Analisis Prediktif:Membuka Nilai Selain Pemeliharaan

Apakah Anda mendapatkan manfaat nyata dari program analisis prediktif Anda? Sebagian besar program analitik prediktif merupakan pengganti program pemeliharaan prediktif berbasis getaran berfokus pada misi tunggal pencegahan kegagalan. Sejak dimulainya pengumpul data berbasis mikroprosesor pada tahun 1980, kurang dari tiga persen (3%) dari program-program ini telah menghasilkan penghematan yang dapat diverifikasi dan mengimbangi biaya rutinnya.

Secara keseluruhan, program-program ini bertujuan untuk mengurangi waktu henti yang tidak direncanakan, namun pada semua kasus, meningkatkan waktu henti yang direncanakan yang diperlukan untuk mencegah kegagalan yang dianggap tertunda. Sebagian besar program ini telah meningkatkan waktu henti pemeliharaan secara keseluruhan, serta biaya tenaga kerja dan material pemeliharaan secara keseluruhan. Walaupun kelihatannya ada manfaatnya, program-program ini terbukti kontraproduktif. Bukan karena keterbatasan teknologi, tapi karena penggunaan teknologi tersebut yang tidak tepat.

Ada tiga faktor utama yang memiliki dan membatasi manfaat analisis prediktif dapat menyediakan, yaitu:

• Berfokus pada pencegahan kegagalan berarti hal itu tidak akan memberikan hasil positif - Jika itu yang Anda inginkan, itulah harapan terbaik yang dapat Anda capai, dan pencegahan kegagalan tidak meningkatkan keandalan atau mengurangi biaya. 
• Membatasi analisis prediktif pada pemeliharaan dan kekurangan pemeliharaan - Data menunjukkan bahwa 17% kegagalan aset disebabkan oleh masalah pemeliharaan, sebagian besar (83%) disebabkan oleh kekurangan lain dalam organisasi. Memperluas cakupan untuk memasukkan faktor-faktor penyebab, seperti mode operasi ke dalam analisis tidak hanya akan membantu memahami fungsi-fungsi yang menyebabkan kegagalan, tetapi juga mengidentifikasi kekurangan yang menurunkan keandalan dan meningkatkan biaya pengoperasian.
• Menghilangkan aset aliran nilai dari program - Dikondisikan oleh vendor teknologi, program getaran mencakup aset berputar sederhana, termografi untuk peralatan listrik, dan analisis oli pelumas sebagai cadangan getaran. Yang paling diabaikan adalah aset yang menghasilkan pendapatan—aset yang tidak sederhana, mungkin tidak dinamis, namun tanpa aset tersebut perusahaan tidak dapat bertahan.

Analitik prediktif bukan hanya sekedar pemeliharaan, namun juga bukan sekedar pengganti pemeliharaan prediktif. Tidak ada batasan. Analisis prediktif berlaku untuk aktivitas berulang apa pun — baik itu aset fisik , sistem produksi, atau departemen keuangan di organisasi Anda. Dalam artikel ini, kami akan membatasi diskusi pada aset fisik dan bagaimana analisis prediktif, yang didasarkan pada dinamika operasi, dapat memungkinkan kemampuan untuk memperoleh dan mempertahankan performa optimal dari aset Anda.

Jika Anda ingin mendapatkan kinerja optimal, keandalan, dan masa manfaat ekonomis dari aset Anda, bergabunglah dengan kami untuk mendapatkan pendekatan mencerahkan terhadap analisis prediktif sejati yang berhasil. Alih-alih hanya fokus pada pencegahan kegagalan, fokus pada mempertahankan aliran nilai dan aset tambahan yang penting pada desain atau kondisi operasi optimal tidak hanya akan mengurangi kegagalan, namun pada saat yang sama akan memperpanjang masa manfaat ekonomisnya dan mengurangi total biaya kepemilikan organisasi. Ini adalah satu-satunya cara efektif untuk mendapatkan laba optimal atas modal yang diinvestasikan, serta menghasilkan pendapatan.

Pendahuluan

Salah satu faktor umum yang mendorong kegagalan program-program warisan ini adalah fiksasinya pada cara-cara kegagalan aset modal, dan bukan pada faktor-faktor penyebab kegagalan tersebut. Contoh sederhananya adalah mengidentifikasi bearing yang rusak dan tindakan perbaikan untuk mengganti bearing. Namun tanpa menanyakan pertanyaan yang jelas tentang apa yang menyebabkan kegagalan bearing tersebut, itu hanyalah sebuah ramalan yang terwujud dengan sendirinya, yang ditakdirkan untuk gagal.

Sekalipun kegagalan fisik merupakan alasan utama yang menyebabkan downtime dan tingginya biaya pemeliharaan, pendekatan ini tidak dapat menyelesaikan masalah. Sampai fokus Anda tertuju pada faktor-faktor penyebab utama yang mengurangi keandalan, masa manfaat ekonomis, dan dengan demikian, meningkatkan biaya operasional dan belanja modal pemeliharaan, Anda akan membuat program analitik prediktif mengalami kegagalan total. 

Salah satu contoh pendekatan berbasis kegagalan adalah pabrik baja besar dan terintegrasi yang menerapkan program pemeliharaan prediktif kontrak untuk pabrik tersebut. Sebelum program dimulai, waktu henti yang tidak terjadwal dan biaya pemeliharaan yang tinggi mengganggu pabrik. Setelah enam tahun menjalankan program ini, mereka melaporkan pengurangan waktu henti yang tidak terjadwal sebesar 35%.

Hasil yang sukses bukan? Tidak jika Anda melihat perubahan nyata selama enam tahun itu. Benar, waktu henti yang tidak terjadwal lebih rendah, namun waktu henti yang direncanakan — untuk mengganti bantalan, roda gigi, dan komponen aus lainnya yang dianggap rusak — meningkat sebesar 65%.

Perubahan penting lainnya adalah biaya pemeliharaan dari tahun ke tahun. Total biaya tenaga kerja dan material meningkat lebih dari 80%. Biaya penggantian bantalan meningkat dari $2,4 juta menjadi $14,7 juta, roda gigi dan suku cadang aus lainnya mengikuti pola yang sama. 

Kegagalan bukanlah hal yang biasa. Aset yang dirancang agar dapat diandalkan, dioperasikan secara konsisten sesuai batas desain dan menerima pemeliharaan berkelanjutan yang memadai, akan tetap dapat diandalkan jauh melampaui umur desainnya. Masalah dengan analitik prediktif yang didorong oleh kegagalan adalah tidak mengakui bahwa cara kita mengoperasikan dan memelihara aset dapat menjadi sebuah ramalan yang terwujud dengan sendirinya. Kami menciptakan percepatan keausan, menyebabkan kondisi pengoperasian tidak normal yang mempercepat keausan, lalu menunda pemeliharaan berkelanjutan yang setidaknya akan mengurangi kerusakan.

Solusinya

Menyelesaikan keterbatasan analitik prediktif tidaklah sulit, setidaknya dari sudut pandang teknis. Teknologi prediksi klasik bukanlah sebuah batasan. Jika digunakan secara efektif, hal ini akan memberikan sarana untuk mencapai hasil yang positif.

Pabrik baja adalah contoh yang bagus. Ketika program mereka beralih dari analisis yang didorong oleh kegagalan ke analisis prediktif yang sebenarnya, perubahan tersebut terjadi seketika. Dalam waktu kurang dari setahun, biaya bahan pemeliharaan turun menjadi kurang dari $2 juta.

Dengan menggunakan bearing sebagai contoh, program baru ini berfokus pada faktor penyebab di balik kegagalan bearing yang dilaporkan dan menerapkan tindakan perbaikan untuk menghilangkannya. Penghapusan faktor penyebab segera menghilangkan kegagalan prematur kronis yang menaikkan biaya dan biaya penggantian anjlok.

Pada tahun kedua, biaya bearing dan suku cadang aus lainnya semakin turun. Pengurangan biaya pemeliharaan sebesar 60% membuat pabrik secara konsisten memproduksi dengan tingkat produksi 30% lebih tinggi dibandingkan sebelum perubahan fokus. 

Keberhasilan program analitik prediktif Anda harus mempertimbangkan dinamika operasi aset, sistem, dan proses yang membentuk pabrik. Hal ini harus mempertimbangkan keterbatasan desain yang melekat, cara pengoperasian dan tingkat pemeliharaan berkelanjutan yang menentukan dinamikanya. 

Contoh lain dari perbedaan antara analisis yang didorong oleh kegagalan dan analisis prediktif yang sebenarnya melibatkan tujuh ratus pompa lumpur di sebuah kilang. Kilang tersebut memiliki program pemeliharaan prediktif yang mapan menggunakan pengumpul data portabel. Teknisi dengan patuh menelusuri rute mereka setiap hari dan sistem melaporkan kapan masing-masing pompa ini memerlukan perawatan untuk mencegah kegagalan yang mungkin terjadi.

Seiring berjalannya waktu, biaya yang terkait dengan pembangunan kembali pompa meningkat hingga lebih dari $10 juta per tahun. Berdasarkan catatan, program ini berjalan dengan baik dan hanya ada sedikit laporan downtime yang disebabkan oleh kegagalan pompa. 

Ketika program analisis prediktif dinamika operasi yang sebenarnya menggantikan program pemeliharaan prediktif , hasilnya berubah secara dramatis. Karena program baru ini mencari faktor penyebab dan bukan berhenti pada mode kegagalan, menjadi jelas bahwa alasan mengapa 11% pompa memerlukan perbaikan besar setiap tahunnya adalah karena cara pengoperasiannya.

Katup pelepasan yang dikendalikan dari jarak jauh mengendalikan setiap pompa. Analisa tersebut menyadari bahwa rentang kendali memaksa pompa untuk beroperasi dengan baik di luar rekomendasi praktik terbaik. Ketidakstabilan yang diakibatkannya menyebabkan keausan yang semakin cepat dan kerusakan parah pada rakitan dan casing yang berputar.

Untuk memperbaiki masalah ini, klien mengubah parameter pengoperasian untuk membatasi rentang kendali hingga +/- 10% dari BEP, sehingga biaya perbaikan tahunan turun menjadi kurang dari $1 juta. Salah satu manfaat lain dari analisis prediktif adalah mengenali dampak rentang kendali lama terhadap konsumsi daya.

Alih-alih menghasilkan 160 tenaga kuda rem pada BEP, pompa tersebut menghasilkan rata-rata hampir 300 Hp. Perbedaan konsumsi listrik tahunan lebih dari $7 juta. Dalam satu aplikasi ini, analisis prediktif mengurangi biaya dari tahun ke tahun sebesar lebih dari $16 juta USD . 

Cara Kerjanya

Menerapkan analisis prediktif pada manajemen aset tidaklah rumit; Anda hanya perlu berpikir logis dan menentukan dengan jelas persyaratan keandalan dan keberlanjutan aset di organisasi Anda. 

Langkah-langkah berikut menjelaskan prosesnya:
 

Tentukan Keandalan Inheren Setiap Aset

Keandalan ditentukan oleh desain. Semua aktivitas setelah desain harus mempertahankan keandalan yang melekat untuk mendapatkan laba atas investasi yang optimal. Langkah penting pertama ini tidak hanya menentukan kelemahan yang melekat pada setiap aset atau sistem, namun juga cara pengoperasian dan pemeliharaan yang diperlukan untuk mempertahankan keandalan yang melekat dan mencapai masa manfaat ekonomis yang optimal dari setiap aset. 

Fisika Kegagalan

Definisikan dengan jelas semua mode kegagalan dan faktor penyebabnya untuk setiap aset atau sistem. Hal ini harus lebih dari sekedar FMEA sederhana atau daftar kegagalan yang dirasakan. Hal ini harus mempertimbangkan semua penyimpangan dari praktik terbaik, seperti dampak dari berbagai mode operasi – produksi dan pemeliharaan. Ingat, hanya 17% kegagalan aset disebabkan oleh pemeliharaan yang tidak tepat; 83% sisanya disebabkan oleh kekurangan dalam operasional.

Memahami kegagalan itu penting, namun memahami faktor penyebab atau fungsi yang memaksa yang mengakibatkan kegagalan itu sangatlah penting. Jika Anda mengetahui modus kegagalannya, Anda mungkin dapat mengantisipasinya dan dapat memulihkannya dengan cepat — namun hal tersebut tidak meningkatkan keandalan atau mencegah terulangnya kembali. Faktor penyebab memberikan pengetahuan yang diperlukan untuk mencegah kegagalan awal dan terulangnya kembali.

Parameter Apa yang Mengidentifikasi Mode Kegagalan dan Faktor Penyebabnya

Setelah Anda memiliki pemahaman mendalam tentang keandalan bawaan, mode kegagalan, dan faktor penyebabnya, langkah berikutnya adalah menentukan parameter spesifik, seperti getaran atau distribusi panas, yang diperlukan sebagai masukan ke mesin analisis prediktif. Analisis prediktif, seperti bentuk diagnostik lainnya, bergantung pada kualitas dan kelengkapan data masukan.

Misalnya, masukan data getaran pita lebar beresolusi tinggi dan pita sempit diskrit cukup untuk analisis kondisi mekanis pompa secara efektif, namun mungkin tidak cukup untuk menentukan faktor penyebab yang dapat memberikan deteksi dini dan koreksi penyimpangan yang dapat, jika tidak diketahui, mengakibatkan kegagalan. Dalam kebanyakan kasus, parameter ini akan menjadi kombinasi data proses yang diambil dari sistem pemantauan dan pengendalian yang ada dan data yang diukur secara langsung yang merupakan bagian integral dari mesin analitik prediktif. Pada aset dan sistem dinamis, yang terakhir mencakup penggunaan sensor cerdas yang menggabungkan analisis edge, pembelajaran mesin, dan kecerdasan buatan yang berlokasi strategis pada aset, proses, atau sistem.

Model Deteksi Anomali

Menggabungkan pengetahuan yang diperoleh sejauh ini dalam diskusi ini, langkah terakhir dalam analisis prediktif yang efektif adalah mengembangkan dinamika operasi atau model berbasis fisika yang dapat menyerap data berkelanjutan dari setiap aset, sistem, atau proses, dan juga secara otomatis menganalisis semua variabel, mengidentifikasi semua penyimpangan dari kondisi normal, mengidentifikasi faktor penyebab di balik setiap penyimpangan, dan menghasilkan instruksi preskriptif untuk tindakan perbaikan. Tentu saja, model ODA adalah kunci analisis prediktif yang efektif. Setiap teknisi keandalan yang berpengalaman harus dapat mengevaluasi aset tertentu pada suatu titik dalam siklus hidupnya dan melakukan hal yang sama.

Perbedaannya adalah tidak terdapat cukup insinyur keandalan atau jam kerja yang memenuhi syarat untuk terus menganalisis semua aset. Mesin analisis prediktif tidak akan lelah, bosan, atau terganggu.

Kesimpulannya, efektivitas sebenarnya dari program analisis prediktif tidak hanya terletak pada keberadaannya namun juga pada implementasi strategisnya. Fokus umum pada pencegahan kegagalan, meskipun bertujuan baik, sering kali gagal karena ketidakmampuannya mengatasi faktor-faktor penyebab yang mendasarinya. Peralihan ke pendekatan holistik yang mencakup dinamika aset dan seluk-beluk operasional akan menghasilkan manfaat nyata, sebagaimana dibuktikan dengan keberhasilan transisi dari paradigma yang didorong oleh kegagalan ke paradigma analitik prediktif yang sebenarnya. 

Dengan mengakui pentingnya mempertahankan aliran nilai dan aset tambahan, organisasi tidak hanya dapat memitigasi kegagalan tetapi juga mengoptimalkan kinerja dan mengurangi total biaya kepemilikan. Memanfaatkan analisis prediktif sebagai alat untuk meningkatkan keandalan, memperpanjang masa manfaat ekonomis, dan meminimalkan biaya pengoperasian menandakan perubahan paradigma menuju strategi pengelolaan aset yang proaktif, memastikan pengembalian optimal atas modal yang diinvestasikan dan menghasilkan pendapatan yang berkelanjutan.

Tentang Penulis

Tentang Penulis