Pengantar: Maintenance Prediktif Tak Cukup Hanya Data Historis
Predictive maintenance (perawatan prediktif) menjadi ujung tombak transformasi digital industri. Dengan mengandalkan estimasi Remaining Useful Life (RUL) komponen, sistem dapat melakukan perawatan sebelum terjadi kerusakan. Tapi masalahnya, tidak semua sistem punya data historis kerusakan.
Itulah mengapa pendekatan Physics-of-Failure (PoF) jadi solusi revolusioner—menggunakan model fisik dari kerusakan material untuk memprediksi umur komponen. Sayangnya, implementasinya tidak mudah. Banyak model kerusakan yang rumit, tidak ada panduan pemilihan model yang tepat, dan minim bantuan praktis.
Studi dari Karthikeyan Karuppusamy di University of Twente menjawab tantangan ini dengan menciptakan sebuah tool modular yang mampu menghubungkan model-model kerusakan fisik dengan implementasi maintenance prediktif nyata.
Tujuan & Masalah yang Dipecahkan
Penelitian ini fokus menjawab pertanyaan:
"Bagaimana cara mengidentifikasi model kerusakan fisik yang feasible untuk PoF prognostics berdasarkan siklus hidup komponen dan kondisi operasionalnya?"
Karena jumlah model kerusakan sangat besar, penulis memfokuskan kajian pada komponen shaft (poros) sebagai studi kasus, karena poros adalah bagian vital dalam mesin rotasi industri.
Komponen Tool & Cara Kerjanya
Tool ini terdiri dari tiga bagian utama:
- Database Model Kerusakan
- Berisi ratusan model untuk berbagai mekanisme: fatigue, creep, corrosion, fretting.
- Dikelompokkan ke dalam kategori:
- CL: Cumulative Life Model
- DE: Damage Estimator
- CB: Condition-Based Model
- FT: Final Threshold
- DC: Damage Criterion
- Guidance Sheet
- Menghubungkan failure mechanism → kondisi operasional → sensor → model yang sesuai.
- Bisa di-custom untuk berbagai komponen, tidak hanya shaft.
- Flowchart Feasibility
- Membantu pengguna menentukan model berdasarkan:
- Komponen baru/lama
- Riwayat beban
- Kemampuan pemasangan sensor
- Tersedianya data atau material properties
- Membantu pengguna menentukan model berdasarkan:
Studi Kasus Shaft: Aplikasi Nyata Tool
Komponen shaft (poros) dipilih karena:
- Umum di industri: dari kereta api, turbin angin, pompa, motor listrik hingga kompresor.
- Mengalami berbagai mekanisme kerusakan: fatigue biasa, thermo-mechanical fatigue (TMF), fatigue korosi, fretting fatigue.
Jenis Beban dan Model yang Relevan dengan Sensor & Variabel yang Dimonitor
Dalam analisis beban pada shaft, berbagai jenis beban seperti bending, torsion, dan kombinasi keduanya memerlukan model yang sesuai untuk aplikasi tertentu. Misalnya, untuk non-driven axles yang mengalami bending uniaxial, model yang cocok adalah CL1–CL9 dan CB1–CB11. Sementara itu, shaft industri yang mengalami torsi shear dapat menggunakan model CL1–CL6. Untuk driven bogies yang mengalami kombinasi bending dan torsion, model yang relevan adalah CL11–CL23 dan CB12–CB13.
Untuk mendukung pemilihan model yang tepat, sensor-sensor seperti strain gauge rosette, torque cell, dan accelerometer digunakan untuk memantau variabel penting. Strain gauge rosette mengukur tegangan dan regangan, torque cell mengukur torsi dan gaya radial, sedangkan accelerometer memantau getaran yang berkaitan dengan bending stress. Kombinasi data dari sensor-sensor ini memungkinkan pembentukan tensor tegangan lengkap pada shaft, yang mencakup komponen-komponen seperti σ_x, σ_y, dan τ_xy, yang sangat penting untuk analisis kelelahan multiaxial.
Model Feasible & Cara Kerjanya
Dua Pendekatan Prediksi Umur:
- Pendekatan 1 (CL + DE)
- Cocok untuk komponen baru
- Gunakan model seperti SN curve, Palmgren-Miner's Rule
- Butuh riwayat beban lengkap
- Pendekatan 2 (CB/FT)
- Cocok untuk komponen lama/tidak ada data beban
- Gunakan crack growth model atau final threshold
- Cukup butuh nilai saat ini dan sensor kondisi
Contoh Model Fatigue Crack Growth (CB1):
dadN=C⋅(ΔK)m\frac{da}{dN} = C \cdot (\Delta K)^m
Dengan:
- da/dN: laju pertumbuhan retak
- ΔK: faktor intensitas tegangan
- Parameter bisa dimonitor dari data crack + tegangan sensor
Studi Kasus Aplikasi Nyata
1. Spinner Separator Shaft
- Beban utama: bending & torsion
- Sensor: torque cell + accelerometer
- Model feasible: CB12 (crack-based, multiaxial), FT1 (final threshold crack size)
- Keputusan: PoF prognostics feasible jika sensor & toughness tersedia.
2. Shaft Komposit pada Proyek SLOWIND
- Material: FRC (Fibre Reinforced Composite)
- Beban: torsional fatigue
- Sensor: strain gauge
- Model: CL1–CL2 (SN curves untuk FRC)
- Tantangan: crack model untuk FRC masih minim
- Keputusan: feasible hanya jika dikombinasikan dengan trending data.
Keunggulan Tool Ini Dibandingkan Praktik Sebelumnya
Tool ini menawarkan sejumlah keunggulan signifikan dibandingkan praktik sebelumnya dalam analisis beban pada shaft. Sebelumnya, pemilihan model sering kali bersifat subjektif dan spekulatif, namun dengan adanya tool ini, proses pemilihan menjadi lebih terstruktur dan berbasis data sensor yang akurat. Dalam hal komponen baru versus lama, pendekatan sebelumnya cenderung menggunakan satu metode yang sama, sementara tool ini dapat disesuaikan dengan siklus hidup komponen, memberikan fleksibilitas yang lebih besar.
Aksesibilitas model juga meningkat, karena sebelumnya literatur terkait tersebar di berbagai sumber, sedangkan tool ini mengumpulkan semua model dalam satu database yang mudah diakses. Selain itu, feasibility check yang dilakukan sebelumnya tidak sistematis, kini memiliki langkah-langkah yang jelas dan modular, memudahkan pengguna dalam mengevaluasi kelayakan model. Terakhir, integrasi sensor yang umumnya terabaikan dalam praktik lama kini diintegrasikan secara penuh dalam tool ini, memungkinkan pemantauan yang lebih efektif dan akurat terhadap variabel yang relevan.
Potensi Implementasi di Industri
Untuk Industri:
- Maintenance lebih tepat waktu
- Downtime lebih singkat
- Biaya perawatan menurun
Untuk Edukasi & Pelatihan Teknik:
- Dapat dijadikan modul pembelajaran PHM (Prognostics & Health Management)
- Bahan praktikum di bootcamp industri 4.0
- Referensi pengembangan Digital Twin berbasis fisika
Catatan Kritik & Pengembangan Lanjutan
Kelemahan Saat Ini:
- Database model masih bisa diperluas ke selain shaft
- Sensor tertentu (misalnya fretting) belum umum tersedia
- Tidak semua model mempertimbangkan kombinasi beban yang kompleks
Potensi Ke Depan:
- Integrasi dengan Machine Learning untuk hybrid modeling
- Otomatisasi dalam sistem CMMS (Computerized Maintenance Management System)
- Penerapan di komponen pesawat, reaktor, dan robotika
Kesimpulan: Tool Prognostik PoF Ini adalah Lompatan Strategis
Inovasi dari penelitian ini bukan hanya menyusun ulang teori yang sudah ada, tapi membangun jembatan antara literatur teknis dan penerapan nyata. Dengan alur kerja yang jelas, kategorisasi model yang rapi, dan pemetaan sensor yang presisi, tool ini menjadikan pendekatan PoF lebih aplikatif, akurat, dan fleksibel.
Bagi dunia industri maupun edukasi teknik, tool ini adalah langkah nyata menuju perawatan prediktif cerdas berbasis ilmu fisika.
Referensi : Karuppusamy, Karthikeyan. Development of Physics-of-Failure Based Prognostics Feasibility Tool for Predictive Maintenance. Master’s Thesis, University of Twente, 2019.