Mengulas Kembali Kurva Bathtub: Mengubah Kegagalan Acak menjadi Keandalan yang Dapat Diprediksi
“Kurva bathtub” selama lama dijadikan patokan untuk memahami kegagalan mesin seiring waktu. Sementara premis dasarnya masuk akal, gambaran konvensional bisa menyesatkan jika diambil sebagai model siklus hidup harfiah. Pemahaman yang lebih jelas tentang bagaimana tingkat kegagalan sebenarnya berkembang memungkinkan strategi keandalan yang lebih efektif.
Pada intinya, kurva bathtub adalah alat konseptual yang mempartisi perilaku kegagalan menjadi tiga fase—kejatuhan bayi, periode stabil, dan aus—berdasarkan waktu, siklus, atau jarak tempuh. Bagian datar klasik sering mengabaikan peningkatan linier yang terlihat dalam banyak sistem mekanis, yang dapat menggantikan zona tingkat konstan yang diyakini.
Pentingnya, kurva tidak boleh ditafsirkan sebagai prediksi yang tepat untuk mesin atau sistem tertentu. Sebaliknya, itu menawarkan kerangka untuk memprediksi jenis mode kegagalan yang mungkin muncul pada berbagai tahap kehidupan.
Ahli keandalan sering mengakui bahwa sebagian besar peralatan mengalami tingkat kegagalan “acak” yang stabil untuk sebagian besar umur berguna. Periode ini biasanya mengikuti fase kematian bayi, di mana kegagalan lebih sering terjadi. Untuk aset mekanis, tingkat kegagalan bisa naik linier seiring waktu.
Apa yang sering disalahpahami adalah bahwa tingkat kegagalan konstan tidak berarti kegagalan benar-benar acak atau tidak dapat dikendalikan. Penampilan acak berasal dari dua faktor: komponen acak yang sebenarnya dalam beberapa mode kegagalan dan superposisi banyak mode kegagalan yang tidak terkait, yang secara kolektif menyembunyikan hubungan waktu di baliknya (lihat Gambar 1).
Dengan mengagregasi kegagalan berdasarkan mode, Anda dapat mengungkap ketergantungan waktu yang berbeda—beberapa mungkin meningkat, yang lain menurun, dan banyak mungkin tetap konstan. Ketika ada tren waktu yang jelas, intervensi proaktif—baik perubahan desain, penyesuaian operasional, atau pemeliharaan terjadwal—dapat menggeser kurva dan meningkatkan keandalan.
Dalam kasus di mana waktu kegagalan suatu mode mengikuti distribusi yang rapat dan tidak dapat diubah melalui perubahan desain atau operasi, tugas pemeliharaan waktu keras mungkin menjadi pendekatan yang paling efisien. Sementara pemeliharaan berbasis kondisi (CBM) adalah praktik terbaik modern, tindakan waktu keras tetap berharga ketika ketergantungan waktu dari mode kegagalan terdefinisi dengan baik dan dapat diprediksi.
Gambar 1
Selain menyederhanakan pemeliharaan, mengidentifikasi mode kegagalan yang bergantung pada waktu membuka banyak jalan untuk perbaikan keandalan:
1) Peningkatan Desain yang Ditargetkan. Data kegagalan yang dipecah berdasarkan mode memberikan wawasan yang dapat ditindaklanjuti untuk insinyur desain. Alih-alih tujuan keandalan generik, desainer menerima bukti spesifik tentang titik lemah, yang memungkinkan modifikasi yang presisi yang mengurangi kegagalan di masa depan.
2) Pengurangan Kegagalan Awal Kehidupan. Kegagalan awal sering berasal dari ketidakakuratan instalasi atau prosedur start-up yang tidak memadai. Data tingkat mode membantu menonjolkan masalah ini, memungkinkan Anda menyempurnakan praktik komisi dan mengurangi cacat awal kehidupan yang mahal.
3) Interval Pemantauan yang Dioptimalkan. Jika mode kegagalan menunjukkan tren waktu sedang yang tidak membenarkan penggantian waktu keras, Anda dapat menyesuaikan interval CBM untuk mencocokkan risiko yang naik, sehingga menangkap masalah sebelum mereka muncul sebagai kegagalan.
Mengumpulkan dan menganalisis data kegagalan pada tingkat mode memerlukan disiplin tetapi facilitated oleh standar yang established. IEC 300-3-2 menawarkan kerangka pengumpulan data lapangan yang kuat, sementara IEC 812 menyediakan taksonomi mode kegagalan yang standar. Makan data Anda ke dalam analisis mode dan efek kegagalan (FMEA) memberikan peta jalan terstruktur untuk tindakan.
Dengan meninggalkan mitos bahwa kurva bathtub menentukan periode kegagalan acak yang tidak dapat dihindari, Anda dapat memanfaatkannya sebagai panduan konseptual untuk mengidentifikasi, memprediksi, dan mengurangi kegagalan secara proaktif.
Drew Troyer, CRE dan CMRP, co-founder dan senior vice president global services operations di Noria Corporation, membawa dekade keahlian dalam keandalan mesin. Karirnya mencakup peran sebagai product manager untuk Entek/Rockwell Automation, direktur aplikasi teknis untuk Diagnetics Inc., dan konsultasi luas untuk klien seperti International Paper, Cargill, Goodyear, Texas Utilities, Reliant Energy, dan Southern Companies.
