Mengubah Pemeliharaan Menjadi Keandalan Prediktif

Selama bertahun-tahun, pemeliharaan diperlakukan sebagai pekerjaan yang kotor, membosankan, dan ad hoc. Ini penting untuk produktivitas tetapi tidak diakui sebagai komponen kunci dari pendapatan. Pertanyaan sederhana yang sering muncul adalah, “Mengapa kita perlu menjaga segala sesuatunya secara teratur?” Jawabannya adalah, "Untuk menjaga mereka tetap dapat diandalkan." Tetapi pertanyaan sebenarnya adalah, “Berapa banyak perubahan atau penurunan yang terjadi sejak putaran terakhir pemeliharaan?” Jawabannya adalah, “Saya tidak tahu.”

Tantangan untuk keandalan adalah berurusan dengan data dari masa lalu. Kegagalan dimodelkan, dianalisis dan, sampai batas tertentu, diprediksi. Sayangnya, prediksi tersebut tidak memperhitungkan pengguna atau batasan terkait lingkungan kerja, dan seringkali hasilnya tidak begitu berguna.

Pemeliharaan berbasis kondisi (CBM) berkaitan dengan data online. Kondisi mesin terus dipantau dan tanda tangannya dievaluasi. Namun, ini dilakukan pada tingkat mesin – satu mesin pada satu waktu. Ini adalah "pendekatan gagal-dan-perbaiki." Pemecahan masalah adalah tujuan utama.

Saat ini, CBM berfokus pada sensor dan komunikasi. Semua produk dan mesin terhubung ke jaringan dengan beberapa cara. Namun, sulit untuk mengetahui apa yang harus dilakukan dengan semua data ini. Kita harus mengubah data menjadi informasi dengan menggunakan alat komputasi untuk memproses data secara lokal.

Dunia pemeliharaan masa depan adalah dunia informasi untuk pemantauan berbasis fitur. Informasi harus mewakili tren, bukan hanya status. Itu harus menawarkan prioritas, bukan hanya menunjukkan "berapa banyak." Jika kita melakukannya, maka produktivitas kita dapat difokuskan pada pemanfaatan tingkat aset, bukan hanya tingkat produksi.

Dengan munculnya komputasi modern dan teknologi komunikasi, lebih banyak produk dan mesin yang disematkan dengan sensor dan terhubung melalui jaringan yang ditambatkan dan bebas tambatan. Dengan sistem jaringan yang terintegrasi dengan mulus di lingkungan bisnis global saat ini, mesin dan pabrik terhubung ke jaringan dan informasi serta keputusan disinkronkan, sehingga setiap waktu henti dalam sistem dapat membahayakan produktivitas seluruh perusahaan.

Di sisi lain, kendala pada keamanan dan keterbatasan bandwidth komunikasi memerlukan rekayasa ulang untuk meminimalkan atau mengurangi risiko paparan data.

Solusinya adalah sistem perawatan cerdas. IMS memprediksi dan memperkirakan kinerja peralatan, sehingga status "kerusakan hampir nol" dapat dicapai. Ada dua alasan kegagalan:kinerja peralatan dan kesalahan manusia. Waktu henti hampir nol berfokus pada teknik prediktif untuk meminimalkan kegagalan. Ini berfokus pada fitur kinerja mesin.

Data berasal dari dua sumber:sensor (dipasang pada mesin untuk mengumpulkan informasi fitur) dan seluruh sistem perusahaan (termasuk data kualitas, riwayat masa lalu, dan tren). Dengan menghubungkan data dari sumber-sumber ini (saat ini dan historis), Anda dapat memprediksi kinerja masa depan. Tujuannya adalah untuk memprediksi kesehatan produk/mesin dengan cara yang sama seperti ramalan cuaca.

Kami benar-benar tidak peduli seberapa tepat prediksi suhu. Kami peduli dengan tren – dingin ke panas atau cerah ke hujan. Perkiraan memberi kami prioritas dan rencana cadangan.

Saat ini, layanan lapangan alat berat bergantung pada sistem manajemen berbasis sensor yang memberikan peringatan, alarm, dan indikator. Saat alarm berbunyi, sudah terlambat untuk mencegah kegagalan. Sebagian besar waktu henti pabrik disebabkan oleh situasi yang tidak terduga ini.

Tidak ada peringatan asalkan melihat degradasi dari waktu ke waktu. Jika kami dapat memantau degradasi, maka kami dapat memperkirakan situasi yang akan datang dan melakukan tugas keandalan prediktif bila diperlukan (tidak terlalu dini atau terlalu terlambat). Dengan menggunakan teknik ini, pemeliharaan dapat dijadwalkan sebelum kerusakan.

Pandangan jangka panjang saya tentang pemeliharaan cerdas adalah bahwa kita dapat menggunakan segala cara – termasuk teknologi tertanam (perangkat lunak) dan jarak jauh – untuk memantau kinerja peralatan. Kemudian, jika degradasi mulai terjadi, ada cukup waktu untuk memicu layanan sebelum kegagalan.

Sebuah mesin dapat menilai sendiri kesehatannya dan memicu permintaan layanannya sendiri sesuai kebutuhan. Jika model ini berfungsi, maka kami akan memiliki produk yang dapat mengelola kinerja layanannya sendiri dan kontrak berbasis garansinya sendiri. Itu juga dapat mengingatkan kita tentang cara untuk membuatnya tetap berjalan dengan kinerja tinggi.

Industri sangat fokus pada keuntungan, dan biaya waktu henti sebagian besar memengaruhi profitabilitas. Namun tingkat downtime bukan satu-satunya masalah biaya. Jika peralatan mulai rusak, Anda mungkin mulai memproduksi suku cadang dengan kualitas yang tidak dapat diterima dan tidak mengetahuinya untuk waktu yang lama.

Pada akhirnya, degradasi alat berat akan berdampak serius pada hasil dan kualitas. Ini sangat penting bagi produsen yang melakukan outsourcing operasi ke negara-negara seperti China. Perusahaan-perusahaan ini perlu memantau kualitas produk dari jarak jauh sebelum dikirim.

Perusahaan kelas dunia telah mengambil pendekatan reliabilitas prediktif yang mengubah permainan, menerapkan model bisnis layanan baru untuk mengubah sistem pemeliharaan menjadi solusi layanan dan manajemen aset yang cerdas.

Mereka mengurangi waktu henti dan memberikan kemampuan untuk melihat ke depan pada kualitas produk sebelum dikirim dengan mengamati secara dekat kinerja peralatan dan degradasi alat berat. Daripada pemeliharaan reaktif – “gagalkan dan perbaiki” – perusahaan beralih ke pemeliharaan “prediksi dan cegah”.