Pemeliharaan Prediktif: Meningkatkan Efisiensi, Meminimalkan Downtime, dan Memastikan Kepuasan Pelanggan

 

Setiap hari, di setiap lingkungan manufaktur, kegagalan dan waktu henti terjadi. Itu hanyalah kenyataan saat Anda berhadapan dengan peralatan yang melakukan tugas berulang. Masalahnya, manufaktur di pasar saat ini memerlukan efisiensi dan produksi berkualitas. Waktu henti yang tidak terencana pada hanya satu mesin dalam lingkungan manufaktur "just-in-time" dapat menyebabkan keterlambatan yang mengarah pada pelanggan yang tidak puas, kemungkinan pengalihan pelanggan tersebut ke pesaing, dan pukulan langsung pada bottom line 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 terencana maupun tidak terencana. Ini disebut sebagai pemeliharaan prediktif.

Apa Itu Pemeliharaan Prediktif?

Pemeliharaan prediktif—atau PdM, singkatnya—adalah metode untuk memeriksa persyaratan pemeliharaan pada mesin di lantai pabrik. Dengan menganalisis data operasional dari mesin, pola muncul yang akan memungkinkan operator untuk mengembangkan pemahaman tentang mode kegagalan dan memprediksi kapan pemeliharaan akan diperlukan pada unit tertentu, memungkinkannya untuk direncanakan pada waktu yang lebih hemat biaya.

Dulu, produsen akan mengandalkan pemeliharaan reaktif dan strategi pemeliharaan lain, yang disebut sebagai metode "jika tidak rusak, jangan perbaiki". Anda dapat dengan mudah membayangkan bahwa servis mesin hanya saat mereka rusak adalah biaya besar, baik dari waktu henti yang tidak terencana dan dampak potensial pada bagian lain dari mesin, serta kualitas output untuk waktu bagian yang gagal.

Seiring waktu, perusahaan mencoba beralih dari pemeliharaan reaktif dan menerapkan strategi pemeliharaan preventif. Namun pemeliharaan preventif bergantung pada rata-rata dan tidak mencerminkan kondisi saat ini atau real-time dari peralatan.

Sementara pemeliharaan preventif dan prediktif adalah peningkatan dari pemeliharaan reaktif, ada pemenang yang jelas. Menerapkan pemeliharaan prediktif bergantung pada informasi spesifik yang ditarik dari setiap mesin untuk mendeteksi masalah potensial. Sebuah contoh adalah analisis getaran.

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

Bagaimana Pemeliharaan Prediktif Bekerja?

Berbeda dengan pemeliharaan preventif, program pemeliharaan prediktif menggunakan data yang dihasilkan oleh peralatan dan mengirim data ke cloud. Seperti data proses produksi dan bisnis, pemeliharaan berbasis kondisi real-time dapat dianalisis untuk mendeteksi pola dan tren pada kesehatan mesin atau umur pakai bagian atau alatnya dan untuk menurunkan biaya pemeliharaan.

Seringkali, peralatan OEM mungkin menyatakan umur pakai yang diharapkan untuk bagian atau alat. Namun, ini berdasarkan rata-rata dari seluruh industri. Ini tidak mempertimbangkan aplikasi beban ringan di mana bagian mungkin aus lebih lambat dari yang diharapkan atau aplikasi beban berat di mana mereka mungkin aus lebih cepat.

Analitik canggih dalam platform pemantauan produksi dan pemeliharaan menggunakan tren dan pemeliharaan berbasis kondisi untuk memplot waktu-aus sebenarnya atau memprediksi mode kegagalan. Program pemeliharaan prediktif dapat dikembangkan berdasarkan wawasan ini untuk mengurangi waktu henti dan mengontrol biaya.

Program pemeliharaan prediktif yang kuat dapat menggunakan platform untuk mengirim peringatan ke staf pemeliharaan saat kegagalan akan terjadi, mengurangi waktu henti dari menunggu teknisi tiba setelah fakta. Mereka juga dapat bekerja dengan informasi produksi pabrik, seperti waktu pergantian yang diharapkan untuk melakukan perbaikan selama pergantian yang dijadwalkan atau waktu henti yang direncanakan untuk pembersihan.

Peringatan yang dijadwalkan dapat diperluas dari teknisi ke gudang MRO sehingga bagian dapat disiapkan untuk menghindari lebih banyak waktu henti. Dan bagian dapat diotomatiskan untuk pesan ulang terhadap jumlah bagian min/max yang ditetapkan, yang juga diresepkan oleh sistem. Sebagai bagian dari strategi pemeliharaan keseluruhan, setiap perusahaan dapat menyesuaikan teknik pemeliharaan prediktifnya dengan kebutuhannya sendiri.

Apa Keuntungan Pemeliharaan Prediktif?

Dari segi penghematan biaya, keuntungan strategi pemeliharaan prediktif mencakup waktu henti terencana yang dioptimalkan dan waktu henti tidak terencana yang diminimalkan. Program pemeliharaan prediktif juga akan mengoptimalkan produktivitas karyawan dan umur pakai peralatan. Menggunakan analitik canggih dan algoritma pembelajaran mesin, pemeliharaan preventif tidak dapat diabaikan!

Bagaimana Pemeliharaan Prediktif Membantu Mengoptimalkan Waktu Henti Terencana

Waktu henti terencana dapat mencakup segalanya mulai dari pembersihan dan pelumas mesin hingga penggantian bagian yang diketahui gagal secara teratur. Jenis pemeliharaan preventif ini mengurangi risiko waktu henti yang tidak terencana. Sama seperti merawat komputer Anda dan menyapunya dari virus atau menjaga alat rumah tangga lainnya tetap bersih di rumah Anda, Anda akan mendapatkan output yang lebih efisien dan berkualitas lebih baik dari mesin yang dirawat dengan baik.

Berkat data yang dikumpulkan dalam operasi mesin, pemeliharaan prediktif dapat dijadwalkan secara teratur dan pada waktu yang akan memiliki dampak paling kecil pada produksi pesanan. Ada juga manfaat tambahan bahwa pemeliharaan yang memadai dengan cara ini akan secara pasti memperpanjang umur pakai peralatan mekanik yang akan sulit dan mahal untuk diganti. Memaksimalkan waktu aktif dan umur pakai komponen dalam program pemeliharaan prediktif pada akhirnya akan mengakibatkan penghematan biaya yang signifikan.

Pemeliharaan Prediktif Membatasi Waktu Henti yang Tidak Terencana

Menurut posting Wall Street Journal, "Waktu henti yang tidak terencana mengakibatkan biaya yang diperkirakan $50 miliar tahunan bagi produsen industri." Menggunakan pemeliharaan prediktif untuk membatasi biaya ini sangat penting di industri manufaktur yang sangat kompetitif.

Sekaligus pemeliharaan preventif yang dijadwalkan dapat memastikan mesin berjalan lancar sebagian besar waktu, memantau mesin secara digital mengumpulkan sejumlah data yang, saat dianalisis, akan menunjukkan pola pada mesin tertentu. Jenis deteksi pola ini, berdasarkan data historis, dapat membantu mengidentifikasi mesin yang mungkin mengalami gangguan dan untuk yang pemeliharaan dapat direncanakan secara proaktif.

Pemeliharaan Prediktif Dapat Membantu Mengoptimalkan Umur Pakai Peralatan

Dapat memantau efisiensi, output, dan kualitas mesin seiring waktu akan mengungkap data yang akan mengidentifikasi kapan mesin memerlukan pemeliharaan, seperti yang disebut di atas, tetapi juga akan membantu mengidentifikasi kapan mesin mencapai akhir umur pakainya. Pemeliharaan reaktif dan preventif tidak dapat melakukan ini.

Seiring mesin bertambah usia dan tergantung pada tingkat penggunaannya, jadwal pemeliharaan akan berubah, yang dapat diatur melalui pemeliharaan prediktif. Bagian mesin akan merespons stres produksi secara berbeda seiring waktu. Peningkatan pemeliharaan yang diyakini melalui pola data akhirnya akan mengungkap kapan mesin mencapai titik kritis pada biaya vs. kinerja. Kebutuhan untuk akhirnya mengganti bagian besar dari mesin atau seluruh unit menjadi dapat diatur dengan meramalkan kebutuhan tersebut dan merencanakannya, baik dari segi biaya/anggaran dan waktu/usaha.

Pemeliharaan Prediktif Dapat Membantu Mengoptimalkan Produktivitas Karyawan

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

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

Selain itu, waktu henti dan operasi dengan parameter tidak optimal tidak hanya mempengaruhi output tetapi juga moral karyawan. Stres untuk bergegas menyelesaikan masalah saat mereka muncul. Pemeliharaan prediktif meminimalkan insiden semacam itu.

Pemeliharaan Prediktif Dapat Membantu Meningkatkan Pendapatan

Keuntungan pemeliharaan prediktif yang telah kita bahas di atas, pada akhirnya, semua memiliki tujuan yang sama: meningkatkan bottom line. Dengan pemeliharaan yang lebih sedikit pada komponen yang baik dan perbaikan yang lebih cepat pada komponen yang rusak, 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 2015. Mereka mengungkap peluang untuk perbaikan berikut:

10-40% Pengurangan Biaya Pemeliharaan

Karena pemeliharaan yang direncanakan berdasarkan jadwal, akan ada kasus ketika tugas pemeliharaan akan dilakukan saat tidak diperlukan. Pemeliharaan prediktif dapat mencegah ineffisiensi semacam itu.

10-20% Pengurangan Limbah

Operasi tidak optimal yang tidak terdeteksi dapat mengarah pada produksi yang boros. Bahan baku, energi, biaya tenaga kerja, dan waktu mesin boros dalam kasus semacam itu. Sistem pemeliharaan prediktif dapat mengungkap masalah yang dapat mengarah pada limbah sebelum timbul.

10-50% Peluang Perbaikan Baru yang Ditemukan

Setelah pengumpulan data menjadi otomatis, wawasan baru tentang peluang optimasi proses dapat ditemukan setiap hari melalui analitik canggih.

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 menciptakan solusi pemeliharaan prediktif untuk operasi. Teknologi ini meliputi:

Termografi Inframerah

Panas hampir selalu merupakan hasil samping lingkungan manufaktur. Namun, itu seringkali dapat diprediksi untuk setiap mesin atau jenis pekerjaan yang dijalankan. Platform PdM dapat memetakan pola panas ini per mesin atau pekerjaan dan menganalisis lonjakan suhu untuk menentukan masalah yang akan datang. Termografi inframerah dapat memantau dan mengukur suhu pada peralatan seperti motor, bearing, 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 ini untuk mendeteksi masalah dan mengidentifikasi tren di bawah kondisi tertentu.

Pemantauan Akustik

Beberapa platform pemantauan pemeliharaan prediktif dapat menggunakan sinyal frekuensi tinggi untuk menentukan kondisi peralatan. Prinsip yang sama dapat diterapkan menggunakan suara udara. Dengan menangkap kebisingan akustik ini, kegagalan dapat terdeteksi. Algoritma pembelajaran mesin canggih digunakan untuk meningkatkan kemampuan prediktif seiring waktu. Analitik ini dapat digabungkan dengan teknologi pemantauan lain untuk menyelidiki dan mengungkap anomali sebelum terjadi.

Analisis Getaran

Semua peralatan manufaktur dan penggilingan bergetar. Dan getaran ini per mesin dan jenis pekerjaan dapat dimodelkan untuk menentukan rentang sehat pada kurva. Analisis getaran membantu insinyur pemeliharaan prediktif untuk mempelajari apa arti perubahan halus dan signifikan. Mereka dapat mengevaluasi tingkat aus dan titik kegagalan seiring algoritma pembelajaran mesin menjadi lebih akurat seiring waktu.

Analisis Minyak

Sementara platform pemeliharaan prediktif dapat menggunakan suara, getaran, dan suhu untuk menilai kesehatan dan kegagalan potensial peralatan atau bagian, alat lain yang menangkap apa yang terjadi di dalam mesin adalah analisis minyak. Dengan mengukur keurnian minyak, isi puing, kontaminan, dan komposisi minyak, teknisi dapat mengidentifikasi, memodelkan, dan memprediksi penyebab serta mengembangkan strategi untuk memperbaikinya. Data dari analisis minyak dapat dikirim ke platform analitik dan digabungkan dengan data pemantauan lainnya untuk gambar yang jelas tentang kesehatan mesin.

Bagaimana Menerapkan Pemeliharaan Prediktif

Sekarang sudah jelas bahwa pemeliharaan prediktif adalah cara yang memastikan untuk menghindari waktu henti yang tidak terencana dan menimbulkan biaya manufaktur yang lebih tinggi, pertanyaannya adalah: bagaimana Anda menerapkan rencana pemeliharaan prediktif?

Pertama, perhatikan inti masalah yang ingin Anda perbaiki:

• Apakah Anda lebih khawatir tentang waktu henti yang tidak terencana atau biaya kegagalan komponen?
• Apakah beberapa mesin di lantai Anda lebih "penting"? i.e., digunakan lebih sering, terkait dengan lebih banyak pesanan, dll.

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

Kedua, periksa data historis untuk pola dan metrik apa yang akan menunjukkan masalah, penyimpangan dari garis dasar apa yang harus memberi tahu operator, dan seterusnya.

Terakhir, saat Anda menggunakan pola ini dan data yang relatif terhadap ukuran kinerja garis dasar Anda, Anda perlu mendirikan proses untuk terus memperbarui data dan meninjau untuk memastikan bahwa itu terus mencerminkan status saat ini dan akan memberi tahu pola yang mewabah yang jelas menyalin kebutuhan pemeliharaan. Ini adalah kunci: Anda tidak dapat memprediksi apa yang tidak dapat Anda analisis. Data yang akurat esensial!

Meminimalkan waktu henti yang tidak terencana, setidaknya sehubungan dengan fungsi mesin, adalah penghematan biaya besar dan akan mencegah penundaan ke pasar yang juga akan mempengaruhi bottom line. Di lingkungan manufaktur saat ini, pemeliharaan prediktif bukanlah "nice to have." Ini adalah keharusan.

Luncurkan Strategi Pemeliharaan Prediktif

Book a Demo