Apa yang dimaksud dengan pemeliharaan prediktif?

Dengan mengumpulkan data dari sensor dan menerapkan alat dan proses analisis canggih seperti machine learning (ML). Pemeliharaan prediktif dapat mengidentifikasi, mendeteksi, dan mengatasi masalah saat terjadi, serta memprediksi potensi kondisi peralatan di masa depan, dan dengan demikian mengurangi risiko. Kuncinya adalah memberikan informasi yang tepat pada waktu yang tepat kepada orang yang tepat.

Strategi dan kematangan pemeliharaan tergantung pada faktor-faktor seperti biaya aset dan penggantian, tingkat kepentingan aset, pola penggunaan, dan dampak kegagalan terhadap keselamatan, lingkungan, operasi, keuangan dan citra publik. Pemeliharaan prediktif adalah salah satu dari tiga strategi pemeliharaan terkemuka yang digunakan oleh berbagai bisnis. Yang lainnya adalah pemeliharaan reaktif, yang memperbaikan kegagalan ketika terjadi, dan pemeliharaan preventif, yang bergantung pada jadwal pemeliharaan yang telah ditentukan untuk mengidentifikasi kesalahan.

Karena pemeliharaan prediktif bersifat proaktif, perawatan ini meningkatkan pemeliharaan preventif dengan memberikan insight berkelanjutan tentang kondisi peralatan yang sebenarnya. Daripada mengandalkan kondisi peralatan yang diharapkan berdasarkan garis dasar historis. Dengan pemeliharaan prediktif, pemeliharaan korektif hanya dilakukan jika diperlukan, sehingga menghindari timbulnya biaya pemeliharaan yang tidak perlu dan waktu henti mesin.

Pemeliharaan prediktif menggunakan data historis dan kegagalan seri waktu untuk memprediksi potensi kesehatan peralatan di masa depan sehingga dapat mengantisipasi masalah sebelumnya. Hal ini memungkinkan bisnis untuk mengoptimalkan penjadwalan pemeliharaan dan meningkatkan keandalan.

Pemeliharaan prediktif juga berbeda dengan pemeliharan preventif dalam hal keberagaman dan luasnya data real-time yang digunakan dalam memantau peralatan. Berbagai teknik pemantauan kondisi seperti analisis suara (akustik ultrasonik), suhu (termal), pelumasan (oli, cairan), dan getaran dapat mengidentifikasi anomali dan memberikan peringatan dini tentang potensi masalah. Kenaikan suhu pada suatu komponen, misalnya, mungkin mengindikasikan penyumbatan aliran udara atau keausan. Getaran yang tidak biasa mungkin mengindikasikan ketidaksejajaran bagian yang bergerak. Perubahan suara dapat memberikan peringatan dini cacat yang tidak dapat ditangkap oleh telinga manusia.

Pemeliharaan prediktif mengandalkan berbagai teknologi termasuk Internet of Things (IoT), analisis prediktif, dan kecerdasan buatan (AI). Sensor yang terhubung mengumpulkan data dari aset seperti mesin dan peralatan. Data ini dikumpulkan di edge atau cloud dalam manajemen aset perusahaan (EAM) atau sistem manajemen pemeliharaan terkomputasi (CMMS) yang didukung AI. AI dan machine learning digunakan untuk menganalisis data secara real time untuk membangun gambaran kondisi peralatan saat ini. Setelah itu, memicu peringatan jika ada potensi cacat yang diidentifikasi dan mengirimkannya ke tim pemeliharaan.

Selain memberikan peringatan kerusakan, kemajuan dalam algoritme machine learning memungkinkan solusi pemeliharaan prediktif untuk membuat prediksi tentang kondisi peralatan di masa depan. Hal ini dapat digunakan untuk mendorong efisiensi yang lebih besar dalam alur kerja dan proses yang terkait dengan pemeliharaan, seperti penjadwalan perintah kerja secara just-in-time serta rantai pasokan tenaga kerja dan suku cadang. Selain itu, semakin banyak data yang dikumpulkan, semakin banyak insight yang dihasilkan, dan semakin baik prediksinya. Hal ini memberikan keyakinan kepada bisnis bahwa peralatan bekerja secara optimal.

Manfaat dari strategi pemeliharaan prediktif berpusat pada antisipasi kesalahan dan kegagalan peralatan, mengurangi biaya pemeliharaan dan pengoperasian dengan mengoptimalkan waktu dan sumber daya, serta meningkatkan kinerja dan keandalan peralatan. Deloitte melaporkan pada tahun 2022 bahwa pemeliharaan prediktif dapat menghasilkan pengurangan 5-15% dalam waktu henti fasilitas dan peningkatan 5-20% dalam produktivitas tenaga kerja.¹

Mengoptimalkan kinerja aset dan waktu aktif dapat mengurangi biaya. Peringatan dini tentang potensi kesalahan mengurangi kerusakan dan pemeliharaan terencana atau waktu henti tak terduga. Visibilitas kondisi berkelanjutan yang lebih besar meningkatkan keandalan dan daya tahan peralatan di seluruh siklus hidup. Penggunaan AI dapat meramalkan operasi masa depan dengan lebih akurat. Manfaat terakhir ini sangat penting di dunia di mana kenaikan harga dan peristiwa tak terduga seperti pandemi dan bencana alam terkait iklim mengungkapkan kebutuhan akan inventaris suku cadang dan biaya tenaga kerja yang lebih dapat diprediksi dan dampak lingkungan yang lebih rendah dari operasi.

Produktivitas dapat ditingkatkan dengan mengurangi operasi pemeliharaan yang tidak efisien. Memungkinkan respons yang lebih cepat terhadap masalah melalui alur kerja cerdas dan otomatisasi, dan melengkapi teknisi, ilmuwan data, dan karyawan di seluruh rantai nilai dengan data yang lebih baik untuk membuat keputusan. Hasilnya adalah metrik yang lebih baik seperti waktu rata-rata antara kegagalan (MTBF) dan waktu rata-rata hingga perbaikan (MTTR), kondisi kerja yang lebih aman bagi karyawan, serta peningkatan pendapatan dan profitabilitas.

Ada beberapa hambatan dalam pemeliharaan prediktif, yang bisa jadi mahal, setidaknya pada awalnya.

• Infrastruktur sistem: biaya awal yang terkait dengan kompleksitas strategi tinggi. Hal ini sering kali melibatkan peningkatan dan integrasi teknologi yang sudah ketinggalan zaman dan sistem pemantauan serta investasi dalam pemeliharaan dan alat manajemen data serta infrastruktur data dan sistem.
• Pelatihan tenaga kerja: melatih tenaga kerja untuk menggunakan alat dan proses baru serta menginterpretasikan data dengan benar bisa jadi mahal dan memakan waktu.
• Persyaratan data: masa lalu adalah prediktor kinerja masa depan. Agar pemeliharaan prediktif menjadi efektif, ketersediaan data historis dan kegagalan (atau proksi) deret waktu dalam jumlah besar sangat penting. Kemampuan untuk melihat korelasi data dan analogi dengan jenis peralatan yang serupa dalam kondisi operasi fisik juga sangat penting dan juga dapat membantu meningkatkan sifat prediktif analitik.

Menilai kekritisan dan biaya kegagalan aset individu juga membutuhkan waktu dan uang. Tetapi sangat penting dalam menentukan apakah pemeliharaan prediktif sesuai. Aset berbiaya rendah dengan suku cadang murah yang tersedia mungkin lebih baik dilayani dengan strategi pemeliharaan lainnya. Program pemeliharaan prediktif memang sulit, namun keuntungan kompetitif dan finansial dari strategi yang dijalankan dengan baik sangatlah signifikan.

Teknologi pemeliharaan prediktif telah diadopsi di berbagai industri untuk beragam aset, mulai dari ATM, turbin angin, penukar panas, hingga robot manufaktur. Industri padat aset seperti Energi, Manufaktur, Telekomunikasi, dan Transportasi, di mana kegagalan peralatan yang tidak terduga dapat menimbulkan konsekuensi yang luas, semakin beralih ke teknologi canggih untuk meningkatkan keandalan peralatan dan produktivitas tenaga kerja. Potensi kegunaannya banyak dan beragam:

Penemuan teknik pemeliharaan prediktif sebagian besar dikaitkan dengan CH Waddington pada Perang Dunia kedua. Dia memperhatikan bahwa pemeliharaan preventif terencana tampaknya menyebabkan kegagalan tak terduga pada pesawat pengebom.² Hal ini menyebabkan muncul dan berkembangnya pemeliharaan berbasis kondisi, namun karena sebagian besar sistem bisnis secara historis terkotak-kotak, adopsi pemeliharaan prediktif menjadi terbatas.

Kemajuan teknologi dalam sensor IoT, pengumpulan big data dan teknologi penyimpanan telah dan akan terus berlanjut. Pertumbuhan data dan aksesibilitas AI/ML meningkatkan model pemeliharaan prediktif dan mendorong penerapannya. Masa pandemi juga mempercepat upaya transformasi digital, menciptakan lingkungan bisnis yang lebih terintegrasi dan keinginan untuk mendapatkan insight real-time berbasis intelijen. Terakhir, peningkatan biaya waktu henti yang tak terduga, yang diperkirakan oleh para ahli mencapai sekitar 11% dari omset di perusahaan Fortune Global 500³, juga mendorong adopsi pemeliharaan prediktif di pasar.

Teknologi berikut ini hanyalah beberapa di antaranya yang berkontribusi pada evolusi dan nilai pemeliharaan prediktif yang sedang berlangsung:

• Inspeksi robotik otomatis membuat pemantauan peralatan di lokasi terpencil atau berbahaya untuk dijangkau seperti di industri Minyak dan Gas menjadi lebih efisien dan hemat biaya. Robot berfungsi sebagai sensor berjalan yang memantau berbagai aset dan memasukkan data ke dalam sistem manajemen pemeliharaan terkomputasi.
• Teknologi imersif seperti augmented reality (AR) dan virtual reality (VR) sedang dikembangkan untuk menyederhanakan inspeksi. AR dapat mengumpulkan data dan kedua teknologi tersebut dapat meningkatkan inspeksi visual dan deteksi kesalahan dini.
• Kembaran digital dapat meningkatkan pemeliharaan prediktif dengan menciptakan representasi virtual dari aset fisik, yang menghasilkan data sensor dan menyimulasikan skenario kesalahan operasional dan solusi di seluruh siklus hidup aset tanpa risiko terhadap aset.
• Solusi pemeliharaan prediktif yang didukung IoT tersedia sebagai bagian dari solusi EAM/CMMS dan terintegrasi dengan aplikasi perusahaan lainnya.
• Pemeliharaan prediktif sebagai layanan akan membuat pemeliharaan prediktif menjadi lebih mudah diakses dan terjangkau. Disampaikan oleh mitra, hal ini tidak terlalu mengganggu dibandingkan dengan penerapan di lokasi, membutuhkan lebih sedikit investasi dan pelatihan, dan memberikan waktu yang lebih cepat untuk mendapatkan nilai. Hal ini juga dapat disesuaikan dengan lingkungan dan peralatan individual.