Pemeliharaan Prediktif Dijelaskan: Cara Meminimalkan Downtime dan Memaksimalkan Kinerja Aset

Untuk setiap aset dan peralatan Anda, terdapat titik lembut kecil di mana Anda melakukan cukup pemeliharaan untuk menghindari downtime yang tidak dijadwalkan, namun tidak terlalu banyak sehingga berisiko pemeliharaan berlebihan.

Pemeliharaan prediktif dapat membantu Anda menemukan titik tersebut dan tetap pada sasaran.

Tempat terbaik untuk memulai adalah dengan beberapa definisi dasar, lalu mengembangkannya dari sana.

Apa itu pemeliharaan prediktif?

Salah satu cara untuk memikirkan strategi pemeliharaan ini adalah sebagai hasil dari kombinasi perkembangan dalam perangkat keras dan perangkat lunak. Hal yang memungkinkannya adalah sensor yang lebih murah dan lebih andal, serta algoritma yang lebih cepat dan lebih akurat.

Pada tingkat paling dasar, pemeliharaan prediktif adalah menambahkan sensor pada aset dan peralatan Anda untuk aliran data real-time secara konstan, yang kemudian Anda gabungkan dengan banyak data historis tentang pemeliharaan, perbaikan, dan inventaris MRO terkait. Setelah semua data terkumpul, Anda memasukkannya ke dalam perangkat lunak khusus yang memberi tahu Anda tugas pemeliharaan apa yang perlu dilakukan dan kapan perlu dilakukan.

Apa perbedaan antara strategi pemeliharaan lain dan pemeliharaan prediktif?

Judul alternatif untuk bagian ini bisa jadi, Tapi bukankah semua pemeliharaan dalam bentuknya "prediktif"? Dan jawabannya ya, dalam bentuknya.

Untuk memahami mengapa, membantu untuk memikirkan cuaca.

Prediktif vs pencegahan

Dengan pemeliharaan pencegahan, Anda memprediksi masa depan, tetapi sebagian besar menggunakan rata-rata yang andal. Jadi, Anda tahu bahwa salah satu pompa Anda berjalan sekitar 10.000 siklus sebelum Anda perlu memeriksa kerusakan pada seal dan mengganti pelumas. Anda tidak akan pernah yakin sepenuhnya kapan mungkin berhenti bekerja tanpa pemeliharaan, tetapi Anda memiliki gambaran kasar, sehingga Anda dapat menjadwalkan PM-nya tepat sebelum itu, menambahkan sedikit margin keamanan.

Itu setara dengan memprediksi cuaca di Alaska di pertengahan Januari. Anda tidak tahu tepat seberapa dingin akan, tetapi bahkan tanpa melihat keluar jendela, Anda tetap memakai jaket dan sepatu bot. Musim dingin di Alaska. Secara rata-rata, sangat dingin.

Prediktif vs berbasis kondisi

Dengan pemeliharaan berbasis kondisi, Anda masih memprediksi masa depan, tetapi sekarang Anda bekerja dengan data historis dan real-time. Jika Anda memiliki sensor pada pompa tersebut sehingga Anda tahu tepat seberapa banyak getirannya, Anda dapat menggunakannya untuk memutuskan apakah memerlukan pemeliharaan atau tidak. Di masa lalu, selalu baik pada frekuensi X. Tapi Anda juga tahu bahwa naik ke frekuensi Y sebelum gagal terakhir. Menggabungkan yang Anda ketahui dari masa lalu dengan yang Anda ketahui saat ini, Anda dapat memprediksi apakah pompa baik atau menuju kegagalan.

Kembali ke analogi cuaca, Anda sekarang melihat keluar jendela untuk pemahaman yang lebih baik tentang kondisi saat ini. Langit cerah? Apakah itu awan di jarak jauh? Terlihat mendung, dan terakhir kali terjadi, hujan. Tidak hujan saat ini, tetapi Anda tahu untuk membawa payung.

Dengan pemeliharaan prediktif, Anda melihat masa depan sama seperti para ahli meramalkan cuaca. Mereka tidak hanya memikirkan suhu rata-rata dalam setiap musim. Dan mereka tidak hanya melihat keluar jendela.

Alih-alih, mereka memasukkan tonne informasi historis dan bacaan saat ini ke dalam perangkat lunak pemodelan kompleks yang menghasilkan prediksi yang akurat. Dan dengan kombinasi yang tepat dari bacaan suhu dan citra satelit, seperti memiliki bola kristal: ramalan tujuh hari secara rata-rata akurat 80%. Untuk ramalan lima hari, akurasi meningkat menjadi 90%.

Apa keuntungan pemeliharaan prediktif?

Cara lain untuk menanyakan pertanyaan ini adalah "Apa keuntungan memiliki kekuatan super dan dapat melihat masa depan?"

Daftar panjang keuntungan yang jelas, tetapi juga banyak tumpang tindih dengan semua strategi pemeliharaan lain. Sama seperti yang lainnya, pemeliharaan prediktif membantu Anda menghindari downtime yang tidak dijadwalkan dan mahal serta frustrasi dengan membantu Anda pertama-tama menemukan dan memperbaiki masalah kecil sebelum kesempatan berkembang menjadi masalah besar. Ini adalah cara untuk menjaga semua aset dan peralatan Anda sejauh mungkin di atas Kurva P-F, di mana Anda memiliki banyak waktu untuk merencanakan dan menjadwalkan segalanya.

Dan dengan waktu ekstra tersebut, Anda dapat memastikan inventaris MRO dan tim yang tepat tersedia untuk melakukan semuanya dengan baik. Anda juga dapat menjadwalkan pekerjaan untuk saat aset atau peralatan sudah dijadwalkan offline.

Tapi tidak seperti strategi pemeliharaan lain, dengan prediktif, Anda dapat kurang khawatir tentang pemeliharaan berlebihan. Dan ya, Anda harus khawatir tentang melakukan terlalu banyak pemeliharaan.

Masalah pertama dengan pemeliharaan berlebihan adalah pemborosan waktu Anda dan bakat teknisi Anda. Tim pemeliharaan melakukan pekerjaan yang tidak perlu, memborosan waktu dan inventaris Anda. Jika tim mengganti sabuk kipas terlalu awal, Anda kehilangan semua nilai yang masih ada di sabuk.

Tapi Anda melakukan lebih dari hanya membuang nilai. Anda juga membawa risiko. Setiap kali tim melakukan pekerjaan pemeliharaan, Anda berisiko mereka melakukan salah. Banyak waktu, risiko kecil, tetapi selalu ada.

Kembali ke contoh sabuk kipas. Berapa banyak aset atau peralatan yang dibiarkan terbuka oleh teknisi saat mengganti sabuk? Bagaimana jika mereka jatuhkan alat, merusak bagian lain? Atau, bagaimana jika mereka tidak menutup semuanya dengan benar, membiarkan bagian dalam rentan terhadap debu dan puing?

Pemeliharaan prediktif membantu Anda menjadwalkan jumlah pemeliharaan yang tepat, sehingga Anda menangkap masalah lebih awal sambil menghindari nilai yang hilang dan risiko tambahan.

Apa kerugian pemeliharaan prediktif?

Kerugian besarnya adalah biaya jauh lebih mahal dibanding strategi pemeliharaan lain, baik untuk menyiapkan semuanya dan kemudian menjalankannya.

Anda perlu berinvestasi dalam sensor, perangkat lunak, dan kemajuan. Anda memerlukan sensor untuk mengumpulkan data, perangkat lunak untuk mengolah angka, dan orang dengan pelatihan yang tepat untuk memahami dan memanfaatkan laporan.

Tapi biaya tersebut masuk akal ketika dilihat dari segi return on investment. Dalam jangka pendek, strategi pemeliharaan termurah untuk diatur dan dijalankan adalah dengan tidak melakukan apa-apa. Tapi dalam jangka panjang, juga yang termahal.

Pemeliharaan prediktif dapat menjadi kebalikannya. Biaya lebih banyak untuk diatur dan dijalankan, tapi jika Anda menggunakannya pada aset dan peralatan yang tepat, dalam jangka panjang, Anda menghemat waktu, uang, dan frustrasi.

Ide harus menyesuaikannya dengan aset dan peralatan yang tepat adalah transisi yang baik ke kerugian berikutnya, yaitu hanya masuk akal untuk subset spesifik aset Anda. Faktanya, karena biaya terkait, Anda hanya dapat menggunakannya pada aset yang kritis dan memiliki mode kegagalan yang dapat diprediksi secara hemat biaya. Untuk yang lainnya, tidak masuk akal.

Apa masa depan pemeliharaan prediktif?

Semua hal yang masuk ke pemeliharaan prediktif siap menjadi lebih luas dan lebih murah sebagai bagian dari tren umum yang tunduk pada Hukum Moore, yang menyatakan bahwa jumlah transistor pada mikrokip melipat ganda sekitar setiap dua tahun sementara biaya komputer menurun setengah.

Setiap dua tahun, Anda mendapat sekitar dua kali daya pemrosesan dengan setengah biaya.

Tapi tidak berarti pemeliharaan prediktif siap untuk akhirnya masuk akal untuk semua orang dan setiap aset. Beberapa aset dan peralatan selalu akan lebih murah untuk dipelihara dengan reaktif, on-demand atau pencegahan. Ini sama dengan masa depan mobil terbang. Tidak peduli seberapa murah atau mudah akhirnya menjadi, untuk beberapa lokasi, selalu lebih mudah untuk hanya berjalan kaki.

Langkah selanjutnya

Jika Anda ingin beralih dari manajemen work order berbasis kertas atau spreadsheet, langkah terbaik selanjutnya adalah menerapkan solusi CMMS berbasis cloud yang andal.

Tapi jika pemeliharaan prediktif cocok lebih baik, ada Archibus by iOFFICE + SpaceIQ.

Ringkasan

Pemeliharaan prediktif membantu tim pemeliharaan melakukan cukup pekerjaan pada aset dan peralatan untuk memaksimalkan waktu aktif tanpa meningkatkan biaya dan risiko yang terkait dengan pemeliharaan berlebihan. Strategi pemeliharaan ini bergantung pada kombinasi data historis, aliran data real-time, dan perangkat lunak canggih untuk memprediksi kegagalan dengan akurat jauh sebelum terjadi, memberi tim waktu yang dibutuhkan untuk menjadwalkan sumber daya dan membawa bagian serta bahan yang diperlukan. Meskipun berbagi banyak keuntungan standar dengan strategi populer lainnya, pemeliharaan prediktif membantu pemimpin dan teknisi melakukan hanya pekerjaan yang diperlukan, menghindari pemborosan dan risiko kerusakan tidak sengaja yang dapat terjadi selama inspeksi dan tugas pemeliharaan reguler. Tantangan utama adalah menyesuaikan strategi dengan aset yang tepat. Karena biaya terkait, baik awal maupun berkelanjutan, Anda hanya dapat melihat ROI saat menerapkan strategi pada aset yang kritis dan memiliki mode kegagalan yang dapat diprediksi secara hemat biaya. Ini berarti bahwa meskipun Hukum Moore memprediksi harga sensor dan perangkat lunak harus terus turun, pemeliharaan prediktif hanya masuk akal untuk subset aset yang terbatas.