Pemeliharaan Prediktif Dampak pada Manufaktur

Setiap hari, di setiap lingkungan manufaktur, kegagalan dan waktu henti terjadi. Itu hanya kenyataan ketika Anda berurusan dengan peralatan yang melakukan tugas berulang. Masalahnya, bagaimanapun, adalah bahwa manufaktur di pasar saat ini membutuhkan efisiensi dan kualitas produksi. Waktu henti yang tidak direncanakan hanya dalam satu mesin dalam lingkungan manufaktur “tepat waktu” dapat menyebabkan penundaan yang menyebabkan pelanggan tidak senang, kemungkinan pelanggan tersebut beralih ke pesaing, dan pukulan langsung ke laba perusahaan.

Salah satu hasil yang benar-benar hebat dari pertumbuhan (Internet of Things) adalah fakta bahwa data mesin dapat dimanfaatkan untuk membatasi biaya operasional dan dampak waktu henti, baik yang direncanakan maupun yang tidak direncanakan. Ini juga dikenal sebagai pemeliharaan prediktif.

Apa itu Pemeliharaan Prediktif?

Pemeliharaan prediktif—atau disingkat PdM—adalah metode untuk mengantisipasi kebutuhan pemeliharaan pada mesin di lantai pabrik. Dengan menganalisis data operasional dari alat berat, muncul pola yang memungkinkan operator mengembangkan pemahaman tentang mode kegagalan dan memprediksi kapan pemeliharaan akan diperlukan pada unit tertentu, memungkinkannya untuk direncanakan pada waktu yang lebih murah.

Di masa lalu, produsen akan mengandalkan pemeliharaan reaktif dan strategi pemeliharaan lainnya, atau dikenal sebagai metode "jika tidak rusak, jangan perbaiki". Anda dapat membayangkan dengan baik bahwa menyervis mesin hanya ketika rusak adalah biaya yang sangat besar, baik dalam hal waktu henti yang tidak direncanakan dan potensi dampak ke bagian lain dari alat berat, serta kualitas output pada saat bagian tersebut rusak. .

Seiring waktu, perusahaan berusaha untuk menjauh dari pemeliharaan reaktif dan menerapkan strategi pemeliharaan preventif. Tetapi pemeliharaan preventif mengandalkan rata-rata dan tidak mencerminkan kondisi peralatan saat ini atau waktu nyata.

Sementara pemeliharaan preventif dan prediktif adalah peningkatan dari pemeliharaan reaktif, ada pemenang yang jelas. Menerapkan pemeliharaan prediktif bergantung pada informasi spesifik yang diambil dari setiap alat berat untuk mendeteksi potensi masalah. Contohnya adalah analisis getaran.

Model yang menggunakan baseline untuk mengumpulkan data perawatan prediktif untuk mesin akan dapat mendeteksi perubahan, seperti peningkatan getaran di bagian tertentu, yang dapat disebabkan oleh kerusakan atau masuknya benda asing. Penyimpangan dari baseline memungkinkan operator untuk memprediksi kebutuhan pemeliharaan sebelum masalah menjadi serius, yang mengakibatkan kegagalan peralatan.

Bagaimana Cara Kerja Pemeliharaan Prediktif?

Tidak seperti pemeliharaan preventif, program pemeliharaan prediktif menggunakan data yang dihasilkan oleh peralatan dan mengirimkan data ke cloud. Seperti data produksi dan proses bisnis, perawatan berbasis kondisi waktu nyata dapat dianalisis untuk mendeteksi pola dan tren pada kesehatan alat berat atau masa pakai suku cadang atau alatnya dan untuk menurunkan biaya perawatan.

Seringkali, peralatan OEM dapat menyatakan siklus hidup yang diharapkan untuk suku cadang atau alat. Namun, ini didasarkan pada rata-rata dari seluruh industri. Ini tidak mempertimbangkan aplikasi tugas ringan di mana suku cadang mungkin aus lebih lambat dari yang diharapkan atau aplikasi tugas berat yang mungkin aus lebih cepat.

Analitik tingkat lanjut dalam platform pemantauan produksi dan pemeliharaan menggunakan tren dan pemeliharaan berbasis kondisi untuk merencanakan waktu keausan aktual atau memprediksi mode kegagalan. Program pemeliharaan prediktif dapat dikembangkan berdasarkan wawasan ini untuk mengurangi waktu henti dan mengendalikan biaya.

Program pemeliharaan prediktif yang kuat dapat menggunakan platform untuk mengirim peringatan kepada staf pemeliharaan ketika kegagalan sudah dekat, mengurangi waktu henti dari menunggu teknisi tiba setelah kejadian. Mereka juga dapat bekerja dengan informasi produksi pabrik, seperti perkiraan waktu pergantian untuk melakukan perbaikan selama pergantian terjadwal atau waktu henti yang direncanakan untuk pembersihan.

Peringatan terjadwal dapat diperluas dari teknisi ke ruang stok MRO sehingga suku cadang dapat diatur untuk menghindari lebih banyak waktu henti. Dan suku cadang dapat diotomatisasi untuk dipesan ulang berdasarkan jumlah suku cadang min/maks yang ditetapkan, yang juga ditentukan oleh sistem. Sebagai bagian dari keseluruhan strategi pemeliharaannya, setiap perusahaan dapat menyesuaikan teknik pemeliharaan prediktifnya dengan kebutuhannya sendiri.

Apa Keuntungan Pemeliharaan Prediktif?

Dari sudut pandang penghematan biaya, keuntungan dari strategi pemeliharaan prediktif termasuk waktu henti terencana yang dioptimalkan dan waktu henti yang tidak direncanakan yang diminimalkan. Program pemeliharaan prediktif juga akan mengoptimalkan produktivitas karyawan dan masa pakai peralatan. Menggunakan analitik canggih dan algoritme pembelajaran mesin, pemeliharaan preventif tidak dapat diabaikan!

Bagaimana Pemeliharaan Prediktif Membantu Mengoptimalkan Waktu Henti yang Direncanakan

Waktu henti yang direncanakan dapat mencakup segala hal mulai dari pembersihan dan pemolesan mesin hingga penggantian suku cadang yang diketahui rusak secara teratur. Pemeliharaan preventif semacam ini mengurangi risiko waktu henti yang tidak direncanakan. Sama seperti merawat komputer dan membersihkannya dari virus atau menjaga kebersihan peralatan lain di rumah, Anda akan mendapatkan hasil yang lebih efisien dan berkualitas lebih baik dari mesin yang diservis dengan baik.

Berkat data yang dikumpulkan dalam pengoperasian alat berat, pemeliharaan prediktif dapat dijadwalkan secara teratur dan pada waktu yang berdampak paling kecil terhadap produksi pesanan. Ada juga manfaat tambahan bahwa pemeliharaan yang memadai dari sifat ini akan selalu memperpanjang umur peralatan mekanis yang akan sulit dan mahal untuk diganti. Memaksimalkan waktu kerja dan masa pakai komponen dalam program pemeliharaan prediktif pada akhirnya akan menghasilkan penghematan biaya yang signifikan.

Batas Pemeliharaan Prediktif Waktu Henti Tak Terrencana

Menurut posting Wall Street Journal, "Waktu henti yang tidak direncanakan merugikan produsen industri sekitar $ 50 miliar per tahun." Menggunakan pemeliharaan prediktif untuk membatasi biaya ini sangat penting dalam industri manufaktur yang sangat kompetitif.

Selama pemeliharaan preventif terjadwal dapat memastikan bahwa mesin berjalan dengan lancar sepanjang waktu, mesin pemantau secara digital mengumpulkan rim data yang, ketika dianalisis, akan menunjukkan pola pada mesin tertentu. Deteksi pola semacam ini, berdasarkan data historis, dapat membantu mengidentifikasi mesin yang kemungkinan mengalami gangguan dan pemeliharaannya dapat direncanakan secara proaktif.

Pemeliharaan Prediktif Dapat Membantu Mengoptimalkan Umur Peralatan

Mampu memantau efisiensi, keluaran, dan kualitas alat berat dari waktu ke waktu akan mengungkapkan data yang akan mengidentifikasi kapan alat berat memerlukan perawatan, seperti disebutkan di atas, tetapi juga akan membantu mengidentifikasi kapan alat berat mencapai akhir masa pakainya. Pemeliharaan reaktif dan preventif tidak dapat melakukan ini.

Seiring bertambahnya usia mesin dan tergantung pada tingkat penggunaannya, jadwal perawatan akan berubah, yang dapat dikelola melalui perawatan prediktif. Bagian dari mesin akan merespon tekanan produksi secara berbeda dari waktu ke waktu. Peningkatan pemeliharaan pada akhirnya yang diprediksi melalui pola data akan terungkap saat alat berat mencapai titik kritis pada biaya vs. kinerja. Kebutuhan untuk mengganti sebagian besar mesin atau seluruh unit pada akhirnya dapat dikelola dengan memperkirakan kebutuhan tersebut dan merencanakannya, baik dari sudut pandang biaya/anggaran maupun waktu/usaha.

Pemeliharaan Prediktif Dapat Membantu Mengoptimalkan Produktivitas Karyawan

Ada banyak cara pemeliharaan prediktif mengoptimalkan produktivitas karyawan. Pertama, mari kita lihat biaya tenaga kerja itu sendiri. Ketika perbaikan dijadwalkan, jumlah waktu yang dibutuhkan untuk perbaikan berkurang karena jumlah penggantian komponen yang lebih sedikit daripada penggantian seluruh peralatan. Selain itu, frekuensi perbaikan untuk kegagalan kritis peralatan akan berkurang, dan jumlah "pemanggilan kritis" akan sangat berkurang.

Dari sudut pandang karyawan, pemeliharaan prediktif akan mengurangi kerusakan dan sistem penghindaran kecelakaan. Ini dapat memperingatkan atau bahkan menghentikan peralatan saat ada bahaya bagi pekerja, secara dramatis meningkatkan kondisi pabrik dan meminimalkan cedera pekerja.

Selain itu, waktu henti dan operasi dengan parameter suboptimal tidak hanya berdampak pada output tetapi juga moral karyawan. Sangat menegangkan untuk terburu-buru menyelesaikan masalah ketika masalah itu muncul. Pemeliharaan prediktif meminimalkan kejadian seperti itu.

Pemeliharaan Prediktif Dapat Membantu Meningkatkan Pendapatan

Keuntungan pemeliharaan prediktif yang telah kami bahas di atas, pada akhirnya, semua memiliki tujuan yang sama:meningkatkan laba. Dengan perawatan yang lebih sedikit pada komponen yang baik dan perbaikan komponen yang rusak lebih cepat, perbaikan dapat ditangani dengan lebih efektif, sehingga mengurangi waktu perbaikan. Salah satu studi paling komprehensif tentang potensi analitik industri seperti pemeliharaan prediktif dilakukan oleh McKinsey pada tahun 2015. Mereka menemukan peluang untuk peningkatan berikut:

Pengurangan 10-40% dalam Biaya Pemeliharaan

Karena pemeliharaan terencana didasarkan pada jadwal, akan ada kasus ketika tugas pemeliharaan akan dilakukan ketika tidak diperlukan. Pemeliharaan prediktif dapat mencegah inefisiensi tersebut.

10-20% Pengurangan Sampah

Operasi sub-optimal yang tidak terdeteksi dapat mengakibatkan produksi yang boros. Bahan baku, energi, biaya tenaga kerja, dan waktu mesin terbuang sia-sia dalam kasus seperti itu. Sistem pemeliharaan prediktif dapat mengungkap masalah yang dapat mengakibatkan pemborosan sebelum muncul.

10-50% Peluang Peningkatan Baru Terungkap

Setelah pengumpulan data menjadi otomatis, wawasan baru tentang peluang pengoptimalan proses dapat ditemukan setiap hari melalui analisis lanjutan.

Teknologi Pemeliharaan Prediktif

Ada banyak jenis teknologi pemeliharaan prediktif yang digunakan dalam program pemeliharaan prediktif berbasis data yang kuat. Peralatan pemantauan kondisi ini dapat digunakan untuk membuat solusi pemeliharaan prediktif untuk suatu operasi. Teknologi ini meliputi:

Termografi Inframerah

Panas hampir selalu merupakan produk sampingan dari lingkungan manufaktur. Tetapi seringkali dapat diprediksi untuk setiap mesin atau jenis pekerjaan yang dijalankan. Platform PdM dapat memetakan pola panas ini berdasarkan mesin atau pekerjaan dan menganalisis lonjakan suhu untuk menentukan masalah yang mendekat. Termografi inframerah dapat memantau dan mengukur suhu pada peralatan seperti motor, bantalan, atau permukaan gesekan lainnya. Ini juga dapat membantu mengungkap "titik panas" di lemari listrik dan mendeteksi kegagalan isolasi. Termografi inframerah mengukur suhu dan menampilkan unit sebagai gambar dari seluruh unit yang diukur. Platform pemantauan dapat menyimpan dan menganalisis gambar-gambar ini untuk mendeteksi masalah dan mengidentifikasi tren dalam kondisi tertentu.

Pemantauan Akustik

Beberapa platform pemantauan pemeliharaan prediktif dapat menggunakan sinyal frekuensi tinggi untuk menentukan kondisi peralatan. Prinsip yang sama dapat diterapkan dengan menggunakan suara di udara. Dengan menangkap kebisingan akustik ini, kerusakan dapat dideteksi. Algoritme pembelajaran mesin tingkat lanjut digunakan untuk meningkatkan kemampuan prediktif dari waktu ke waktu. Analitik ini dapat dikombinasikan dengan teknologi pemantauan lainnya untuk menelusuri dan mengungkap anomali sebelum terjadi.

Analisis Getaran

Semua peralatan manufaktur dan penggilingan bergetar. Dan getaran per mesin dan jenis pekerjaan ini dapat diplot untuk menentukan rentang yang sehat pada kurva. Analisis getaran membantu teknisi pemeliharaan prediktif untuk mempelajari apa arti perubahan yang halus dan signifikan. Mereka dapat menilai tingkat keausan dan titik kegagalan karena algoritme pembelajaran mesin menjadi lebih akurat dari waktu ke waktu.

Analisis Minyak

Sementara platform perawatan prediktif dapat menggunakan suara, getaran, dan suhu untuk menilai kesehatan dan kemungkinan kegagalan peralatan atau suku cadang, alat lain yang menangkap apa yang terjadi di dalam alat berat adalah analisis oli. Dengan mengukur kemurnian oli, kandungan puing, kontaminan, dan komposisi oli, teknisi dapat mengidentifikasi, merencanakan, dan memprediksi penyebabnya serta mengembangkan strategi untuk memperbaikinya. Data dari analisis oli dapat dikirim ke platform analitik dan digabungkan dengan data pemantauan lainnya untuk mendapatkan gambaran yang jelas tentang kondisi alat berat.

Cara Menerapkan Pemeliharaan Prediktif

Sekarang setelah jelas bahwa pemeliharaan prediktif adalah cara yang pasti untuk menghindari waktu henti yang tidak direncanakan dan menimbulkan biaya produksi yang lebih tinggi, pertanyaannya adalah:bagaimana Anda menerapkan rencana pemeliharaan prediktif?

Pertama, temukan inti masalah yang ingin Anda perbaiki:

• Apakah Anda lebih mengkhawatirkan waktu henti yang tidak direncanakan atau biaya kegagalan komponen?
• Apakah beberapa mesin di lantai Anda lebih "penting"? yaitu, digunakan lebih sering, pusat untuk lebih banyak pesanan, dll.

Kemudian Anda perlu menilai status yang ada atau membuat data dasar tentang kinerja alat berat. Untuk ini, Anda dapat menggunakan standar Anda sendiri, standar OEE, atau standar industri lainnya. Tinjau setiap mesin untuk melihat tingkat kinerja historisnya:seberapa sering rusak, komponen apa yang gagal secara teratur, seberapa sering pemeliharaan dijadwalkan saat ini, dan seterusnya.

Kedua, periksa data historis untuk pola dan metrik apa yang akan menunjukkan masalah, penyimpangan apa dari baseline yang harus ditandai oleh operator, dan seterusnya.

Terakhir, setelah Anda menggunakan pola-pola ini dan data relatif terhadap pengukuran kinerja dasar Anda, Anda perlu melembagakan proses untuk terus memperbarui data dan meninjaunya untuk memastikan bahwa itu terus mencerminkan status saat ini dan akan menandai pola yang memburuk yang dengan jelas menandakan kebutuhan untuk pemeliharaan. Inilah kuncinya:Anda tidak dapat memprediksi apa yang tidak dapat Anda analisis. Data yang akurat sangat penting!

Meminimalkan waktu henti yang tidak direncanakan, setidaknya terkait dengan fungsi alat berat, merupakan penghematan biaya yang sangat besar dan akan mencegah penundaan ke pasar yang juga akan berdampak pada laba. Dalam lingkungan manufaktur saat ini, pemeliharaan prediktif bukanlah hal yang “baik untuk dimiliki”. Itu suatu keharusan.

Luncurkan Strategi Pemeliharaan Prediktif

Pesan Demo