritik & Relevansi

Kekuatan:

• Model fisik yang realistis.
• Meningkatkan akurasi prediksi.
• Menghindari keputusan desain atau perawatan yang keliru.

Kelemahan:

• Butuh data fisik rinci dan domain knowledge tinggi.
• Perhitungan awal rumit, meskipun efisien di jangka panjang.

Relevansi industri:

• Cocok untuk sistem kritis seperti aerospace, militer, tenaga nuklir, dan transportasi otomatis.
• Potensial menjadi dasar prognostik kesehatan sistem (PHM) berbasis digital twin.

Kesimpulan: Meninggalkan Asumsi Lama

Artikel ini menunjukkan bahwa pendekatan PoF berbasis failure collaboration dan metode BRAM memberikan lompatan besar dalam akurasi prediksi keandalan sistem. Ketika interaksi antar komponen tidak lagi bisa diabaikan, model yang mengakomodasi kompleksitas ini menjadi satu-satunya jalan logis untuk pengembangan sistem teknik modern yang aman dan tahan lama.

Dalam dunia teknik yang makin kompleks, memahami bagaimana komponen bekerja bersama untuk gagal sama pentingnya dengan merancang mereka untuk sukses. Ini bukan hanya soal prediksi kegagalan, tapi menghindari kejutan di masa depan.

Sumber artikel : Zhiguo Zeng, Rui Kang, Yunxia Chen. Using PoF models to predict system reliability considering failure collaboration. Chinese Journal of Aeronautics 29 (2016) 1294–1301.