Mengapa Data Adalah Dasar Keandalan
Di era teknologi saat ini, data merupakan kunci pengambilan keputusan. Bidang spesialisasi ini dikenal sebagai "ilmu data." Perusahaan dapat memanfaatkan teknologi dengan mengumpulkan, menganalisis, dan memanfaatkan data untuk membuat keputusan yang tepat.
Satu kelompok penelitian memperkirakan bahwa dengan tingkat pertumbuhan data saat ini, pada tahun 2025 ukuran data akan menjadi 163 zettabytes. Untuk lebih memahami angka ini, pertimbangkan bahwa satu zettabyte sama dengan satu triliun gigabyte. Hal ini menimbulkan pertanyaan tentang penyimpanan, kualitas, dan pengelolaan data.
Artikel ini akan membahas pentingnya data dan penggunaannya dalam melakukan studi reliabilitas yang berarti. Definisi umum dari keandalan adalah probabilitas bahwa suatu peralatan, sistem atau fasilitas akan beroperasi tanpa kegagalan untuk jangka waktu tertentu dalam kondisi operasi tertentu. Oleh karena itu, data kegagalan historis yang akurat dan analisis yang tepat sangat penting untuk analisis keandalan apa pun.
Analisis data memberikan kesempatan untuk memeriksa sejumlah besar data dan mengekstrak informasi berguna yang kemudian dapat mendukung pengambilan keputusan yang lebih baik. Ini hanya mungkin jika seseorang memiliki keyakinan yang masuk akal terhadap data, karena data yang buruk dapat menyebabkan keputusan yang buruk.
Manfaat Analisis Data
Analisis keandalan adalah cara yang efektif untuk membantu manajemen dan insinyur membuat keputusan teknis dan keuangan. Antara lain, analisis data membantu dalam mengoptimalkan desain proyek, menurunkan biaya, memprediksi umur komponen, menyelidiki kegagalan, mengevaluasi interval garansi, menerapkan periode inspeksi yang efektif, dan menentukan indikator kinerja utama (KPI). Data yang akurat sangat penting untuk melakukan studi keandalan yang komprehensif.
Penyaringan dan pengumpulan data adalah tanggung jawab penting dari setiap insinyur keandalan. Pengumpulan data adalah metode pengumpulan dan evaluasi informasi tentang variabel yang menarik untuk membangun model sistematis untuk menjawab pertanyaan penelitian tertentu, mengevaluasi hipotesis, dan memperkirakan dan mendukung hasil.
Dengan demikian, pengumpulan data adalah fase umum untuk semua penelitian. Memastikan pengumpulan data yang akurat dan jujur adalah faktor umum dan tujuan yang sama untuk studi ini.
Banyak alat dan teknik tersedia untuk memproses data dengan cara yang membuatnya lebih akurat dan andal, seperti menghilangkan outlier yang dapat mendistorsi hasil analisis keandalan secara keseluruhan.
Membangun Data yang Kuat
Di fasilitas operasi mana pun, data yang akurat dan andal, yang mencakup catatan pemeliharaan dan kegagalan aset, jendela pengoperasian, dll., dapat memberikan dasar untuk studi rekayasa keandalan. Sayangnya, tidak semua perusahaan memiliki sistem, proses, dan budaya yang diperlukan untuk pengumpulan dan pengelolaan data.
Salah satu persyaratan untuk membangun database yang kuat adalah untuk memastikan bahwa semua titik data yang berarti dikumpulkan dan disimpan. Basis data yang hanya mengumpulkan beberapa data penting mungkin menawarkan gambaran yang tidak lengkap dan bahkan menyesatkan tentang operasi dan kondisi aset saat ini.
Memanfaatkan alat yang divalidasi, yang merupakan metode untuk mengumpulkan data yang dinilai dan dapat diandalkan, dapat menjadi praktik yang bermanfaat. Misalnya, sebuah perusahaan besar di Finlandia melaporkan bahwa sekitar satu dari setiap enam laporan pemeliharaan tertutup (17,2 persen) tidak menyertakan mode kegagalan.
Juga, tidak ada laporan pemeliharaan tertutup yang mencatat jumlah dan jenis suku cadang. Pengamatan ini menunjukkan bahwa perusahaan tertentu ini memiliki database terbatas yang hanya akan menawarkan perspektif sempit tentang kegagalan peralatan dan riwayat pemeliharaan, dengan informasi penting yang hilang, seperti lokasi kegagalan dan dampaknya.
Persyaratan tambahan untuk analisis data yang efektif adalah pelaporan data yang tepat waktu. Departemen pemeliharaan yang melaporkan temuannya setiap minggu atau bahkan setiap bulan lebih cenderung kehilangan data dan aktivitas penting daripada organisasi yang menerapkan sistem dinamis yang mengkonsolidasikan data secara terus-menerus.
Praktik terbaik lainnya adalah memastikan bahwa sistem pengumpulan dan penyimpanan data mendefinisikan apa yang dianggap sebagai instans dan nilai data berkualitas tinggi, dengan sebanyak mungkin otomatisasi, untuk mendorong konsistensi dalam pelaporan dan kemampuan penelusuran basis data. Sistem pelaporan pemeliharaan yang bergantung pada bidang teks terbuka pada dasarnya mengubah analitik data menjadi proses manual.
Meskipun bidang teks terbuka memiliki tempat di basis data yang dirancang dengan baik, bidang tersebut harus digunakan untuk memberikan lebih banyak detail dan klarifikasi.
Alih-alih, sistem pengumpulan dan penyimpanan data harus memiliki sel terpisah untuk setiap titik data yang berarti, memanfaatkan menu drop-down sebanyak mungkin untuk memastikan konsistensi deskripsi dan pelaporan. Insinyur keandalan hanya akan dapat melakukan studi keandalan yang ekstensif jika data dapat ditelusuri dan dijelaskan secara konsisten di seluruh sistem.
Menentukan jenis laporan dan analisis yang diperlukan dari database akan menentukan bidang data yang akan disertakan. Oleh karena itu, langkah pertama untuk mendapatkan data berkualitas tinggi adalah menentukan pertanyaan yang harus dijawab dan memastikan bahwa data yang dikumpulkan sesuai untuk tujuan tersebut.
Untuk studi keandalan, bidang sistem basis data harus mengumpulkan informasi pemeliharaan suku cadang, mode kegagalan, jam kerja, temuan inspeksi utama, komponen yang rusak, dan aktivitas rutin. Selain itu, mengontrol konsistensi pelaporan di bidang ini melalui menu tarik-turun yang komprehensif akan memungkinkan aplikasi perangkat lunak melakukan fungsi utama, seperti menghitung waktu rata-rata antara kegagalan (MTBF), ketersediaan, dan KPI keandalan lainnya.
Faktor Kualitas Data
Alat dan Teknologi
Segudang alat tersedia untuk memenuhi tujuan kualitas data, termasuk alat untuk mengurangi duplikasi, mengintegrasikan dan memigrasikan data lintas dan antar platform, dan melakukan analisis data.
Alat analisis data memungkinkan pengguna untuk mengekstrak makna dari data, seperti menggabungkan dan mengkategorikan data untuk mengungkapkan tren dan pola. Banyak teknologi sekarang mobile diaktifkan. Teknologi ini dapat meminimalkan kesalahan manusia dan sistem dalam pengumpulan data. Adopsi alat dan teknologi baru ini dapat membantu meningkatkan kualitas data.
Orang dan Proses
Setiap karyawan di setiap tingkat operasi perusahaan, mulai dari kru pemeliharaan hingga insinyur dan manajemen, harus memiliki pemahaman yang sama tentang peran data dalam perusahaan. Ini termasuk data apa yang akan dikumpulkan, seberapa sering dan untuk tujuan apa data tersebut akan digunakan. Seiring dengan pelatihan, proses yang jelas harus ditetapkan untuk memastikan pengumpulan dan penyimpanan data yang andal dan konsisten.
Budaya Organisasi
Dukungan manajemen dan budaya perusahaan memainkan peran penting dalam kualitas data. KPI yang dilaporkan ke manajemen harus memantau kualitas data. Jika sebuah organisasi ingin meluncurkan proyek atau inisiatif baru untuk meningkatkan kinerja, meningkatkan jumlah peluang atau mengatasi masalah yang signifikan, seringkali harus membuat perubahan, termasuk perubahan pada proses, peran pekerjaan, struktur dan jenis organisasi, dan penggunaan teknologi. .
Prosedur dan proses kerja harus diperbarui dan diselaraskan dengan praktik terbaik. Perbaikan terus-menerus akan menjadi pendorong kesuksesan. Kualitas dan kuantitas data akan menjadi kunci untuk driver ini. Melalui pelatihan berkelanjutan, pentingnya data dapat dikembangkan di antara personel, yang akan membantu meningkatkan budaya organisasi.
Dampak Data pada Keandalan
Sebagai gambaran tentang pentingnya kualitas data, perhatikan studi kasus berikut. Sebuah fasilitas meluncurkan proyek untuk meningkatkan produksi minyak dengan memasang paket pemisahan gas-minyak (GOSP) baru dengan unit stabilisasi minyak mentah. GOSP akan terdiri dari separasi trap, fasilitas penanganan minyak mentah basah, separator minyak air, fasilitas kompresi gas, sistem flare, pompa transfer/pengiriman, dan fasilitas stabilisasi.
Sebuah studi keandalan, ketersediaan dan pemeliharaan (RAM) dilakukan untuk memprediksi ketersediaan produksi fasilitas dan membandingkannya dengan ketersediaan target. Studi ini juga akan digunakan untuk mengidentifikasi area yang membatasi produksi, merekomendasikan langkah-langkah untuk mencapai ketersediaan yang dibutuhkan untuk mencapai target bisnis produksi, mengkonfirmasi filosofi operasi dan pemeliharaan yang diadopsi untuk memenuhi ketersediaan sistem total, dan menentukan tindakan perbaikan atau perubahan desain potensial. .
Data pemeliharaan mentah dirangkum dalam Tabel 1. Hal ini didasarkan pada wawancara dengan kru pemeliharaan dari fasilitas operasi yang ada. Data yang dikumpulkan untuk studi ini memiliki masalah di sejumlah area, dimulai dengan perbandingan yang salah antara data pemeliharaan dari aset lama untuk menentukan cakupan operasi untuk fasilitas baru.
Misalnya, Tabel 1 menunjukkan bahwa setiap 10 bulan kompresor akan tidak dapat digunakan selama 30 hari karena masalah segel mekanis. Perkiraan ini mengasumsikan bahwa kompresor akan menghabiskan 10 persen masa pakainya untuk menjalani perawatan karena masalah segel mekanis. Asumsi ini tidak benar karena fasilitas tersebut akan mengadopsi teknologi baru. Selain itu, banyak pelajaran dari fasilitas lama akan tercermin dalam desain baru.
Asumsi lain yang salah diekstraksi dari data adalah dampak korosi. Data mentah tampaknya menunjukkan bahwa kompresor dirawat selama 30 hari setiap empat tahun (48 bulan) sebagai akibat dari lubang poros. Penggunaan material yang ditingkatkan pada poros kompresor akan menghilangkan jenis masalah ini.
Tabel 1 selanjutnya menunjukkan bahwa mean time to repair (MTTR) akibat getaran adalah 60 hari. Bandingkan asumsi ini dengan rata-rata MTTR yang diharapkan untuk kompresor baru yang hanya empat hari karena manajemen suku cadang yang lebih baik.
Seperti yang diilustrasikan oleh contoh ini, asumsi yang diambil dari data yang mungkin akurat untuk fasilitas yang menua dengan peralatan lama tidak akurat jika diterapkan pada fasilitas baru yang dirancang dengan material yang ditingkatkan dan teknologi yang lebih efisien.
Tabel 1. Data lapangan mentah yang dikumpulkan untuk studi keandalan, ketersediaan, dan pemeliharaan
Tabel 2 merangkum kumpulan data yang sama yang dikoreksi oleh insinyur keandalan. Mengakses data yang sama yang diberikan kepada vendor pihak ketiga, para insinyur memfilter data mentah untuk menghilangkan semua masalah pemeliharaan yang dapat diperbaiki secara otomatis oleh instrumentasi proses. Data tersebut kemudian dikategorikan berdasarkan strategi manajemen pemeliharaan dan operasional untuk mengidentifikasi masalah yang terkait dengan kekurangan desain, seperti kemacetan, kapasitas dan ketersediaan yang terbatas.
Data yang dikoreksi dapat diterapkan ke fasilitas baru dan digunakan untuk membuat keputusan untuk optimasi desain. Misalnya, mode kegagalan untuk kompresor gas sekarang menunjukkan MTBF delapan tahun karena seal kering dan MTTR tiga hari. Selain itu, asumsi korosi untuk kompresor poros dihilangkan dengan material yang ditingkatkan dalam desain fasilitas baru.
Tabel 2. Data yang difilter dikumpulkan untuk studi keandalan, ketersediaan, dan pemeliharaan
Ketersediaan dan kapasitas untuk kedua desain direpresentasikan pada Gambar 1. Ini menggambarkan perbedaan hasil antara kedua model berdasarkan kumpulan data yang disediakan serta perbedaan dalam hasil ketersediaan dan kapasitas. Data asli menyebutkan ketersediaan fasilitas baru sebesar 77,34 persen karena MTTR panjang dan MTBF pendek, sedangkan kumpulan data yang dikoreksi menghitung ketersediaan keseluruhan pada 99 persen, yang mewakili situasi aktual.
Pada proyek yang sama, praktik serupa dilakukan untuk peralatan lainnya. Tim manajemen proyek (PMT) diberitahu untuk menghilangkan peralatan cadangan karena ketersediaan yang tinggi. Hasilnya digunakan untuk mengoptimalkan konfigurasi desain untuk pemanfaatan sistem penuh. Seperti yang diilustrasikan oleh studi kasus ini, menggunakan data yang dikoreksi dapat berdampak besar pada modal dan biaya konstruksi proyek baru dengan menghilangkan peralatan yang tidak perlu dan mempercepat waktu penyelesaian proyek serta menghindari biaya.
Gambar 1. Hasil studi keandalan, ketersediaan, dan pemeliharaan (RAM)
Gambar 2. Hubungan antara input data, desain dan hasil simulator
Hasil yang berarti untuk perangkat lunak atau simulator yang andal bergantung pada kualitas data input dan desain. Seperti kata pepatah, "sampah masuk, sampah keluar." Gambar 2 menunjukkan hubungan antara desain dan data input dengan hasil simulasi RAM. Setelah model RAM dibangun berdasarkan data input, optimasi potensial dapat diperkenalkan. Data adalah elemen kunci dalam model dan pengukuran kinerja keandalan lainnya.
Hal yang sama berlaku untuk studi reliabilitas terfokus. Insinyur keandalan menghabiskan banyak waktu mereka menganalisis data dalam operasi. Misalnya, insinyur dapat melakukan studi keandalan pada item pelaku buruk tertentu, yang didefinisikan sebagai komponen, peralatan, atau sistem dengan biaya perawatan tinggi dan tingkat kegagalan tinggi.
Hasil penilaian ini digunakan untuk memfokuskan sumber daya yang terbatas pada item berdampak tinggi dengan manfaat terbesar untuk operasi lapangan dalam hal biaya pemeliharaan dan ketersediaan. Jika engineer memiliki data yang tidak representatif atau tidak cukup data, semua hasil dan rekomendasi tidak akan mengatasi masalah yang sebenarnya.
Ini merupakan kesempatan yang hilang untuk menambah nilai pada perencanaan pemeliharaan, manajemen suku cadang, penganggaran pemeliharaan dan tantangan teknis. Dengan demikian, data yang berkualitas memerlukan sistem pengumpulan data yang efisien yang secara jelas mengidentifikasi jenis dan kuantitas data yang dibutuhkan untuk mendukung keputusan yang harus dibuat organisasi.
3 Langkah Utama untuk Meningkatkan Kualitas Data
1. Menerapkan Platform Basis Data yang Tepat
Solusi yang dipilih untuk organisasi tidak boleh menutup pemberitahuan pemeliharaan atau perintah kerja apa pun hingga semua bidang yang wajib diisi selesai. Dengan kata lain, platform yang dipilih harus menonaktifkan pintasan untuk memastikan konsistensi data yang dikumpulkan.
2. Integrasikan Fungsi yang Ada dalam Solusi Komprehensif
Platform harus menggabungkan semua fungsi keandalan ke dalam satu solusi untuk mengintegrasikan data dengan lebih baik dan mengurangi jumlah sistem yang digunakan dalam suatu organisasi. Misalnya, jika ada suku cadang yang diambil dari gudang, suku cadang tersebut harus dikenakan biaya berdasarkan pemberitahuan tertentu. Ini akan membutuhkan platform yang mengasimilasi manajemen suku cadang dengan kegiatan pemeliharaan.
3. Menerapkan Program Jaminan Kualitas Data
Aktivitas jaminan kualitas untuk solusi yang diterapkan harus mencakup audit kualitas data secara berkala di seluruh organisasi. Misalnya, tim jaminan kualitas dapat secara acak mengaudit 5 persen pemberitahuan pemeliharaan dan perintah kerja untuk setiap fasilitas operasi untuk mengevaluasi kualitas data yang dikumpulkan. Hasil penilaian ini kemudian dapat digunakan untuk lebih meningkatkan pemanfaatan solusi dan memastikan database yang efektif.
Data Adalah Landasannya
Data pemeliharaan aset dan riwayat perbaikan yang lengkap harus dikumpulkan, disimpan, dan dianalisis dengan benar. Karyawan garis depan, termasuk kru pemeliharaan dan personel operasi yang terlibat dalam pengumpulan data, juga harus memahami pentingnya peran mereka dalam kualitas data.
Ingat, data adalah landasan pengambilan keputusan di perusahaan mana pun, dan kualitas data adalah inti dari semua studi keandalan. Jika Anda memiliki data berkualitas tinggi, Anda dapat menggunakannya dengan percaya diri untuk advokasi yang efektif, penelitian yang bermakna, perencanaan strategis, dan penyampaian manajemen.
Tentang Penulis
Khalid A. Al-Jabr adalah spesialis teknik keandalan untuk Saudi Aramco yang memiliki lebih dari 18 tahun pengalaman industri dengan fokus pada keandalan dan tantangan peralatan. Dia memegang gelar Ph.D., adalah seorang insinyur sewaan dan bersertifikat sebagai seorang profesional dalam manajemen teknik dan analisis data.
Qadeer Ahmed bekerja sebagai konsultan keandalan insinyur untuk Saudi Aramco dan memiliki 18 tahun pengalaman di bidang teknik keandalan. Seorang insinyur sewaan, ia memegang gelar Ph.D. dan merupakan Certified Maintenance &Reliability Professional (CMRP) dan Sabuk Hitam Six Sigma.
Dahham Al-Anazi adalah pemimpin teknik keandalan untuk departemen layanan konsultasi Saudi Aramco. Dia memiliki lebih dari 25 tahun pengalaman teknis dan meraih gelar doktor di bidang teknik mesin.
