Apa itu pemeliharaan preskriptif?

Jenis pemeliharaan ini banyak digunakan di berbagai industri, di mana pun aset industri yang berat dan saling berhubungan adalah inti dari proses bisnis.

Karena makin banyak perusahaan yang beralih dari strategi pemeliharaan reaktif yang ketinggalan zaman menuju pemeliharaan proaktif yang lebih modern, analisis preskriptif muncul sebagai salah satu solusi paling canggih di pasar. Banyak organisasi maju menerapkan strategi preskriptif bersama strategi prediktif. Strategi prediktif digunakan untuk mengidentifikasi masalah dan strategi preskriptif untuk merekomendasikan solusi.

Dengan bantuan sensor pintar dan platform manajemen aset perusahaan (EAM), organisasi modern dapat mengumpulkan lebih banyak informasi dari sebelumnya tentang aset mereka. Pemeliharaan preskriptif membantu menggunakan data tersebut, merekomendasikan tugas pemeliharaan untuk menyelesaikan masalah sebelum mengakibatkan kegagalan peralatan atau waktu henti yang tidak direncanakan.

Pemeliharaan prediktif (PdM) adalah rencana pemeliharaan yang menggunakan data operasional dan pemantauan kondisi real-time (CM) untuk memprediksi kapan aset kemungkinan akan gagal. Pemeliharaan preskriptif mengambil pendekatan ini selangkah lebih maju dengan merekomendasikan tugas pemeliharaan khusus yang dapat dilakukan teknisi untuk menyelesaikan masalah dan bahkan mengevaluasi kontingensi keuangan dan operasional dari rekomendasinya.

Pemeliharaan preskriptif bergantung pada pemeliharaan prediktif untuk fungsi intinya, yaitu memberikan rekomendasi berbasis data untuk menyelesaikan masalah pemeliharaan sebelum mengakibatkan penurunan kinerja atau kegagalan aset.

Ketika organisasi makin banyak menerapkan teknologi IoT dan analitik canggih sebagai bagian dari strategi manajemen aset mereka, permintaan akan solusi preskriptif dan prediktif meningkat. Menurut laporan terbaru, pasar global untuk solusi analisis preskriptif dan analisis prediktif bernilai 25,40 miliar USD pada tahun 2024 dan diperkirakan akan tumbuh menjadi 156,14 miliar USD pada tahun 2032.

Semua strategi pemeliharaan preskriptif (RxM) mengikuti proses lima fase yang melibatkan pengumpulan data dari sensor IoT, analisis data menggunakan teknik preskriptif dan prediktif, dan otomatisasi tugas.

Berikut adalah pandangan lebih dekat pada setiap fase.

Aset industri modern seperti pompa minyak dan gas, turbin, dan transformator dilengkapi dengan ribuan sensor IoT yang mengumpulkan data yang berkaitan dengan kinerja aset secara real time. Data yang dikumpulkan oleh sensor ini biasanya mencakup variabel penting seperti suhu, getaran, konsumsi energi, dan laju aliran.

Data ini kemudian ditransmisikan ke platform pemantauan kondisi (CM), lingkungan cloud , atau sistem komputasi edge untuk analisis lebih lanjut. Selama tahap ini, platform preskriptif juga mengimpor data historis tentang kinerja aset untuk dibandingkan dengan kondisi saat ini.

Organisasi harus menetapkan ekspektasi kinerja dasar untuk setiap aset yang ingin mereka pantau, untuk menetapkan profil operasi normal dalam kondisi ideal. Tanpa parameter dasar, sistem pemeliharaan preskriptif tidak dapat mendeteksi anomali atau mengidentifikasi pola yang mungkin mengindikasikan mode kegagalan yang sedang berlangsung.

Tahap kedua dari alur kerja analisis preskriptif melibatkan penerapan analisis prediktif dan algoritma statistik untuk memprediksi kegagalan sebelum terjadi. Mengandalkan parameter dasar kinerja dan data yang dikumpulkan selama fase satu, sistem sekarang dapat memprediksi kapan aset tertentu kemungkinan akan gagal.

Misalnya, model prediktif yang telah mengumpulkan dan menganalisis data tentang mesin kendaraan mungkin menentukan bahwa mesin memiliki kemungkinan kegagalan 99% dalam waktu 6 minggu. Informasi ini didasarkan pada peningkatan getaran yang dideteksi dibandingkan dengan data operasi historis.

Fase 2 adalah di mana strategi dan sistem pemeliharaan prediktif tradisional berakhir, memungkinkan teknisi untuk bertindak berdasarkan informasi yang dihasilkan.

Pemeliharaan preskriptif memperkenalkan lapisan kecerdasan tambahan, membangun insight yang dikumpulkan oleh metode prediktif dalam fase 1 dan 2. Pada fase ketiga, sistem preskriptif dapat mengevaluasi respons potensial dan merekomendasikan tindakan berdasarkan variabel yang diprogram untuk dipertimbangkan.

Sebagai contoh, jika sistem preskriptif mempelajari pada fase 2 bahwa bantalan kemungkinan akan segera rusak, sistem tersebut mungkin merekomendasikan salah satu tindakan berikut:

• Ganti bantalan dalam jangka waktu tertentu.
• Sesuaikan parameter operasional untuk mengakomodasi bantalan yang rusak.
• Kurangi kecepatan operasi untuk mengakomodasi tugas pemeliharaan.
• Jadwalkan pemeliharaan selama pematian yang akan datang untuk menghindari waktu henti yang tidak direncanakan.
• Tingkatkan pelumasan.

Selain data pemeliharaan dan kinerja, beberapa organisasi menambahkan data dari bagian lain perusahaan, seperti perencanaan modal, inventaris suku cadang, dan penjadwalan kerja, untuk dipertimbangkan sistem preskriptif.

Sebagian besar strategi pemeliharaan preskriptif modern mengotomatiskan dan meningkatkan alur kerja dengan menggunakan sistem manajemen pemeliharaan terkomputerisasi (CMMS). Ketika terintegrasi dengan benar, CMMS modern memainkan peran penting dalam RxM, berfungsi sebagai sistem catatan dan lapisan eksekusi untuk kegiatan pemeliharaan preskriptif.

Sebagai sistem pencatatan, CMMS berfungsi sebagai sumber otoritatif informasi bisnis untuk semua kegiatan pemeliharaan. Sebagai pelaksana tugas pemeliharaan preskriptif, CMMS dapat diatur untuk mengotomatiskan tugas manual, seperti menghasilkan perintah kerja, memesan suku cadang pengganti, dan menjaga jadwal pemeliharaan tetap mutakhir.

Mengintegrasikan CMMS ke dalam strategi pemeliharaan preskriptif membantu merampingkan kegiatan pemeliharaan, mengurangi ketergantungan pada upaya manual, dan meningkatkan eksekusi.

Tahap akhir dari alur kerja pemeliharaan preskriptif berlangsung secara berkelanjutan. Pembelajaran berkelanjutan adalah teknik pelatihan AI yang melibatkan pelatihan model secara berurutan untuk tugas-tugas baru sambil mempertahankan apa yang sudah dipelajari. Saat CMMS menghasilkan perintah kerja dan tim pemeliharaan menyelesaikannya, algoritma machine learning terus-menerus belajar dari hasil setiap tugas pemeliharaan yang diselesaikan.

Akhirnya, ketika sistem pembelajaran preskriptif telah mengumpulkan informasi yang cukup, sistem ini memperoleh insight tentang rekomendasi intervensi mana yang mencegah kegagalan aset dan mana yang tidak. Insight ini sangat berharga di tingkat operasional, karena menjadi dasar rekomendasi sistem masa depan dan cara teknisi menetapkan dan mengelola parameter dasar.  

Organisasi mengadopsi strategi pemeliharaan preskriptif karena strategi ini memberikan manfaat yang melampaui tahap operasional dan pelaksanaan pemeliharaan aset. Ketika dipraktikkan secara efektif, pemeliharaan preskriptif dapat berdampak pada seluruh organisasi, sehingga meningkatkan keselamatan pekerja, membuat perencanaan modal lebih efisien, dan meningkatkan produktivitas secara keseluruhan:

• Lebih sedikit waktu henti yang tidak direncanakan: Waktu henti yang tidak direncanakan adalah salah satu sumber gangguan operasional yang paling mahal di sektor industri. Menurut laporan terbaru, waktu henti yang tidak direncanakan merugikan produsen sekitar 50 miliar USD setiap tahunnya, dengan biaya rata-rata sekitar 260.000 USD per jam. Pemeliharaan preskriptif membantu memprediksi kegagalan dan merekomendasikan tindakan korektif untuk mencegahnya, secara signifikan mengurangi waktu henti pada mesin dan peralatan.

• Peningkatan efisiensi operasional: Pemeliharaan preskriptif membantu organisasi memprioritaskan kegiatan pemeliharaan mereka berdasarkan risiko dan dampak bisnis, bukan hanya kesehatan dan kinerja aset. Dengan melihat upaya pemeliharaan dari sudut pandang perencanaan modal, strategi preskriptif membantu menjelaskan tugas pemeliharaan yang akan berdampak pada operasi bisnis, bukan hanya pada kesehatan aset tertentu.

• Lebih sedikit perbaikan darurat: Perawatan darurat, jenis pemeliharaan reaktif yang dilakukan ketika peralatan vital rusak, bermasalah bahkan ketika tidak menyebabkan waktu henti yang tidak direncanakan. Perbaikan darurat sering menimbulkan peningkatan biaya dari tenaga kerja lembur dan pengiriman suku cadang yang dipercepat serta dapat menciptakan kondisi berbahaya bagi pekerja. Pemeliharaan preskriptif mengurangi kemungkinan perbaikan darurat dengan memungkinkan intervensi terencana yang mengatasi masalah sebelum meningkat.

• Manajemen siklus hidup aset yang lebih kuat: Manajemen siklus hidup aset (ALM) adalah proses yang diandalkan organisasi untuk menjaga agar aset tetap berjalan lancar sepanjang siklus hidupnya. Pemeliharaan preskriptif meningkatkan ALM dengan memberikan visibilitas real-time ke kesehatan aset dan kinerja masa depan. Ketika diintegrasikan dengan CMMS, strategi pemeliharaan preskriptif dapat membantu organisasi membuat keputusan yang lebih tepat tentang aset mereka selama setiap tahap siklus hidup aset, termasuk perencanaan, pemasangan, operasi, dan penghentian.

• Peningkatan keandalan: Strategi pemeliharaan preskriptif membantu organisasi mengidentifikasi mode kegagalan sejak dini dan mengatasinya sebelum mengakibatkan kegagalan peralatan. Pendekatan ini membantu mengurangi kemungkinan kegagalan fatal dalam jangka pendek dan membuat peralatan dan proses lebih dapat diandalkan dari waktu ke waktu.

• Keselamatan pekerja yang ditingkatkan: Kegagalan peralatan menimbulkan risiko keselamatan yang signifikan, terutama di lingkungan industri yang mengoperasikan aset berat. Pemeliharaan preskriptif membantu organisasi mengidentifikasi masalah yang berkembang sebelum menjadi peristiwa berbahaya, sehingga mengurangi kemungkinan insiden keselamatan di tempat kerja.

• Peningkatan keberlanjutan: Ketika inisiatif keberlanjutan menjadi lebih umum di tingkat perusahaan, pemeliharaan preskriptif muncul sebagai alat yang efektif untuk membantu organisasi mencapai tujuan mereka. Aset yang dirawat dengan baik mengonsumsi lebih sedikit energi, menghasilkan lebih sedikit emisi dan limbah, dan membutuhkan lebih sedikit suku cadang pengganti. Selain itu, dengan terus-menerus mengumpulkan dan menganalisis data dari ribuan sensor IoT, organisasi memperoleh insight berharga tentang kinerja aset mereka dan tindakan pemeliharaan mana yang membantu membuat aset lebih berkelanjutan.  

Pemeliharaan preskriptif digunakan di semua industri yang padat aset, termasuk manufaktur, minyak dan gas, dan pertambangan. Berikut adalah bagaimana industri tersebut dan lainnya menggunakannya untuk meningkatkan keandalan aset, menurunkan biaya, dan meningkatkan keselamatan pekerja:

Perusahaan manufaktur menggunakan pemeliharaan preskriptif terutama untuk memantau peralatan produksi, robotika, dan sistem perakitan besar.

Platform modern yang didukung AI dapat menganalisis getaran, suhu, level cairan, dan indikator kinerja utama (KPI) lainnya serta membantu mengidentifikasi masalah peralatan sebelum mengakibatkan kegagalan.

Aplikasi umum untuk pemeliharaan preskriptif di industri manufaktur meliputi:

• Mesin kendali numerik komputer (CNC)
• Robot industri
• Sistem konveyor
• Peralatan pengemasan
• Kompresor

Fasilitas minyak dan gas bergantung pada aset besar dan kompleks yang beroperasi tanpa gangguan (dan dalam lingkungan yang berat) untuk proses bisnis inti mereka.

Pemeliharaan preskriptif membantu memantau dan memelihara berbagai komponen penting, termasuk pompa, kompresor, pipa, dan turbin, sehingga memastikan waktu henti tetap minimum.  

Pemeliharaan preskriptif juga membantu meningkatkan keselamatan pekerja di sektor minyak dan gas. Kegagalan mesin berat dapat menyebabkan cedera dan bahkan kematian. Analitik tingkat lanjut membantu mengidentifikasi dan memperbaiki masalah pada derek, pompa, dan instalasi pengebor minyak sebelum mengakibatkan kondisi berbahaya.

Peralatan pertambangan sering dioperasikan dalam kondisi ekstrem yang dapat mempercepat keausan dan menyebabkan degradasi.

Pemeliharaan preskriptif dengan CMMS yang terintegrasi penuh membantu teknisi pemeliharaan memantau kondisi operasional dan kinerja aset untuk berbagai aset berat yang penting untuk operasi inti, termasuk:

• Truk pengangkut
• Penghancur
• Konveyor
• Ekskavator
• Peralatan pengolahan

Alat analitik real-time memberi tim pemeliharaan gambaran akurat tentang bagaimana lingkungan dan kondisi memengaruhi peralatan mereka dan membantu mereka mengatasi masalah sebelum mengakibatkan penghentian produksi.  

Industri transportasi dan logistik terutama bergantung pada pemeliharaan preskriptif untuk melayani armada kendaraan besar yang mengangkut orang dan barang untuk jarak jauh.

Kendaraan yang dilengkapi dengan sensor IoT mengumpulkan data di sumbernya untuk analisis lebih lanjut pada CMMS atau di cloud. Pengaplikasian pemeliharaan preskriptif dalam industri transportasi dan logistik meliputi:

• Armada truk komersial
• Jaringan kereta api
• Pesawat
• Kapal laut

Rumah sakit modern mengandalkan aset besar dan kompleks untuk mendukung perawatan pasien dan merampingkan proses. Mengingat kekritisan lingkungan dan sifat sistem yang saling berhubungan, aset-aset ini harus sangat dapat diandalkan.

Di lingkungan rumah sakit, pemeliharaan preskriptif membantu mendukung berbagai sistem:

• Mesin MRI
• Pemindai CT
• Ventilator
• Peralatan laboratorium
• Sistem infrastruktur gedung

Sistem pemeliharaan preskriptif untuk perawatan kesehatan meningkatkan waktu aktif peralatan, keselamatan pasien, dan kepatuhan terhadap peraturan.

Ketika AI, teknologi IoT, dan aplikasi ML terus berkembang, pemeliharaan preskriptif siap untuk menjadi komponen dasar dari program pemeliharaan modern. Sistem masa depan kemungkinan akan mengintegrasikan algoritma yang makin canggih, kumpulan data yang lebih besar, dan bahkan model prediksi yang lebih kuat untuk memberikan rekomendasi yang akurat.

Organisasi yang dapat menggabungkan pemeliharaan preskriptif dengan pemeliharaan prediktif, platform CMMS, dan sistem EAM canggih akan berada dalam posisi terbaik untuk mewujudkan manfaat dari teknologi ini saat mereka matang. Dalam beberapa hal, pemeliharaan preskriptif mewakili era baru dalam manajemen pemeliharaan, dan organisasi yang dapat menggunakannya dengan lebih baik dapat menggantikan praktik reaktif yang ketinggalan zaman dengan praktik yang lebih efisien, otomatis, dan proaktif.

Tetapi masa depan pemeliharaan preskriptif juga akan memiliki tantangan. Kekuatan sistem analisis preskriptif dan analisis prediktif bergantung pada data yang diterima, dan banyak organisasi masih kesulitan menghadapi berbagai masalah seputar data mereka, termasuk contoh-contoh berikut:

• Riwayat pemeliharaan dan catatan kegagalan yang tidak lengkap atau tidak tersedia
• Perintah kerja yang didokumentasikan dengan buruk
• Konvensi penamaan aset yang tidak konsisten
• Data operasional yang terisolasi

Ketika dibangun dengan didasari data yang baik, pemeliharaan preskriptif dapat membantu organisasi menggunakan kecerdasan berbasis data di semua proses pemeliharaan mereka, sehingga memperpanjang siklus hidup aset dan meningkatkan produktivitas. Tetapi jika data yang mendasarinya buruk, bahkan platform prediktif dan preskriptif paling canggih pun tidak akan berhasil.