Modeling Proses Kegagalan dalam Accelerated Life Testing: Analisis Data Tersensor dan Optimasi Keandalan

Dipublikasikan oleh Dewi Sulistiowati

20 Maret 2025, 10.19

Pixabay.com

Pendahuluan

Reliabilitas produk merupakan faktor penting dalam memastikan kualitas dan kepuasan pelanggan. Penelitian ini mengembangkan Failure Process Modeling (FPM) dalam Constant Stress Accelerated Life Testing (CSALT) dengan mempertimbangkan berbagai skema sensorisasi data. Pendekatan Maximum Likelihood Estimation (MLE) dan algoritma genetika (GA) digunakan untuk mengoptimalkan estimasi parameter keandalan. Studi kasus dilakukan pada lampu LED merah, yang diuji di bawah berbagai tingkat stres listrik untuk mempercepat proses kegagalan.

Metodologi Penelitian

Framework Failure Process Modeling (FPM) yang dikembangkan mencakup:

  1. Pemahaman Stres yang Mempengaruhi Kegagalan
    • Faktor utama dalam kegagalan LED: suhu, tegangan, dan kelembaban.
    • Fokus penelitian pada tegangan listrik sebagai variabel stres utama.
  2. Pelaksanaan Uji Accelerated Life
    • 34 unit lampu LED merah diuji dalam tiga tingkat stres:
      • 20 mA (rendah), 30 mA (sedang), dan 40 mA (tinggi).
    • Uji sensorisasi progresif diterapkan untuk menghemat waktu dan biaya uji.
  3. Analisis Data Tersensor
    • Jenis sensorisasi yang digunakan: interval censoring dan right censoring.
    • Distribusi Weibull dipilih sebagai model keandalan lampu LED.
  4. Optimasi Estimasi Parameter dengan MLE dan Algoritma Genetika
    • MLE digunakan untuk memaksimalkan fungsi likelihood.
    • Algoritma genetika (GA) diterapkan untuk menemukan solusi optimal karena kompleksitas persamaan likelihood.

Hasil Penelitian

Analisis data menunjukkan bahwa tingkat stres yang lebih tinggi mempercepat kegagalan secara signifikan. Beberapa hasil utama:

  • Pada 20 mA, 70% lampu masih berfungsi setelah 400 jam.
  • Pada 30 mA, waktu rata-rata kegagalan adalah 50 jam.
  • Pada 40 mA, lampu mengalami kegagalan dalam rata-rata 24 jam.
  • Estimasi parameter distribusi Weibull dengan MLE menunjukkan bahwa tingkat kegagalan meningkat eksponensial terhadap tegangan listrik.
  • Penggunaan algoritma genetika mengurangi variabilitas estimasi hingga 15%, meningkatkan akurasi prediksi umur pakai lampu LED.

Studi Kasus & Data Kuantitatif

  1. Analisis Lifetime Lampu LED dengan Weibull
    • Distribusi Weibull dua parameter diterapkan untuk model umur pakai LED.
    • Parameter distribusi untuk tegangan 20 mA, 30 mA, dan 40 mA:
      • Skala (α): 426.54, 46.56, 22.47
      • Bentuk (β): 9.02, 7.92, 3.65
    • Hubungan Arrhenius digunakan untuk menghubungkan tegangan dan lifetime.
  2. Implementasi Algoritma Genetika untuk Optimasi Estimasi
    • 160 iterasi GA dilakukan untuk meminimalkan kesalahan estimasi parameter.
    • Konvergensi dicapai pada iterasi ke-145 dengan nilai likelihood optimal.
    • Hasil GA menunjukkan estimasi lebih akurat dibandingkan metode numerik konvensional.

Kelebihan & Kekurangan

Kelebihan:

  • Mempertimbangkan berbagai skema sensorisasi data, meningkatkan fleksibilitas analisis.
  • Menggunakan pendekatan algoritma genetika, memungkinkan optimasi parameter keandalan yang lebih baik.
  • Dapat diterapkan pada berbagai produk elektronik dengan karakteristik serupa.

Kekurangan:

  • Membutuhkan sumber daya komputasi lebih tinggi dibandingkan metode MLE konvensional.
  • Validasi eksperimental tambahan diperlukan untuk memastikan akurasi model dalam skenario industri nyata.

Kesimpulan

Pendekatan Failure Process Modeling dalam CSALT dengan MLE dan algoritma genetika memberikan hasil estimasi parameter keandalan yang lebih optimal. Penggunaan sensorisasi data progresif dan distribusi Weibull memungkinkan analisis keandalan yang lebih akurat, membantu produsen dalam meningkatkan desain dan umur pakai produk elektronik.

Sumber:
Ramezanianpour, N., Seyyed-Esfahani, M., & Hejazi, T. H. (2014). Failure Process Modeling with Censored Data in Accelerated Life Tests. Amirkabir International Journal of Science & Research, 46(2), 53-66.