Teknik perawatan prediktif dirancang untuk membantu menentukan kondisi peralatan dalam layanan untuk memperkirakan kapan perawatan harus dilakukan. Pendekatan ini menjanjikan penghematan biaya atas pemeliharaan preventif rutin atau berbasis waktu, karena tugas dilakukan hanya jika diperlukan. Dengan demikian, ini dianggap sebagai pemeliharaan berbasis kondisi yang dilakukan seperti yang disarankan oleh perkiraan status degradasi suatu item.
The nature and degree of asphalt deterioration is analyzed for predictive maintenance of roadways.
Janji utama pemeliharaan prediktif adalah memungkinkan penjadwalan pemeliharaan korektif yang nyaman, dan untuk mencegah kegagalan peralatan yang tidak terduga. Kuncinya adalah "informasi yang tepat untuk masa pakai peralatan, peningkatan keselamatan pabrik, lebih sedikit kecelakaan dengan dampak negatif terhadap lingkungan, dan penanganan suku cadang yang dioptimalkan.
Pemeliharaan prediktif berbeda dari pemeliharaan preventif karena bergantung pada kondisi peralatan yang sebenarnya, daripada statistik umur rata-rata atau yang diharapkan, untuk memprediksi kapan pemeliharaan akan diperlukan. Biasanya, pendekatan Pembelajaran Mesin diadopsi untuk definisi kondisi aktual sistem dan untuk meramalkan keadaan masa depan.
Beberapa komponen utama yang diperlukan untuk menerapkan pemeliharaan prediktif adalah pengumpulan dan praproses data, deteksi kesalahan dini, deteksi kesalahan, prediksi waktu hingga kegagalan, penjadwalan pemeliharaan, dan optimalisasi sumber daya. Pemeliharaan prediktif juga telah dianggap sebagai salah satu kekuatan pendorong untuk meningkatkan produktivitas dan salah satu cara untuk mencapai "tepat waktu" di bidang manufaktur.
Ringkasan
Pemeliharaan prediktif mengevaluasi kondisi peralatan dengan melakukan pemantauan kondisi peralatan secara berkala (offline) atau terus menerus (online). Tujuan akhir dari pendekatan ini adalah untuk melakukan pemeliharaan pada titik waktu yang dijadwalkan ketika aktivitas pemeliharaan paling hemat biaya dan sebelum peralatan kehilangan kinerja dalam ambang batas. Hal ini menghasilkan pengurangan biaya waktu henti yang tidak direncanakan karena kegagalan, di mana biayanya bisa mencapai ratusan ribu per hari tergantung pada industri. Dalam produksi energi, selain hilangnya pendapatan dan biaya komponen, denda dapat dikenakan untuk non-pengiriman, meningkatkan biaya lebih jauh. Ini berbeda dengan pemeliharaan berbasis waktu dan/atau operasi, di mana suatu peralatan dipelihara baik itu membutuhkannya atau tidak. Pemeliharaan berbasis waktu adalah padat karya, tidak efektif dalam mengidentifikasi masalah yang berkembang di antara inspeksi terjadwal, dan oleh karena itu tidak hemat biaya.
Komponen "prediktif" dari pemeliharaan prediktif berasal dari tujuan memprediksi tren masa depan kondisi peralatan. Pendekatan ini menggunakan prinsip-prinsip pengendalian proses statistik untuk menentukan pada titik mana di masa depan kegiatan pemeliharaan akan sesuai.
Sebagian besar inspeksi prediktif dilakukan saat peralatan sedang digunakan, sehingga meminimalkan gangguan pada operasi sistem normal. Adopsi pemeliharaan prediktif dapat menghasilkan penghematan biaya yang besar dan keandalan sistem yang lebih tinggi.
Pemeliharaan yang berpusat pada keandalan menekankan penggunaan teknik pemeliharaan prediktif di samping tindakan pencegahan tradisional. Ketika diterapkan dengan benar, ini memberi perusahaan alat untuk mencapai biaya bersih aset terendah saat ini untuk tingkat kinerja dan risiko tertentu.
Salah satu tujuannya adalah untuk mentransfer data pemeliharaan prediktif ke sistem manajemen pemeliharaan terkomputerisasi sehingga data kondisi peralatan dikirim ke objek peralatan yang tepat untuk memicu perencanaan pemeliharaan, pelaksanaan perintah kerja, dan pelaporan. Kecuali jika hal ini tercapai, solusi pemeliharaan prediktif bernilai terbatas, setidaknya jika solusi tersebut diterapkan pada pabrik berukuran sedang hingga besar dengan puluhan ribu peralatan. Pada tahun 2010, perusahaan pertambangan Boliden, menerapkan Sistem Kontrol Terdistribusi gabungan dan solusi pemeliharaan prediktif yang terintegrasi dengan sistem manajemen pemeliharaan terkomputerisasi pabrik pada tingkat objek ke objek, mentransfer data peralatan menggunakan protokol seperti Highway Addressable Remote Transducer Protocol, IEC61850 dan OLE untuk proses kontrol.
Teknologi
Untuk mengevaluasi kondisi peralatan, perawatan prediktif menggunakan teknologi pengujian tak rusak seperti inframerah, akustik (debit parsial dan ultrasonik di udara), deteksi korona, analisis getaran, pengukuran tingkat suara, analisis oli, dan pengujian online spesifik lainnya. Pendekatan baru di bidang ini adalah dengan memanfaatkan pengukuran pada peralatan yang sebenarnya dalam kombinasi dengan pengukuran kinerja proses, diukur dengan perangkat lain, untuk memicu pemeliharaan peralatan. Ini terutama tersedia dalam sistem otomasi proses kolaboratif (CPAS). Pengukuran lokasi sering kali didukung oleh jaringan sensor nirkabel untuk mengurangi biaya pemasangan kabel.
Analisis getaran paling produktif pada peralatan berputar berkecepatan tinggi dan dapat menjadi komponen paling mahal dari program PdM untuk memulai dan menjalankannya. Analisis getaran, bila dilakukan dengan benar, memungkinkan e pengguna untuk mengevaluasi kondisi peralatan dan menghindari kegagalan. Penganalisis getaran generasi terbaru memiliki lebih banyak kemampuan dan fungsi otomatis daripada pendahulunya. Banyak unit menampilkan spektrum getaran penuh dari tiga sumbu secara bersamaan, memberikan gambaran tentang apa yang terjadi dengan mesin tertentu. Namun terlepas dari kemampuan seperti itu, bahkan peralatan paling canggih pun tidak berhasil memprediksi masalah yang berkembang kecuali jika operator memahami dan menerapkan dasar-dasar analisis getaran.
Dalam situasi tertentu, gangguan kebisingan latar belakang yang kuat dari beberapa sumber yang bersaing dapat menutupi sinyal yang diinginkan dan menghalangi penerapan sensor getaran di industri. Akibatnya, analisis tanda tangan arus motor (MCSA) adalah alternatif non-intrusif untuk pengukuran getaran yang memiliki potensi untuk memantau kesalahan dari sistem listrik dan mekanik.
Inspeksi visual jarak jauh adalah pengujian non-destruktif pertama. Ini memberikan penilaian utama yang hemat biaya. Informasi penting dan default dapat disimpulkan dari tampilan luar potongan, seperti lipatan, patah, retak, dan korosi. Inspeksi visual jarak jauh harus dilakukan dalam kondisi yang baik dengan pencahayaan yang cukup (setidaknya 350 LUX). Ketika bagian dari potongan yang akan dikontrol tidak dapat diakses secara langsung, alat yang terbuat dari cermin dan lensa yang disebut endoskop digunakan. Cacat tersembunyi dengan penyimpangan eksternal dapat menunjukkan cacat yang lebih serius di dalam.
Analisis akustik dapat dilakukan pada tingkat sonik atau ultrasonik. Teknik ultrasonik baru untuk pemantauan kondisi memungkinkan untuk "mendengar" gesekan dan tekanan pada mesin yang berputar, yang dapat memprediksi kerusakan lebih awal daripada teknik konvensional. Teknologi ultrasonik peka terhadap suara frekuensi tinggi yang tidak terdengar oleh telinga manusia dan membedakannya dari suara frekuensi rendah dan getaran mekanis. Gesekan mesin dan gelombang tegangan menghasilkan suara khas di kisaran ultrasonik atas. Perubahan gelombang gesekan dan tegangan ini dapat menunjukkan kondisi yang memburuk jauh lebih awal daripada teknologi seperti getaran atau analisis oli. Dengan pengukuran dan analisis ultrasonik yang tepat, dimungkinkan untuk membedakan keausan normal dari keausan abnormal, kerusakan fisik, kondisi ketidakseimbangan, dan masalah pelumasan berdasarkan hubungan langsung antara aset dan kondisi pengoperasian.
Peralatan pemantauan sonik lebih murah, tetapi juga memiliki kegunaan yang lebih sedikit daripada teknologi ultrasonik. Teknologi sonik hanya berguna pada peralatan mekanik, sedangkan peralatan ultrasonik dapat mendeteksi masalah kelistrikan dan lebih fleksibel serta andal dalam mendeteksi masalah mekanis.
Pemantauan dan analisis inframerah memiliki jangkauan aplikasi terluas (dari peralatan berkecepatan tinggi hingga rendah), dan dapat efektif untuk mendeteksi kegagalan mekanis dan listrik; beberapa menganggapnya sebagai teknologi yang paling hemat biaya. Analisis minyak adalah program jangka panjang yang, jika relevan, pada akhirnya dapat lebih prediktif daripada teknologi lainnya. Diperlukan waktu bertahun-tahun bagi program minyak pabrik untuk mencapai tingkat kecanggihan dan efektivitas ini. Teknik analisis yang dilakukan pada sampel oli dapat diklasifikasikan dalam dua kategori: analisis oli bekas dan analisis partikel keausan. Analisis oli bekas menentukan kondisi pelumas itu sendiri, menentukan kualitas pelumas, dan memeriksa kesesuaiannya untuk penggunaan lanjutan. Analisis partikel keausan menentukan kondisi mekanis komponen mesin yang dilumasi. Melalui analisis partikel keausan, Anda dapat mengidentifikasi komposisi bahan padat yang ada dan mengevaluasi jenis, ukuran, konsentrasi, distribusi, dan morfologi partikel.
Penggunaan Model Based Condition Monitoring untuk program pemeliharaan prediktif menjadi semakin populer dari waktu ke waktu. Metode ini melibatkan analisis spektral pada sinyal arus dan tegangan motor dan kemudian membandingkan parameter yang diukur dengan model motor yang diketahui dan dipelajari untuk mendiagnosis berbagai anomali listrik dan mekanik. Proses pemantauan kondisi "berbasis model" ini awalnya dirancang dan digunakan pada pesawat ulang-alik NASA untuk memantau dan mendeteksi kesalahan yang berkembang di mesin utama pesawat ulang-alik. Ini memungkinkan otomatisasi pengumpulan data dan tugas analisis, menyediakan pemantauan kondisi sepanjang waktu dan peringatan tentang kesalahan saat mereka berkembang. Metode pemeliharaan prediktif lainnya terkait dengan strategi pengujian cerdas.
Aplikasi (menurut industri)
Kereta Api
- Deteksi tanda peringatan sebelum menyebabkan waktu henti untuk aset linier, tetap, dan bergerak.
- Meningkatkan keselamatan dan melacak deteksi kekosongan melalui sistem pemantauan berbasis kabin kendaraan baru
- Juga dapat mengidentifikasi jenis aset lintasan tempat kekosongan berada dan memberikan indikasi tingkat keparahan kekosongan
- Pemantauan Kesehatan titik Mesin (perangkat yang digunakan untuk mengoperasikan pergantian kereta api) dapat membantu dalam mendeteksi dini y gejala degradasi sebelum kegagalan.·
Manufaktur
- Deteksi dan diagnosis kesalahan dini dalam industri manufaktur.
- Produsen semakin mengumpulkan data besar dari sensor Internet of Things (IoT) di pabrik dan produk mereka dan menggunakan algoritme berbeda untuk data yang dikumpulkan guna mendeteksi tanda peringatan kegagalan yang mahal sebelum terjadi.
Minyak dan gas
- Perusahaan minyak dan gas seringkali kurang melihat kondisi peralatan mereka, terutama di lokasi lepas pantai dan perairan dalam yang terpencil.
- Data besar dapat memberikan wawasan kepada perusahaan minyak dan gas, dengan cara ini kegagalan peralatan dan masa pakai sistem dan komponen yang optimal dapat dianalisis dan diprediksi.
Sumber Artikel: en.wikipedia.org