Penjelasan Pemeliharaan Prediktif

Pemeliharaan prediktif (PdM) adalah pemeliharaan yang memantau kinerja dan kondisi peralatan selama operasi normal untuk mengurangi kemungkinan kegagalan. Juga dikenal sebagai perawatan berbasis kondisi, perawatan prediktif telah digunakan di dunia industri sejak tahun 1990-an.

Namun, pada kenyataannya, pemeliharaan prediktif jauh lebih tua, meskipun sejarahnya tidak didokumentasikan secara formal. Menurut Teknik Kontrol, “Permulaan pemeliharaan prediktif (PdM) mungkin ketika seorang mekanik pertama kali menempelkan telinganya ke gagang obeng, menyentuh ujung yang lain ke mesin, dan mengatakan bahwa itu terdengar seperti bantalan yang rusak. .”

Tujuan pemeliharaan prediktif adalah kemampuan untuk terlebih dahulu memprediksi kapan kegagalan peralatan dapat terjadi (berdasarkan faktor-faktor tertentu), diikuti dengan mencegah kegagalan melalui pemeliharaan korektif dan terjadwal secara teratur.

Pemeliharaan prediktif tidak dapat ada tanpa pemantauan kondisi, yang didefinisikan sebagai pemantauan mesin secara terus-menerus selama kondisi proses untuk memastikan penggunaan mesin yang optimal. Ada tiga aspek pemantauan kondisi:online, berkala, dan jarak jauh. Pemantauan kondisi online didefinisikan sebagai pemantauan terus menerus terhadap mesin atau proses produksi, dengan data yang dikumpulkan tentang kecepatan kritis dan perubahan posisi spindel (“Pemantauan Kondisi Mesin Berputar,” Istec International).

Pemantauan kondisi berkala, yang dicapai melalui analisis getaran, “memberikan wawasan tentang perubahan perilaku getaran instalasi” dengan analisis tren (“Pemantauan Kondisi Mesin Berputar,” Istec International). Terakhir, pemantauan kondisi jarak jauh, seperti namanya, memungkinkan peralatan dipantau dari lokasi yang jauh, dengan data yang dikirimkan untuk dianalisis.

Sebelum membuat program pemeliharaan prediktif, organisasi harus mengambil beberapa langkah, yang meliputi:

• Menganalisis kebutuhan dan riwayat peralatan

• Meninjau setiap dan semua catatan yang tersedia tentang waktu henti, kerusakan peralatan, kerugian (hasil dan energi), denda peraturan potensial, dan keselamatan tempat kerja

• Menetapkan definisi dan konsep serta membangun kasus untuk PdM

• Mendidik pemangku kepentingan utama dan mendapatkan dukungan

• Melengkapi inventaris peralatan dan menilai kondisi peralatan saat ini

• Memilih peralatan untuk implementasi awal program

• Mengembangkan detail sistem berdasarkan sistem dan/atau komponen individual

• Mengevaluasi pemeliharaan preventif atau prediktif yang ada

• Memutuskan sistem mana yang akan disertakan dan apa yang harus diperiksa

• Mendefinisikan kekritisan program dan menetapkan frekuensi PdM dan jenis jadwal

• Mengevaluasi sumber daya yang diantisipasi dan menetapkan peran dan tanggung jawab personel

• Mengatur program dan mengintegrasikannya ke dalam sistem penjadwalan

• Mendidik dan mendapatkan dukungan dari operasi dan pemeliharaan

• Meningkatkan peralatan dan melakukan pelatihan

• Membuat sistem manajemen pemeliharaan terkomputerisasi (CMMS)

Sekitar 65 persen personel pemeliharaan yang disurvei dalam Survei Pemeliharaan Prediktif Pabrik Handal 2019 mengatakan mereka menggunakan pemeliharaan prediktif. Saat diimplementasikan dan dijalankan, pemeliharaan prediktif merupakan landasan program pemeliharaan yang sukses.

Perbedaan Antara Predictive Maintenance dan Preventive Maintenance

Sementara banyak program pemeliharaan menggunakan sedikit dari keduanya, ada beberapa perbedaan antara pemeliharaan prediktif dan pemeliharaan preventif. Pemeliharaan preventif melibatkan pemeriksaan dan pemeliharaan mesin, terlepas dari apakah peralatan itu membutuhkan pemeliharaan. Jadwal pemeliharaan ini didasarkan pada pemicu penggunaan atau waktu. Misalnya, unit pemanas diservis setiap tahun sebelum musim dingin, atau mobil memerlukan perawatan terjadwal setiap 5.000 mil.

Selain itu, pemeliharaan preventif tidak menuntut komponen pemantauan kondisi seperti yang dilakukan oleh pemeliharaan prediktif. Dengan tidak memerlukan pemantauan kondisi, program pemeliharaan preventif tidak melibatkan banyak investasi modal dalam teknologi dan pelatihan. Terakhir, banyak program pemeliharaan preventif memerlukan pengumpulan dan analisis data manual.

Sementara pemeliharaan preventif ditentukan dengan menggunakan siklus hidup rata-rata suatu aset, pemeliharaan prediktif diidentifikasi berdasarkan kondisi peralatan tertentu yang telah ditetapkan dan ditentukan sebelumnya, dengan memanfaatkan teknologi yang berbeda. Pemeliharaan prediktif juga memerlukan lebih banyak investasi pada orang, pelatihan, dan peralatan daripada pemeliharaan preventif, tetapi penghematan waktu dan biaya akan lebih besar dalam jangka panjang.

Keuntungan dan Kerugian Pemeliharaan Prediktif

Seperti disebutkan, keuntungan pemeliharaan prediktif sangat luar biasa dari perspektif penghematan biaya dan termasuk meminimalkan waktu henti yang direncanakan, memaksimalkan umur peralatan, mengoptimalkan produktivitas karyawan, dan meningkatkan pendapatan (Immerman, "Dampak Pemeliharaan Prediktif pada Manufaktur"). Keuntungan lain dari pemeliharaan prediktif adalah kemampuannya untuk mengubah tim pemeliharaan dan organisasi, karena penerapan PdM memungkinkan manajer aset meningkatkan hasil dan prioritas keseimbangan yang lebih baik seperti profitabilitas dan keandalan.

Salah satu kelemahan utama pemeliharaan prediktif adalah jumlah waktu yang diperlukan untuk menilai dan mengimplementasikan jadwal PdM. Dengan pemeliharaan prediktif menjadi inisiatif yang kompleks, personel pabrik harus dilatih tentang cara tidak hanya menggunakan peralatan tetapi juga bagaimana menafsirkan analitik (atau data).

Sementara banyak organisasi memilih untuk melatih karyawan yang ada tentang pemeliharaan prediktif, ada kontraktor pemantau kondisi yang mengkhususkan diri dalam melakukan tenaga kerja yang diperlukan dan menganalisis hasil untuk fasilitas. Selain biaya pelatihan, pemeliharaan prediktif melibatkan investasi dalam alat dan sistem pemeliharaan. Biaya ini telah menurun dari waktu ke waktu dengan diperkenalkannya teknologi berbasis cloud.

Pemeliharaan Prediktif vs. Pemeriksaan Cacat

Untuk beberapa waktu, sejumlah besar kebingungan telah ada tentang cara yang tepat untuk memeriksa keberadaan mode kegagalan yang diberikan. Haruskah saya melakukan beberapa jenis pemeriksaan sensorik? Haruskah saya melakukan beberapa jenis pemeriksaan kuantitatif? Haruskah saya menerapkan satu atau lebih teknologi pemantauan kondisi? Haruskah saya menerapkan beberapa kombinasi teknik ini untuk memaksimalkan probabilitas bersyarat untuk menemukan cacat?

Bagaimana saya mengidentifikasi keberadaan cacat utama sedemikian rupa untuk memaksimalkan jumlah waktu yang dimiliki departemen perencanaan saya untuk mengembangkan prosedur pekerjaan, membuat pesanan kerja, memesan suku cadang, dan menjadwalkan serta menyelesaikan pekerjaan sebelum probabilitas bersyarat kegagalan menjadi terlalu tinggi? Penjelasan tentang jenis pemeriksaan dan bagaimana pemeriksaan tersebut saling melengkapi akan sangat membantu dalam memperjelas mana yang paling tepat.

Jenis Teknik Pemeriksaan Cacat

Inspeksi sensorik telah lama dianggap sebagai tulang punggung program inspeksi dan pekerjaan pemeliharaan yang baik. Diyakini bahwa mengirim seseorang cukup sering untuk memeriksa masalah dengan mesin akan menghasilkan identifikasi cacat dalam banyak waktu untuk mengurangi waktu henti yang tidak direncanakan. Inspektur akan menggunakan penglihatan, suara, dan sentuhan untuk menentukan apakah ada yang berubah sejak inspeksi terakhir. Setiap perubahan akan dicatat, dilaporkan, dan diselidiki oleh pengrajin pada pemadaman terjadwal berikutnya.

Meskipun ada banyak sekali manfaat mengirim seseorang untuk melakukan inspeksi, ada begitu banyak lubang dalam strategi ini yang tidak boleh dianggap sebagai tulang punggung program inspeksi. Inspeksi sensorik biasanya hanya mengidentifikasi masalah yang paling jelas dan drastis. Hampir tidak mungkin bagi inspeksi sensorik untuk mengidentifikasi cacat internal awal pada mesin.

Inspeksi Sensorik yang Disempurnakan

Inspeksi sensorik yang ditingkatkan mengisi zona abu-abu itu. Keduanya merupakan inspeksi sensorik dan pengukuran kuantitatif dengan karakteristik pemantauan kondisi. Inspeksi ini menggunakan instrumen seperti radiometer spot, lampu strobo, pena getaran genggam, dan pengukur ultrasonik sederhana untuk mendeteksi cacat lebih lanjut di kurva P-F. Sementara alat-alat ini melipatgandakan kekuatan indera manusia, mereka memiliki batasnya. Alat sederhana ini memungkinkan mode kegagalan yang berbeda untuk dideteksi, tetapi seharusnya tidak menggantikan program pemantauan kondisi yang komprehensif.

Inspeksi Kuantitatif

Inspeksi kuantitatif dapat memberikan informasi yang berguna dalam hal menghasilkan data untuk tren dan menentukan umur karakteristik mode kegagalan. Inspeksi kuantitatif membutuhkan seseorang untuk mengukur sesuatu. Inspeksi kuantitatif yang sangat umum termasuk mengukur suhu segel pada pompa atau mengukur jarak bebas pelat belakang pada impeler pompa. Pengukuran ini memberikan data kepada perencana dan insinyur serta membantu menentukan kebutuhan akan tindakan pemeliharaan lebih lanjut.

Ketika dirancang dengan benar, prosedur inspeksi kuantitatif merinci batasan dan biasanya pengukuran yang diharapkan. Setiap inspeksi yang mengharuskan seseorang untuk mengukur sesuatu harus memiliki nilai minimum, maksimum, dan tipikal, dengan tugas bersyarat yang ditentukan ketika batas terlampaui. Tetapi inspeksi kuantitatif yang dilakukan pada frekuensi inspeksi yang tepat jarang akan menghasilkan pengukuran yang melebihi batas.

Pemeliharaan Prediktif sebagai Teknik Pemeriksaan Cacat

Pemantauan kondisi, juga dikenal sebagai pemeliharaan prediktif (PdM), adalah penerapan teknologi pemantauan berbasis kondisi, kontrol proses statistik, atau kinerja peralatan untuk deteksi dini dan penghapusan cacat peralatan yang dapat menyebabkan waktu henti yang tidak direncanakan atau pengeluaran yang tidak perlu.

Dan secara umum, Anda harus melakukan ini saat peralatan dalam operasi normal, dengan sedikit atau tanpa gangguan proses. Tujuan dari alat ini (analisis getaran, termografi inframerah, analisis rangkaian motor, dll.) adalah untuk menemukan cacat yang tidak ditemukan melalui metode pemeriksaan yang tersedia sebelumnya, saat mesin dalam operasi normal.

Memanfaatkan teknologi yang tersedia memungkinkan Anda menilai kondisi suku cadang dan adanya cacat yang sampai sekarang tidak mungkin dideteksi. Contoh keunggulan alat ini dalam bidang inspeksi kuantitatif atau inspeksi sensorik adalah penggunaan analisis getaran untuk menentukan adanya cacat pada bantalan elemen gelinding.

Sebelumnya, mekanik dan tukang giling mengandalkan "pemeriksaan angkat" untuk menentukan jumlah jarak bebas dalam bantalan. Sayangnya, teknik ini hanya berlaku untuk cacat bantalan yang mengakibatkan pemindahan material dari lintasan bantalan; bantalan ini akan sangat buruk untuk memiliki seperseribu inci permainan di dalamnya.

Kelelahan sub-permukaan mudah dilihat dengan analisis getaran dan pada titik ini dalam perambatan keruntuhan telah mengakibatkan tidak ada pemindahan material dari lintasan. Ini adalah contoh paling umum dari keunggulan teknologi pemeliharaan prediktif.

Ada berbagai jenis teknik pemeriksaan cacat yang dapat diterapkan pada mesin, dan masing-masing memiliki kelebihan dan kekurangan. Namun, teknik-teknik ini bukanlah pengganti yang tepat satu sama lain. Masing-masing menentukan keberadaan cacat di tempat yang berbeda di sepanjang kurva P-F dan, sebagai hasilnya, masing-masing memberikan fungsi perencanaan jumlah waktu yang berbeda untuk menanggapi cacat.

Mode kegagalan, efek, dan analisis kekritisan (FMECA) dapat membantu Anda menentukan teknik inspeksi mana yang harus diterapkan, seberapa sering, dan dengan tingkat redundansi apa. Ingat, triknya adalah menyeimbangkan risiko dengan ketelitian. Seberapa besar risiko yang bersedia Anda ambil dengan mode kegagalan tertentu ditambah dengan seberapa besar Anda bersedia membayar untuk inspeksi menentukan strategi yang tepat.

Teknologi Pemeliharaan Prediktif

Seperti namanya, tujuan pemeliharaan prediktif adalah untuk memprediksi kapan pemeliharaan diperlukan. Meskipun tidak ada Magic 8-Ball, ada beberapa perangkat dan teknik pemantauan kondisi yang dapat digunakan untuk memprediksi kegagalan secara efektif, serta memberikan peringatan lanjutan untuk pemeliharaan di masa mendatang.

Termografi Inframerah

Dikenal sebagai teknologi pengujian tidak merusak atau tidak mengganggu, termografi inframerah (IR) dalam pemeliharaan prediktif banyak digunakan. Dengan kamera IR, personel dapat mendeteksi suhu tinggi (alias, hotspot) dalam peralatan. Komponen yang aus, termasuk sirkuit listrik yang tidak berfungsi, biasanya memancarkan panas yang akan ditampilkan sebagai hotspot pada gambar termal (“Predictive Maintenance,” Lean Manufacturing Tools).

Dengan mengidentifikasi hotspot dengan cepat, inspeksi inframerah dapat menunjukkan masalah dan membantu menghindari perbaikan dan waktu henti yang mahal. Teknologi inframerah dianggap sebagai “salah satu teknologi perawatan prediktif paling serbaguna yang tersedia … digunakan untuk mempelajari segala sesuatu mulai dari komponen individual mesin hingga sistem pabrik, atap, dan bahkan seluruh bangunan,” (Rekayasa Kontrol). Lebih banyak kegunaan untuk teknologi inframerah termasuk mendeteksi anomali termal dan masalah dengan sistem proses yang mengandalkan retensi dan/atau transfer panas.

Pemantauan Akustik

Dengan akustik teknologi, personel dapat mendeteksi kebocoran gas, cairan, atau vakum pada peralatan pada tingkat sonik atau ultrasonik. Dianggap lebih murah daripada teknologi ultrasonik, teknologi sonik berguna pada peralatan mekanik tetapi terbatas dalam penggunaannya. Teknologi ultrasonik memiliki lebih banyak aplikasi dan lebih andal dalam mendeteksi masalah mekanis.

Ini memungkinkan teknisi untuk "mendengar gesekan dan tekanan pada mesin yang berputar, yang dapat memprediksi kerusakan lebih awal daripada teknik konvensional" ("Pemeliharaan Prediktif," Wikipedia) dengan menggunakan instrumentasi untuk mengubah suara dalam kisaran 20 hingga 100 kilohertz menjadi "pendengaran atau sinyal visual yang dapat didengar/dilihat oleh teknisi. Frekuensi tinggi ini adalah frekuensi tepat yang dihasilkan oleh bantalan yang aus dan kurang pelumas, peralatan listrik yang rusak, katup bocor, dll.” (Wright, “Cara Memanfaatkan Berbagai Teknologi Pemeliharaan Prediktif”).

Meskipun pengujian sonik dan ultrasonik bisa mahal, ada bentuk lain dari pemantauan akustik yang cukup terjangkau:telinga teknisi. “Sesuatu yang sederhana seperti mendeteksi kebocoran oli atau gearbox yang terdengar aneh dapat dan sering kali mengarah pada pencegahan kegagalan bencana, menghindari kerugian puluhan ribu dolar,” (Wright, “How to Leverage Multiple Predictive Maintenance Technologies” ).

Analisis Getaran

Digunakan terutama untuk peralatan berputar berkecepatan tinggi, analisis getaran memungkinkan teknisi memantau getaran alat berat dengan menggunakan penganalisis genggam atau sensor waktu nyata yang terpasang di dalam peralatan. Sebuah mesin yang beroperasi dalam kondisi puncak menunjukkan pola getaran tertentu. Ketika komponen seperti bantalan dan poros mulai aus dan rusak, mesin akan mulai menghasilkan pola getaran yang berbeda. Dengan memantau peralatan secara proaktif, teknisi terlatih dapat membandingkan pembacaan dengan mode kegagalan yang diketahui untuk menentukan di mana masalah terjadi.

Di antara masalah yang dapat dideteksi dengan analisis getaran termasuk ketidaksejajaran, poros bengkok, komponen tidak seimbang, komponen mekanis longgar, dan masalah motor.

Memastikan teknisi terlatih akan sangat penting, karena sulit untuk memprediksi kegagalan alat berat menggunakan analisis getaran. Banyak organisasi menawarkan pelatihan mendalam untuk mempersiapkan individu untuk sertifikasi sebagai analis getaran. Satu-satunya kelemahan menggunakan analisis getaran adalah biaya yang terkait dengan penerapannya dengan program PdM.

Analisis Minyak

Analisis oli adalah alat yang efektif dalam pemeliharaan prediktif. Ini memungkinkan teknisi untuk memeriksa kondisi oli dan menentukan apakah ada partikel dan kontaminan lain. Beberapa uji analisis oli dapat mengungkapkan viskositas, keberadaan air atau logam aus, jumlah partikel, dan bilangan asam atau basa.

Salah satu manfaat menggunakan analisis oli adalah bahwa pengujian awal akan menetapkan dasar untuk mesin baru. Jika dilakukan dengan benar, analisis oli dapat memberikan banyak sekali hasil untuk membantu membuat pemeliharaan prediktif berhasil.

Teknologi Lain

Bersamaan dengan teknik ini, fasilitas dapat menggunakan teknologi lain seperti analisis kondisi motor, yang merinci kondisi pengoperasian dan pengoperasian motor; dan analisis arus eddy, yang mengidentifikasi perubahan ketebalan dinding tabung dalam chiller sentrifugal dan sistem boiler. Inspeksi borescope, CMMS, integrasi data, dan pemantauan kondisi juga dapat membantu memfasilitasi pemeliharaan prediktif. Meskipun ada beberapa teknologi berbeda untuk membantu upaya PdM Anda, penting untuk memilih yang tepat untuk memastikan keberhasilan.

Kasus Bisnis untuk Pemeliharaan Prediktif

Untuk mewujudkan laba atas investasi modal dan menjaga mesin tetap berjalan pada efisiensi puncak, fasilitas harus lebih menekankan pada pemeliharaan prediktif. Menurut Wall Street Journal , “Waktu henti yang tidak direncanakan merugikan produsen industri sekitar $50 miliar per tahun. Kegagalan peralatan adalah penyebab 42 persen dari waktu henti yang tidak direncanakan ini. Pemadaman yang tidak direncanakan mengakibatkan pemeliharaan, perbaikan, dan penggantian peralatan yang berlebihan.”

Karena operasi dan manajemen didorong untuk mengurangi biaya dan meningkatkan produktivitas, kebutuhan akan pemeliharaan prediktif menjadi jelas, karena sulit untuk membuat keputusan jangka panjang yang hemat biaya untuk fasilitas.

Nilai pemeliharaan prediktif berasal dari pendekatan penghematan biaya dan/atau penghematan waktu, karena pemeliharaan hanya dilakukan bila diperlukan. Faktanya, beberapa penelitian oleh Program Manajemen Energi Federal Departemen Energi AS menemukan bahwa program pemeliharaan prediktif yang berfungsi dengan baik memberikan penghematan mulai dari 30-40 persen untuk pemeliharaan reaktif, dan 8-12 persen untuk pemeliharaan preventif.

Agar strategi PdM berhasil, beberapa kriteria harus dipertimbangkan dan dipenuhi. Pertama, komitmen harus datang dari atas ke bawah. Seluruh organisasi harus berkomitmen untuk menjadikan pemeliharaan prediktif sebagai bagian yang diwajibkan dari jadwal normal. Semua operator proses juga harus dididik dan dilibatkan dalam melakukan pemeriksaan pemeliharaan yang diperlukan. Selain itu, seluruh organisasi perlu memahami biaya aktual dan akibat dari pemeliharaan yang buruk. Terakhir, prosedur PdM harus segera diterapkan agar organisasi dapat mulai menuai manfaatnya.

Sementara banyak yang menyadari pentingnya memanfaatkan pemeliharaan prediktif untuk mesin bernilai tinggi, PdM juga layak untuk memantau aset sehari-hari yang lebih kecil seperti mesin kopi, printer, meteran perangko, dan banyak lagi. Pada kenyataannya, seluruh fasilitas dapat memperoleh manfaat dari penerapan pemeliharaan prediktif.

Aplikasi Pemeliharaan Prediktif

Aplikasi terbesar untuk pemeliharaan prediktif adalah di sektor manufaktur. Karena pabrik terus menghadapi permintaan untuk meningkatkan produktivitas, beberapa strategi pemeliharaan telah dibuat dan diterapkan. Namun, sebagian besar telah reaktif. Banyak fasilitas memiliki pola pikir “kalau tidak rusak, jangan diperbaiki”. Sayangnya, pola pikir ini berkontribusi pada pemeliharaan dan waktu henti yang tidak direncanakan.

Seperti dibahas sebelumnya, fasilitas mulai menerapkan pemeliharaan prediktif pada awal 1990-an. Saat itu, “kurangnya ketersediaan sensor yang menghasilkan data serta kurangnya sumber daya komputasi untuk mengumpulkan dan menganalisis data mempersulit penerapan PdM” (“Pemeliharaan Prediktif dalam Tinjauan Manufaktur,” Microsoft Azure).

Dengan diperkenalkannya internet of things (IoT), pembelajaran mesin, komputasi awan, dan analitik data besar, industri manufaktur telah bergerak maju dalam menerapkan pemeliharaan prediktif, menghasilkan peningkatan waktu kerja dan kontrol kualitas, optimalisasi rute pemeliharaan, peningkatan keselamatan pekerja dan produktivitas yang lebih besar. Karena pabrikan bekerja dengan margin dan kerangka waktu yang ketat, pemikiran tentang waktu henti yang tidak terjadwal menjadi tidak diinginkan. Pemeliharaan prediktif dapat menawarkan solusi.

Aplikasi lain untuk PdM adalah di sektor perkeretaapian, khususnya terkait dengan transformasi digital industri perkeretaapian. Dengan kereta api yang memiliki investasi awal yang tinggi, ada fokus yang tajam untuk menjaganya agar tetap beroperasi selama mungkin. Pemeliharaan prediktif memungkinkan perusahaan kereta api mendapatkan nilai maksimal dari armada kereta mereka melalui berbagai teknologi dan perangkat lunak yang mengurangi biaya pengoperasian dan memperpanjang masa pakai armada.

Dalam sektor perkeretaapian, pemeliharaan prediktif digunakan untuk mendeteksi masalah dengan aset linier, tetap dan bergerak; meningkatkan keselamatan dan melacak deteksi kekosongan melalui sistem pemantauan berbasis kabin kendaraan; dan mengidentifikasi jenis aset lintasan di mana kekosongan berada, serta memberikan indikasi tingkat keparahan kekosongan.

Menurut sebuah artikel di MaintWorld , “Di masa depan, pemeliharaan perkeretaapian yang andal diharapkan bergantung pada sistem transportasi cerdas dan solusi yang saling berhubungan seperti pemeliharaan prediktif dan alat keamanan terintegrasi untuk meningkatkan masalah kritis seperti keselamatan, penundaan, dan kapasitas sistem secara keseluruhan” (Peycheva, “Railway Goes Smart dengan Pemeliharaan Prediktif dan Industri 4.0 CMMS").

Sementara secara tradisional lambat untuk memodernisasi sistem pemeliharaannya, industri minyak dan gas menjadi pendukung utama pemeliharaan prediktif. Setiap hari, perusahaan minyak dan gas mengumpulkan sejumlah besar data melalui sensor – terutama sensor nirkabel – di ladang minyak di seluruh dunia. Karena operasi minyak dan gas menjadi lebih kompleks, visibilitas ke kondisi peralatan menjadi lebih sulit, terutama di lokasi terpencil, lepas pantai, dan perairan dalam.

Dalam buku putih 2015, MapR Technologies Inc. menyatakan, “Perusahaan minyak dan gas memiliki peluang besar untuk meningkatkan efisiensi dan mengurangi biaya operasional melalui pelacakan aset dan pemeliharaan prediktif yang lebih baik.”

Pemeliharaan prediktif dapat dilihat sebagai keunggulan kompetitif bagi perusahaan minyak dan gas serta bisnis jasa terkait, terutama selama masa resesi ketika organisasi dipaksa untuk menemukan cara bekerja lebih efisien dan efektif. Tentu saja, perawatan prediktif tidak hanya berkaitan dengan industri manufaktur, kereta api, dan minyak dan gas. Dalam aplikasi lain, PdM digunakan untuk:

• Bantu cegah pemadaman utilitas dengan bantuan drone dan sensor yang memetakan jaringan utilitas

• Mendeteksi penurunan suhu dalam pipa uap, yang menunjukkan potensi kebocoran tekanan

• Catat peningkatan suhu di panel listrik untuk mencegah kegagalan komponen

• Ukur daya sisi suplai dan sisi permintaan pada titik sambungan yang sama untuk memantau konsumsi daya

• Cari kelebihan beban di panel listrik

• Identifikasi lonjakan arus motor atau panas berlebih dari bantalan yang buruk atau kerusakan akibat gangguan

• Temukan ketidakseimbangan daya tiga fase dari distorsi harmonik, kelebihan beban, degradasi, atau kegagalan satu atau beberapa fase

Integrasi IIoT dan PdM

Salah satu faktor terpenting – jika bukan yang faktor terpenting – dalam program pemeliharaan prediktif yang sukses adalah penggunaan dan integrasi internet industri (IIoT). Menurut sebuah laporan oleh Deloitte, “Internet of Things (IoT) mungkin adalah bagian terbesar dari teka-teki PdM … IoT menerjemahkan tindakan fisik dari mesin menjadi sinyal digital menggunakan sensor seperti suhu, getaran, atau konduktivitas … Setelah tindakan fisik telah dilakukan diterjemahkan ke dalam sinyal digital melalui sensor, mereka diproses, dikumpulkan dan dianalisis. Dengan keterjangkauan bandwidth dan penyimpanan, sejumlah besar data dapat ditransmisikan untuk memberikan tidak hanya gambaran lengkap aset di satu pabrik, tetapi juga seluruh jaringan produksi” (Coleman et al., “Pemeliharaan Prediktif dan Pabrik Cerdas” ).

Agar berhasil, pemeliharaan prediktif bergantung pada sensor untuk mengumpulkan dan menganalisis data dari berbagai sumber, seperti CMMS dan sensor peralatan penting. Dengan menggunakan data ini, IIoT mampu membuat “model prediksi canggih dan alat analisis untuk memprediksi kegagalan dan mengatasinya secara proaktif. Selain itu, seiring waktu, teknologi pembelajaran mesin baru dapat meningkatkan akurasi algoritme prediktif, sehingga menghasilkan kinerja yang lebih baik lagi” (Coleman et al., “Pemeliharaan Prediktif dan Pabrik Cerdas”).

Saat dipasangkan dengan pemeliharaan prediktif, IIoT memiliki kemampuan untuk mendeteksi kegagalan peralatan terlebih dahulu. Dengan hadirnya Industri 4.0 di bidang manufaktur, fasilitas ingin memanfaatkan IIoT untuk mendapatkan wawasan yang lebih baik tentang operasi.

Pemeliharaan Prediktif dan Pengembalian Investasi

Menerapkan pemeliharaan prediktif membutuhkan investasi yang signifikan dalam uang, personel, dan pendidikan. Meskipun investasi awal ini mungkin tampak menakutkan bagi organisasi, laba atas investasi (ROI) pemeliharaan prediktif jauh melebihi biaya di muka.

Menurut laporan baru-baru ini oleh Deloitte, beberapa fasilitas telah melihat penghematan biaya 5-10 persen dalam biaya operasi dan pemeliharaan, perbaikan dan operasi (MRO); pengurangan 5-10 persen dalam keseluruhan biaya pemeliharaan; dan mengurangi biaya penyimpanan persediaan. Data lebih lanjut dari Departemen Energi AS juga menunjukkan bahwa penerapan program PdM fungsional berpotensi menghasilkan peningkatan ROI sepuluh kali lipat, pengurangan biaya pemeliharaan 25-30 persen, penurunan kerusakan 70-75 persen, dan pengurangan 35-45 persen. persen pengurangan waktu henti.

“Sehubungan dengan biaya pemeliharaan, pemeliharaan preventif membayar $13 per jam per tahun sementara pemeliharaan prediktif membayar $9 per jam per tahun, membuat pemeliharaan prediktif menjadi pilihan yang lebih murah” (Ulbert, “The Difference Between Predictive Maintenance and Preventive Maintenance”).

Referensi

Coleman, Chris, Satish Damodaran dan Ed Deuel. “Pemeliharaan Prediktif dan Pabrik Cerdas.” Deloitte. 2017. https://www2.deloitte.com/content/dam/Deloitte/us/Documents/process-and-operations/us-cons-predictive-maintenance.pdf

“Pemantauan Kondisi Rotasi Mesin.” Istec Internasional. Diakses pada 1 November 2018. https://www.istec.nl/en/condition-monitoring-rotating-machines/.

Teknik kontrol. “Teknologi Pemeliharaan Prediktif.” Diakses pada 4 November 2018. https://www.controleng.com/single-article/predictive-maintenance-technologies/72faca6f85ddaef6b4479583b2741e6c.html.

Immerman, Graham. “Dampak Pemeliharaan Prediktif pada Manufaktur.” Metrik Mesin. Diakses pada 1 November 2018. https://www.machinemetrics.com/blog/the-impact-of-predictive-maintenance-on-manufacturing.

Alat Manufaktur Ramping. "Pemeliharaan prediktif." Diakses pada 2 November 2018. http://leanmanufacturingtools.org/427/predictive-maintenance/.

Peycheva, Ralitsa. “Kereta Api Menjadi Cerdas dengan Pemeliharaan Prediktif dan Industri 4.0 CMMS.” MaintWorld. 11 Oktober 2017. Diakses pada 4 November 2018. https://www.maintworld.com/Applications/Railway-Goes-Smart-with-Predictive-Maintenance-and-Industry-4.0-CMMS.

“Pemeliharaan Prediktif dalam Tinjauan Manufaktur.” Microsoft Azure. 1 Mei 2018. Diakses pada 4 November 2018. https://docs.microsoft.com/en-us/azure/industry/manufacturing/predictive-maintenance-overview.

“Pemeliharaan Prediktif Menggunakan Hadoop untuk Industri Minyak dan Gas,” MapR Technologies Inc., Mei 2015. https://mapr.com/resources/predictive-maintenance-using-hadoop-oil-and-gas-industry/.

Ulbert, Sebastian, “The Difference Between Predictive Maintenance and Preventive Maintenance,” Coresystems, 15 September 2015. Diakses pada 2 November 2018. https://www.coresystems.net/blog/the-difference-between-predictive-maintenance- dan-pencegahan-pemeliharaan.

Jurnal Wall Street . Diakses pada 2 November 2018. https://partners.wsj.com/emerson/unlocking-performance/how-manufacturers-can-achieve-top-quartile-performance/.

Wikipedia. "Pemeliharaan prediktif." Diakses pada 11 Oktober 2018. https://en.wikipedia.org/wiki/Predictive_maintenance.

Benar, Jeremy. “Cara Memanfaatkan Berbagai Teknologi Pemeliharaan Prediktif.” Pelumasan Mesin. Diakses pada 1 November 2018. https://www.machinerylubrication.com/Read/29819/predictive-maintenance-technologies