Pemeliharaan prediktif vs pemeliharaan preventif

Strategi pemeliharaan Anda mungkin bukan hal pertama yang terlintas dalam pikiran ketika memikirkan masalah mendasar. Namun, mengingat mesin, peralatan, dan sistem yang akan membuat bisnis tetap berjalan, strategi pemeliharaan memiliki peran utama. Tanpa kehati-hatian dan perhatian, banyak hal bisa rusak—baik trafo di jaringan listrik, bantalan poros kereta api, atau lemari es di restoran.

Ketika aset tidak berfungsi atau tidak berkinerja optimal, mungkin ada masalah keamanan dan implikasi keuangan – rata-rata produsen dilaporkan kehilangan sekitar 800 jam per tahun dalam waktu henti. Belum lagi infrastruktur yang menua, retensi tenaga kerja, kendala anggaran, dan tekanan keberlanjutan, tidak mengejutkan mengapa bisnis perlu menemukan cara yang lebih baik untuk menjaga aset tetap berada dalam kondisi operasi yang baik.

Memahami dan merencanakan kapan peralatan Anda kemungkinan akan gagal dapat mendorong efisiensi yang lebih besar dalam operasi produksi, tetapi bagaimana Anda memutuskan strategi mana yang paling hemat biaya untuk Anda? Keputusan itu tidak sederhana. Beberapa faktor harus dipertimbangkan, seperti industri Anda, jenis dan penggunaan aset, seberapa mahal penggantiannya, berapa banyak jenis data yang tepat yang Anda miliki, dan seberapa besar dampak kegagalan terhadap bisnis dan pelanggan Anda. Tidak ada solusi yang cocok untuk semua, dan sebagian besar perusahaan memilih kombinasi strategi pemeliharaan yang berbeda di seluruh portofolio aset mereka.

Strategi pemeliharaan reaktif, preventif dan pemeliharaan prediktif adalah pendekatan pemeliharaan yang paling umum digunakan. Pemeliharaan reaktif (juga disebut pemeliharaan korektif) sesuai dengan namanya—bereaksi terhadap kerusakan saat terjadi. Ini cocok untuk aset berbiaya rendah dan tidak penting yang tidak menimbulkan risiko keselamatan atau operasional jika strategi jalankan hingga gagal diterapkan.

Pemeliharaan preventif dan prediktif adalah strategi pemeliharaan proaktif yang menggunakan konektivitas dan data untuk membantu para teknisi dan perencana untuk memperbaiki berbagai hal sebelum rusak. Strategi prediktif membawa ini lebih jauh dan menggunakan teknik data canggih untuk memperkirakan kapan kesalahan kemungkinan akan terjadi pada masa depan. Kedua strategi bertujuan untuk mengurangi risiko bencana atau masalah yang mahal.

Mari kita lihat lebih dalam pendekatan proaktif ini.

Pemeliharaan preventif menggunakan rencana pemeliharaan rutin untuk mengurangi kemungkinan aset rusak dengan melakukan tugas pemeliharaan rutin secara berkala. Waktu henti direncanakan menggunakan praktik terbaik dan rata-rata historis seperti rata-rata waktu antara kegagalan (MTBF). Strategi pemeliharaan preventif telah ada sejak sekitar tahun 1900 dan banyak digunakan sejak akhir 1950-an.

Tiga jenis pemeliharaan preventif utama telah dikembangkan yang semuanya melibatkan pelaksanaan pemeliharaan secara teratur tetapi dijadwalkan secara berbeda dan disesuaikan dengan tujuan operasi bisnis yang berbeda.

• Jadwal pemeliharaan preventif berbasis penggunaan mendasarkan pemeliharaan dan inspeksi pada masa mendatang pada penggunaan aset, seperti mengganti ban mobil Anda setelah 50.000 mil.
• Pemeliharaan preventif berbasis kalender atau waktu menetapkan interval waktu tertentu untuk pemeliharaan, seperti menyervis tungku rumah Anda setiap tahun.
• Pemeliharaan berbasis kondisi menciptakan jadwal berdasarkan faktor-faktor seperti keausan aset dan degradasi.

Dalam semua jenis pemeliharaan preventif, waktu henti mesin direncanakan sebelumnya, dan teknisi menggunakan daftar periksa untuk pemeriksaan, perbaikan, pembersihan, penyesuaian, penggantian, dan kegiatan pemeliharaan lainnya.

Pemeliharaan prediktif dibuat di atas pemantauan berbasis kondisi dengan menilai kondisi aset secara terus-menerus. Sensor mengumpulkan data secara real-time dan dimasukkan ke dalam manajemen aset perusahaan (EAM) yang didukung AI, komputerisasi sistem manajemen pemeliharaan (CMMS), dan perangkat lunak pemeliharaan lainnya. Melalui jenis perangkat lunak ini, alat analisis data canggih dan proses seperti machine learning (ML) dapat mengidentifikasi, mendeteksi, dan mengatasi masalah saat terjadi. Algoritma juga digunakan untuk membangun model yang memprediksi kapan potensi masalah mendatang dapat muncul, yang mengurangi risiko kerusakan aset pada kemudian hari. Hal ini dapat menghasilkan biaya pemeliharaan yang lebih rendah, penurunan waktu henti sekitar 35-50% dan peningkatan masa pakai sebesar 20-40%.

Berbagai teknik pemantauan kondisi digunakan untuk mengidentifikasi anomali aset dan memberikan peringatan dini tentang potensi masalah, termasuk suara (akustik ultrasonik), suhu (termal), pelumasan (oli, cairan), analisis getaran, dan analisis sirkuit motor. Kenaikan suhu pada komponen, misalnya, dapat mengindikasikan adanya penyumbatan pada aliran udara atau cairan pendingin; getaran yang tidak biasa dapat mengindikasikan ketidaksejajaran komponen yang bergerak atau keausan; perubahan suara dapat memberikan peringatan dini akan adanya cacat yang tidak dapat ditangkap oleh telinga manusia.

Industri minyak dan gas adalah pelopor yang menerapkan pemeliharaan prediktif sebagai cara untuk menurunkan risiko bencana lingkungan dan semakin banyak industri lain yang juga merasakan manfaatnya. Dalam industri makanan dan minuman, misalnya, masalah penyimpanan makanan yang tidak terdeteksi dapat memiliki konsekuensi kesehatan yang besar, dan dalam industri pengiriman, mengantisipasi dan mencegah kegagalan peralatan mengurangi jumlah perbaikan yang harus dilakukan di laut, yang lebih sulit untuk dilakukan dan lebih mahal daripada di pelabuhan.

Kedua jenis strategi pemeliharaan ini meningkatkan waktu aktif dan mengurangi waktu henti, sehingga meningkatkan keandalan dan siklus hidup aset. Perbedaan utama adalah waktu dan kemampuan untuk memprediksi kemungkinan kondisi aset di masa depan.

Program pemeliharaan preventif menggunakan data historis untuk mengantisipasi kondisi aset yang diharapkan dan mereka menjadwalkan tugas pemeliharaan rutin secara berkala sebelumnya. Meskipun hal ini baik untuk perencanaan, aset mungkin kurang atau lebih dipelihara, mengingat sebagian besar kegagalan aset tidak terduga. Masalah mungkin terlambat didiagnosis untuk mencegah kerusakan pada aset, misalnya, yang kemungkinan akan berarti waktu henti yang lebih lama saat diperbaiki, atau menghabiskan waktu dan uang yang sebenarnya tidak diperlukan.

Pemeliharaan prediktif menghindari pemeliharaan yang tidak perlu dengan memahami kondisi peralatan yang sebenarnya. Ini berarti bahwa alat ini dapat mendeteksi dan melakukan perbaikan masalah lebih awal daripada pemeliharaan preventif dan mencegah timbulnya masalah yang lebih serius.

Pemeliharaan prediktif memanfaatkan teknologi baru seperti kecerdasan buatan, machine learning, dan Internet of Things (IoT) untuk menghasilkan insight. Sistem dan perangkat lunak manajemen pemeliharaan secara otomatis membuat perintah kerja pemeliharaan korektif, memungkinkan tim pemeliharaan, ilmuwan data, dan karyawan lainnya untuk membuat keputusan yang lebih cerdas, lebih cepat, dan lebih baik secara finansial.

Alur kerja manajemen inventaris seperti rantai pasokan tenaga kerja dan suku cadang menjadi lebih efisien dan berkelanjutan dengan meminimalkan penggunaan energi dan limbah. Pemeliharaan prediktif dapat memasukkan data ke dalam praktik pemeliharaan lain berdasarkan analitik real-time seperti kembaran digital, yang dapat digunakan untuk memodelkan skenario dan opsi pemeliharaan lainnya tanpa risiko terhadap produksi.

Ada beberapa kendala yang harus diatasi agar pemeliharaan prediktif menjadi efektif atau bahkan memungkinkan, seperti kompleksitas, pelatihan, dan data. Pemeliharaan prediktif membutuhkan infrastruktur data dan sistem modern yang dapat membuat pengaturan mahal jika dibandingkan dengan pemeliharaan preventif. Melatih tenaga kerja untuk menggunakan alat dan proses baru serta menginterpretasikan data dengan benar bisa jadi mahal dan memakan waktu. Pemeliharaan prediktif juga bergantung pada pengumpulan volume besar data spesifik. Dan terakhir, menerapkan strategi pemeliharaan prediktif membutuhkan perubahan budaya untuk mengakomodasi pergeseran dari operasi harian yang telah ditentukan ke operasi harian yang lebih fleksibel, yang dapat menjadi tantangan.

Singkatnya, meskipun strategi pemeliharaan preventif dan pemeliharaan prediktif berfokus pada peningkatan keandalan aset dan mengurangi risiko kegagalan, keduanya sangat berbeda. Pemeliharaan preventif bersifat teratur dan rutin, sedangkan pemeliharaan prediktif berfokus pada penyediaan informasi yang tepat tentang aset tertentu pada waktu yang tepat. Pemeliharaan preventif cocok untuk aset di mana pola kegagalan dapat diprediksi (misalnya, masalah berulang atau sering) dan dampak kegagalan relatif rendah, sedangkan pemeliharaan prediktif mungkin lebih menguntungkan untuk aset strategis di mana kegagalan kurang dapat diprediksi dan dampak kegagalan terhadap bisnis tinggi. Pada akhirnya, jika strategi pemeliharaan prediktif berhasil diterapkan dan dijalankan, mereka akan menghasilkan pelanggan yang lebih bahagia dan penghematan biaya yang signifikan melalui pemeliharaan dan kinerja aset yang dioptimalkan.

Kabar baiknya adalah IBM dapat membantu. IBM Maximo Application Suite adalah serangkaian aplikasi yang memungkinkan Anda untuk mengalihkan perencanaan pemeliharaan di luar jadwal waktu ke pemeliharaan prediktif berdasarkan kondisi sesuai insight kesehatan aset.

Menggabungkan data operasional, IoT, AI, dan analitik dalam satu platform berbasis cloud terintegrasi, Maximo akan mendorong keputusan yang lebih cerdas dan berbasis data yang meningkatkan keandalan aset, memperpanjang siklus hidup aset, mengoptimalkan kinerja, dan mengurangi waktu henti operasional dan biaya.