Mengurangi Risiko Pabrik Industri Melalui Manajemen Data Tingkat Lanjut
Kegagalan aset adalah peristiwa yang mengganggu bagi organisasi industri mana pun. Menurut LNS Research, kegagalan aset adalah salah satu dari tiga penyebab utama kecelakaan yang berakhir dengan masalah keselamatan dan polusi. Mereka juga menghentikan produksi dan menyebabkan kerusakan peralatan, sehingga mengakibatkan kerugian finansial yang signifikan. Faktanya, setiap tahun, downtime yang tidak direncanakan menyebabkan kerugian bagi produsen industri sebesar $50 miliar.
Organisasi berada di bawah tekanan untuk meningkatkan efisiensi dan mengurangi konsumsi, dan manajer serta eksekutif keandalan harus memperhitungkan setiap aset yang berperan dalam operasi pabrik – mulai dari katup terkecil hingga turbin terbesar.
Meskipun perangkat lunak dapat menjalankan analisis dan menghasilkan metrik kinerja dasar, pengetahuan bahwa turbin senilai $10 juta yang terlindungi dengan baik dan 98% dapat diandalkan tidak akan berguna jika katup kecilnya rusak dan mematikan seluruh pabrik.
Tiga pendorong utama degradasi mesin adalah:
- Semua mesin menghadapi berbagai sumber degradasi.
- Ini termasuk bahan kimia, kelelahan, abrasi, dan gesekan.
- Tingkat mekanisme degradasi ini bervariasi tergantung pada desain mesin, penggunaan, dan lingkungan.
- Mesin itu kompleks, terdiri dari berbagai komponen, dan sumber degradasi yang berbeda memengaruhi komponen tersebut dengan kecepatan berbeda.
Perjalanan Awal:Dari Pencegahan ke Proaktif
Pemeliharaan preventif (PM) muncul untuk mendeteksi dan mencegah degradasi sebelum kegagalan terjadi. Namun, kompleksitas dan interaksi ketiga faktor utama penyebab degradasi ini mempersulit pengambilan keputusan mengenai kapan dan di mana intervensi harus dilakukan. Daripada menetapkan jadwal PM berdasarkan asumsi yang masuk akal, PM berbasis waktu menjadi pilihan terbaik, dan segera diikuti oleh pemeliharaan berbasis kondisi.
Berbagai teknologi pemeliharaan prediktif (PdM) telah dikembangkan, seperti:
- Analisis getaran untuk peralatan berputar.
- Termografi untuk sistem kelistrikan.
- Ultrasonografi untuk ketebalan pipa dan bejana.
Namun, nama “pemeliharaan prediktif” agak keliru. Teknologi ini tidak memprediksi kegagalan; mereka mendeteksi dan menunjukkan tanda-tanda kerusakan sehingga tim pemeliharaan dapat mencegatnya sebelum terjadi kegagalan. Metode ini berfokus pada mode kegagalan yang berbeda dan dibangun berdasarkan teknologi sensor yang mendeteksinya dan menghasilkan data penting.
Tanpa wawasan data dari teknologi sensor yang terhubung, operator pabrik tidak memiliki pemahaman yang memadai mengenai risiko organisasi dan cara mengelolanya. Data yang diperlukan untuk mengambil keputusan mungkin terbatas pada aset atau fasilitas tertentu. Namun data tersebut menjadi berguna jika dibandingkan dengan rata-rata seluruh perusahaan dan global, sehingga memberikan keunggulan kompetitif bagi perusahaan yang memahami risiko dan mengetahui cara mengendalikannya.
Merangkul Data dan Kecerdasan Baru
Dengan penerapan sensor penghasil data, organisasi menerapkan sistem manajemen untuk menafsirkan data dalam jumlah besar dan menjalankan tugas pengenalan pola tingkat lanjut untuk mendeteksi anomali dan degradasi peralatan.
Teknik deteksi sistem manajemen bersifat praktis; mereka menganalisis data sensor dan membangun model operasi “normal” dan memperingatkan ketika kondisi abnormal terjadi. Hal ini terjadi secara real-time dan dapat mendeteksi variasi halus yang disebabkan oleh kerusakan. Dengan teknologi ini, organisasi memperoleh laba atas investasi dengan secara signifikan mengurangi kegagalan besar pada peralatan yang dipantau.
Tahukah Anda?
"Memanfaatkan analisis big data dapat mengurangi kerusakan hingga 26% dan mengurangi waktu henti yang tidak terjadwal hingga hampir 25%."
Sumber:engineering.com
Teknologi juga telah mengubah penambangan data untuk mengoptimalkan wawasan dari data sensor yang diarsipkan dan data sistem manajemen aset perusahaan untuk membantu pelaksanaan pekerjaan. Menggabungkan penambangan data dengan deteksi anomali meningkatkan diagnostik waktu nyata dan perkiraan waktu terjadinya kegagalan. Di sinilah sistem manajemen kinerja aset (APM) berperan.
Sebagian besar teknik pembelajaran mesin (ML) dan kecerdasan buatan (AI) didasarkan pada data tetapi tidak dirancang untuk analisis data yang ekstensif; APM mengkodekan data yang tidak dapat dilakukan oleh ML dan AI dengan menggunakan fungsi integrasi data ML untuk mengumpulkan miliaran titik data dan dengan cepat mengaturnya ke dalam model yang mengukur risiko dan mencegah kegagalan.
Dalam industri saat ini, organisasi menyadari bahwa aset yang terhubung perlu memasukkan informasi ke dalam sistem APM agar dapat memanfaatkan data yang dikumpulkan dengan tepat. Misalnya, sebuah perusahaan kimia besar di Arab Saudi menerapkan sistem APM dan meningkatkan rata-rata tingkat kegagalan pipa mereka dari 172 hari menjadi lebih dari 2.100 hari, yang berarti peningkatan sebesar 1.135%.
Berbagi Data untuk Prognostik yang Lebih Baik
Untuk organisasi dengan lingkungan IoT (Internet of Things) end-to-end, analisis big data tidak dapat berfokus pada beberapa sumber data saja. APM memungkinkan organisasi untuk menggabungkan silo data dan memodelkan sifat unik aset industri dalam konteks operasional mereka.
Ini adalah salah satu bidang di mana terdapat perbedaan signifikan antara sektor industri dan konsumen. Dalam dunia industri, kegagalan bisa sangat bervariasi. Karena saat ini tidak ada industri yang setara dengan Google atau Amazon untuk menggabungkan data mesin di seluruh perusahaan, kumpulan data yang diperlukan untuk mengembangkan jenis analisis ini terbatas pada perusahaan besar dan produsen peralatan asli (OEM). Meskipun perusahaan sensitif terhadap data operasional mereka, banyak yang mulai memahami bahwa berbagi data kesalahan dan kegagalan mereka dengan pihak lain akan sangat bermanfaat bagi seluruh industri.
Dengan kumpulan data ini, gelombang analisis data berikutnya mempunyai potensi yang sangat besar. Dengan menganalisis data ini, pola kesalahan yang muncul dapat dicocokkan dan dibandingkan dengan data historis dari “perpustakaan” kasus serupa sebelumnya. Dengan ini, diagnostik otomatis dapat memberikan deskripsi masalah dan perkiraan potensi waktu kegagalan.
Bahkan untuk peralatan yang tidak dilengkapi sensor, kumpulan data yang lebih besar mendukung analisis statistik yang lebih baik berdasarkan peralatan dalam kondisi pengoperasian serupa. Hal ini memungkinkan teknisi dan operator mengambil keputusan yang lebih tepat saat menetapkan strategi pemeliharaan karena mereka akan memahami tingkat kegagalan komponen yang sebenarnya. Teknologi saat ini biasanya bergantung pada rekomendasi OEM atau studi industri yang sering dilakukan bertahun-tahun lalu.
Kesimpulan
Bagi banyak perusahaan, pengembangan strategi pemeliharaan adalah proses yang subjektif dan berdasarkan pengalaman. Data untuk membuat keputusan yang obyektif sering kali terbatas, tidak ada, atau sulit diakses. Peralihan ke pendekatan berbasis kondisi menyelesaikan sebagian besar masalah ini dengan mendasarkan aktivitas pada kondisi aset saat ini, namun teknik ini pun masih memerlukan keahlian yang signifikan dan memberikan ruang untuk perbaikan.
Potensi penerapan analisis data tingkat lanjut pada pengoperasian mesin cukup menjanjikan, namun masih terdapat tantangan. Memiliki akses terhadap jenis data yang tepat sangatlah penting, dan bagi banyak perusahaan, hal ini berarti kesediaan untuk berbagi dan memperdagangkan data dengan perusahaan lain. Ketika perusahaan mulai berbagi informasi dan meningkatkan operasi, mereka akan menyadari manfaatnya lebih besar daripada kekhawatirannya dalam membantu pesaing.
Organisasi memahami bahwa dampak langsung dari downtime merugikan bisnis. Dalam banyak kasus, dampak tidak langsung dari downtime ini, seperti rusaknya reputasi, sama besarnya, bahkan lebih mengganggu dibandingkan dampak langsungnya. Operator industri harus menerapkan strategi big data yang memberikan hasil terbaik bagi aset mereka jika ingin mempertahankan profitabilitas dan pertumbuhan. Dengan mengidentifikasi tren dan karakteristik kegagalan sejak dini melalui data, organisasi industri meningkatkan keandalan aset secara keseluruhan dan memangkas biaya, baik jangka pendek maupun jangka panjang.
