Memaksimalkan Keandalan Peralatan:Panduan Ahli untuk Alat Perawatan Prediktif

Pemeliharaan Prediktif vs Pemeliharaan Pencegahan

Pemeliharaan preventif dan pemeliharaan PdM keduanya merupakan strategi pemeliharaan yang efektif, namun terdapat perbedaan utama di antara keduanya. Memahami perbedaan antara pemeliharaan preventif dan prediktif dapat membantu tim Anda memilih jenis pemeliharaan yang paling sesuai untuk organisasi Anda. Demikian pula, memahami manfaat pemeliharaan prediktif dan pemeliharaan preventif dapat membantu Anda memilih strategi yang tepat. Banyak program pemeliharaan yang sukses menggunakan kombinasi kedua strategi tersebut.

Pemeliharaan preventif  menggunakan perkiraan siklus hidup suatu aset untuk menentukan kapan harus melakukan tugas pemeliharaan. Salah satu contoh perawatan preventif yang umum adalah mengganti oli mobil setiap tiga bulan atau setiap 3.000 mil.

Jadwal pemeliharaan preventif cukup mudah dan memadai untuk beberapa aset. Pemeliharaan preventif pada aset dapat dilakukan berdasarkan kalender, jumlah jam penggunaan tertentu, atau metrik berbasis penggunaan lainnya. Ini dapat mencakup tugas seperti mengganti filter, melakukan pelumasan, atau mengganti komponen yang aus.

Tentu saja, pemeliharaan preventif menghadirkan beberapa tantangan. Ketika kalender menentukan tindakan pemeliharaan, beberapa komponen diganti sebelum diperlukan. Ada juga beberapa risiko yang timbul setiap kali mesin dioperasikan. Pemeliharaan preventif bisa lebih sederhana untuk direncanakan, namun memerlukan lebih banyak waktu, uang, dan suku cadang.

Pemeliharaan prediktif  menggunakan kondisi pengoperasian aktual suatu aset untuk menentukan langkah apa yang harus diambil dan kapan harus diambil. Daripada mendasarkan pemeliharaan pada jadwal, pemeliharaan terjadi ketika analisis pemeliharaan prediktif mengidentifikasi ketidakteraturan dalam kinerja aset. Meskipun langkah serupa, seperti pelumasan atau penggantian suku cadang, dapat dilakukan, perbedaannya adalah tindakan pemeliharaan prediktif terjadi tepat pada saat diperlukan.

Strategi pemeliharaan prediktif dapat menghemat waktu dan uang, namun juga menimbulkan tantangan:terutama kompleksitas implementasi pemeliharaan PdM. Untungnya, dengan alat yang tepat, Anda bisa mengatasi hal ini. Meskipun peralatan beroperasi secara normal, peralatan tersebut dapat dipantau dengan teknologi pemeliharaan prediktif dan perangkat pemantauan kondisi, seperti sensor jarak jauh. Mereka dapat melakukan pengukuran secara berkala atau terus menerus.

Jika dipasangkan dengan perangkat lunak pemeliharaan prediktif, sensor ini dapat memperingatkan tim pemeliharaan ketika kondisi aset berubah. Perintah kerja yang dibuat secara otomatis melalui CMMS memungkinkan tim bertindak cepat, mencegah kegagalan peralatan.

Tim pemeliharaan dapat melacak dan menganalisis data kondisi aset untuk membantu menemukan pola dan membuat keputusan yang lebih tepat untuk pemeliharaan di masa mendatang. Pada akhirnya, tujuan pemeliharaan PdM adalah memaksimalkan ketersediaan aset dan meminimalkan waktu dan biaya yang dihabiskan untuk memperbaiki setiap aset.

Tantangan Pemeliharaan Prediktif

Menerapkan strategi pemeliharaan baru selalu menghadapi tantangan, tidak terkecuali pemeliharaan prediktif. Pemeliharaan PdM melibatkan biaya awal yang tinggi dan teknik baru. Jika Anda terbiasa dengan pendekatan pemeliharaan reaktif, maka peralihan ke pemeliharaan prediktif juga memerlukan perubahan mendasar dalam keseluruhan metodologi Anda.

Manfaat pemeliharaan prediktif tidak diragukan lagi lebih besar daripada tantangannya. Namun penting untuk menyadari tantangan tersebut sebelum memulai, sehingga Anda dapat bersiap menghadapinya.

Biaya

Pemeliharaan prediktif bergantung pada sensor, perangkat lunak analitik, dan teknologi IIoT, yang semuanya memiliki biaya awal yang relatif tinggi. Mengintegrasikan teknologi baru juga dapat menjadi tantangan, dan mungkin sulit untuk mendapatkan dukungan dalam berinvestasi pada solusi pemeliharaan prediktif yang mahal.

Pelatihan

Karyawan Anda akan memerlukan pelatihan ekstensif tentang cara menerapkan pemeliharaan prediktif dan cara menggunakan teknologi pemeliharaan prediktif baru dengan benar. Mereka mungkin juga memerlukan waktu untuk menyesuaikan diri dengan pendekatan pemeliharaan yang baru. Karyawan terkadang menolak strategi pemeliharaan prediktif yang baru, terutama jika mereka terbiasa dengan pendekatan yang lebih reaktif, namun program pelatihan yang tepat dapat membantu mengatasi keengganan untuk menerapkan PdM.

Kurangnya Data Berkualitas Tinggi

Perangkat lunak pemeliharaan prediktif bergantung pada kumpulan data yang sangat besar. Model analitik memerlukan data historis tentang kinerja aset Anda untuk membuat garis dasar dan melacak penyimpangan dari norma. Jika organisasi Anda belum mengumpulkan data aset, hal ini dapat menimbulkan beberapa masalah.

Cara Mengatasi Tantangan Pemeliharaan Prediktif

Pemeliharaan prediktif disertai dengan beberapa tantangan bawaan. Program ini memiliki biaya awal yang relatif tinggi, memerlukan manajer untuk mengawasi operasi yang kompleks, dan biasanya memerlukan pelatihan tim pemeliharaan untuk menggunakan teknologi baru. Anda dapat mengatasi hambatan ini jika Anda menerapkan program pemeliharaan PdM dengan hati-hati.

Mengatasi Tantangan Biaya dan Implementasi

Merupakan ide bagus untuk memulai dengan program percontohan, daripada mencoba mengubah seluruh organisasi Anda ke pendekatan pemeliharaan prediktif. Uji coba sistem memungkinkan Anda menekan biaya, meminimalkan pelatihan, dan membatasi persyaratan administratif operasi. Misalnya saja, jauh lebih terjangkau untuk membeli teknologi pemeliharaan prediktif dalam jumlah kecil — dan Anda akan menyadari bahwa teknologi tersebut akan segera membayar sendiri biayanya.

Program percontohan yang berhasil akan menghasilkan laba atas investasi (ROI) yang signifikan yang kemudian dapat diinvestasikan dalam program PdM yang lebih besar. Uji coba ini juga akan membantu mendorong pemahaman tentang pemeliharaan prediktif; kru pemeliharaan kemungkinan akan mulai menerapkan pendekatan baru ini ketika mereka melihat hasilnya.

Mengatasi Tantangan Pelatihan

Sangat penting untuk memastikan karyawan Anda terlatih sepenuhnya dalam aplikasi pemeliharaan prediktif yang baru. Tergantung pada organisasi Anda, hal ini mungkin sulit dilakukan:misalnya, dalam organisasi besar dengan staf jarak jauh, mengatur sesi pelatihan tim merupakan hal yang sulit. Oleh karena itu, merupakan ide bagus untuk menyediakan program pelatihan asinkron dan sesuai permintaan, seperti eMaint University, yang memungkinkan pengguna menyesuaikan pelajaran ke dalam jadwal unik mereka. eMaint juga membantu melacak pelatihan dan sertifikasi karyawan.

Mengatasi Tantangan Data

Jika Anda belum mengumpulkan data pemantauan kondisi, inilah saatnya untuk memulai. Pasang sensor IIoT pada aset penting Anda untuk mengumpulkan getaran, suhu, dan data performa penting lainnya.

Sensor mengalirkan data ke CMMS/EAM Anda sehingga Anda tidak perlu khawatir tentang kesalahan entri data atau kumpulan data yang tidak lengkap. Saat Anda mengumpulkan data pemantauan kondisi, perangkat lunak pemeliharaan prediktif Anda akan membuat garis dasar “normal” yang disesuaikan untuk setiap aset, sehingga menyediakan data yang cukup untuk membuat program pemeliharaan prediktif yang efektif.

Apakah 3 Jenis Pemeliharaan Prediktif?

Ada beberapa jenis pemeliharaan prediktif. Jenis pemeliharaan prediktif yang paling banyak digunakan meliputi analisis getaran, termografi inframerah, dan pemantauan akustik.

Analisis Getaran

Setiap aset yang berputar bergetar saat digunakan. Namun, perubahan pada pola getaran dasar suatu aset biasanya menunjukkan adanya kesalahan baru. Analisis getaran memantau tingkat getaran aset secara real-time untuk mencari anomali.

Perubahan tingkat getaran dapat mengindikasikan keausan dini dan korosi; hal ini juga dapat menunjukkan kelonggaran, ketidaksejajaran, dan kesalahan bantalan.

Saat ini, analisis getaran sudah sangat canggih. Jika dilakukan dengan benar, teknik ini memungkinkan Anda mengenali kesalahan mesin beberapa bulan sebelum menjadi cukup serius dan menyebabkan kerusakan.

Pemantauan Akustik

Pemantauan akustik memungkinkan Anda — atau lebih tepatnya, alat pemantauan kondisi Anda — “mendengar” indikator awal gesekan atau keausan. Peralatan yang berputar mengeluarkan suara khas saat rusak. Terkadang, suara tersebut cukup keras untuk didengar dengan telinga telanjang, namun pemantauan akustik menangkap suara yang jauh lebih redup yang tidak dapat Anda tangkap, sehingga menjadikannya alat prediksi yang sangat baik.

Pemantauan akustik banyak digunakan sebagai alat pencegahan kebocoran, terutama pada sistem dengan jaringan pipa yang luas untuk gas, minyak, atau cairan.

Kamera Inframerah

Kamera inframerah dapat mendeteksi perubahan halus pada suhu yang mungkin menunjukkan munculnya kesalahan mesin.

Peningkatan suhu sering kali diakibatkan oleh tingginya tingkat gesekan, keausan dini, atau kerusakan. Kabel yang rusak atau masalah kelistrikan lainnya adalah kemungkinan penyebab utama lainnya. Termografi inframerah juga dapat membantu menemukan kebocoran gas atau cairan; ia dapat melihat perubahan suhu yang disebabkan oleh uap air atau gas.

Tentu saja, ada banyak pendekatan lain untuk pemeliharaan prediktif. Jika Anda menggunakan CMMS untuk menghubungkan program pemeliharaan prediktif, Anda akan dapat mengintegrasikan semua jenis wawasan yang berbeda ini ke dalam satu model PdM yang sangat efektif.

Teknik Pemeliharaan Prediktif

Ada banyak cara untuk menerapkan strategi pemeliharaan prediktif, dan banyak teknologi pemeliharaan prediktif yang tersedia. Alat dan teknik pemeliharaan prediktif berikut memberi setiap organisasi kemampuan untuk mengumpulkan informasi sebanyak atau sesedikit yang mereka perlukan untuk menerapkan dan memelihara program pemeliharaan prediktif mereka.

• Pemantauan getaran: Sensor yang dipasang pada peralatan dapat memantau pembacaan getaran secara mendalam. Setelah garis dasar untuk aset ditetapkan, sensor ini dapat terus dipantau untuk mendeteksi penyimpangan yang dapat mengindikasikan kesalahan seperti ketidakseimbangan, ketidaksejajaran, atau kesalahan bantalan.
• Pemantauan suhu: Mirip dengan pemantauan getaran, sensor dapat mendeteksi ketika suhu naik di atas suhu normal aset. Ketika peningkatan suhu terdeteksi, teknisi dapat menemukan dan mengatasi penyebab utama sebelum kegagalan terjadi.
• Pemantauan kondisi: Menggunakan CMMS berbasis cloud menyimpan data sensor di cloud, sehingga dapat dipantau dan dianalisis dari mana saja. Meskipun peralatan berada di lokasi terpencil atau pemantauan perlu dilakukan di luar lokasi, pengguna dapat mengakses data terkini atau data historis dan menggunakannya untuk mengambil keputusan mengenai pemeliharaan dan penggantian.
• Analisis dan rekomendasi kecerdasan buatan (AI):  Mempelajari cara membaca tanda tangan yang diberikan oleh sensor getaran membutuhkan pendidikan dan pengalaman bertahun-tahun. Kini, meskipun organisasi Anda tidak memiliki pakar di lokasi, analisis canggih yang didukung AI dapat menilai pola getaran mesin dan mengidentifikasi perubahan. Ia bahkan dapat mengenali berbagai pola masalah umum, sehingga memberi tim Anda wawasan untuk menemukan dan memperbaiki masalah dengan lebih cepat.
• Alarm: Ketika tingkat getaran menunjukkan adanya kesalahan, perangkat lunak pemeliharaan prediktif dapat mengirimkan peringatan kepada personel yang tepat sehingga mereka dapat segera mengambil tindakan.
• Perintah kerja otomatis:  Jika perangkat lunak pemantauan getaran diintegrasikan dengan sistem manajemen pemeliharaan terkomputerisasi, CMMS dapat secara otomatis memicu perintah kerja ketika kesalahan terdeteksi, sehingga menghemat waktu dan mengurangi jumlah intervensi manusia yang diperlukan untuk memperbaiki masalah.

Contoh Pemeliharaan Prediktif

Ada aplikasi pemeliharaan prediktif yang penting di hampir setiap industri. Berikut ini beberapa contoh umum pemeliharaan prediktif.

Contoh Perawatan Prediktif di Otomotif

Alat pemeliharaan prediktif dapat mengidentifikasi kegagalan yang akan terjadi, seperti ban berjalan yang melambat atau kelainan pada getaran dari mesin stamping atau mesin press. Dapat juga digunakan pada aset lain, seperti forklift dan peralatan pengecatan.

Contoh Pemeliharaan Prediktif dalam Makanan dan Minuman

Dalam industri makanan dan minuman, teknologi pemeliharaan prediktif dapat berperan tidak hanya dalam memastikan waktu kerja maksimum namun juga memastikan semua produk dibuat sesuai dengan peraturan pangan yang ketat. Pemeliharaan prediktif dapat digunakan pada peralatan seperti mixer dan blender, sistem pengumpulan debu, peralatan ekstrusi, pompa, dan ban berjalan.

Contoh Pemeliharaan Prediktif di Manufaktur

Semua jenis produsen dapat menggunakan teknologi pemeliharaan prediktif untuk meningkatkan konsistensi dan kualitas keluaran produk mereka, mengurangi biaya tenaga kerja, dan memperpanjang umur aset. Pemeliharaan prediktif di bidang manufaktur dapat membantu memprediksi dan mengurangi kegagalan aset seperti kipas, pompa, dan motor.

Contoh Pemeliharaan Prediktif dalam Ilmu Hayati

Banyak produsen di industri ilmu hayati harus menjalani audit dari otoritas lokal, negara bagian, dan federal. Teknologi pemeliharaan prediktif dapat memastikan peralatan terus berjalan sesuai parameter yang diperlukan dan memberikan catatan riwayat aset yang tahan audit kepada organisasi. Dan jika produk perlu didinginkan atau dibekukan, sensor membantu memastikan bahwa peralatan yang digunakan untuk menjaga suhu yang tepat selalu berfungsi sebagaimana mestinya.

Contoh Pemeliharaan Prediktif dalam Minyak dan Gas

Keandalan sangatlah penting dalam industri minyak dan gas, karena kegagalan peralatan dapat berdampak pada lingkungan dan menimbulkan ancaman keselamatan bagi karyawan. Pemeliharaan prediktif pada aset seperti pompa, boiler, dan kompresor dapat membantu mengurangi risiko kegagalan yang tidak direncanakan dan konsekuensinya.

Cara Membuat Program Pemeliharaan PdM

Peralihan dari pemeliharaan reaktif ke pemeliharaan prediktif tidak terjadi dalam semalam. Namun kemajuan dalam teknologi pemeliharaan prediktif, seperti perangkat lunak CMMS dan sensor getaran nirkabel, telah membuat pemeliharaan prediktif menjadi strategi yang lebih mudah dilakukan dibandingkan sebelumnya. Ada beberapa pertanyaan yang perlu diingat untuk setiap aset saat mempertimbangkan untuk membuat rencana pemeliharaan prediktif:

• Jika aset ini gagal, apa dampaknya terhadap produksi?
• Berapa biaya untuk memperbaiki aset ini?
• Berapa biaya penggantian aset ini?

Menjawab pertanyaan-pertanyaan ini untuk setiap peralatan dapat membantu tim mempersempit aset mana yang harus dipertahankan berdasarkan prediksi.

Pemeliharaan prediktif belum tentu merupakan strategi yang paling efektif untuk setiap aset. Beberapa aset dapat mengalami kegagalan dengan sedikit atau tanpa dampak terhadap produksi atau keuntungan. Yang lain mendapat manfaat dari pemeliharaan preventif yang sederhana dan mudah. Namun untuk beberapa aset, pemeliharaan prediktif adalah strategi terbaik.

Bahkan jika Anda berencana untuk menggunakan alat pemeliharaan prediktif hanya pada beberapa aset, ada baiknya Anda membuat rencana ke depan dan membuat program yang dapat dipatuhi oleh tim pemeliharaan Anda. Berikut enam langkah utama untuk menyiapkan program pemeliharaan prediktif Anda:

1. Identifikasi aset mana yang harus ditargetkan untuk solusi pemeliharaan prediktif
2. Pilih alat dan metode pemeliharaan prediktif yang akan Anda gunakan untuk memantau kondisi aset (seperti sensor dan CMMS)
3. Pilih dan latih tim implementasi untuk mempelajari dan melaksanakan teknologi pemeliharaan prediktif
4. Lakukan integrasi sistem untuk mendapatkan gambaran lengkap tentang kesehatan aset
5. Koordinasikan keseluruhan strategi pemeliharaan Anda, identifikasi pendekatan mana yang akan digunakan dan di mana
6. Tentukan bagaimana data kesehatan aset akan dibagikan kepada anggota tim, pemangku kepentingan, dan auditor

Pada akhirnya, penerapan program pemeliharaan prediktif yang sukses memerlukan pandangan jangka panjang terhadap tujuan dan kebutuhan organisasi Anda. Tidak ada dua rencana pemeliharaan prediktif yang terlihat sama.

Bagaimana Cara Mengontrol Pemeliharaan Prediktif?

Solusi pemeliharaan prediktif, menurut definisi, melibatkan pengumpulan dan analisis banyak data. Cara terbaik untuk mengontrol pemeliharaan prediktif adalah dengan menggunakan sistem manajemen pemeliharaan terkomputerisasi (CMMS) untuk menghubungkan dan mengelola data yang masuk dari perintah kerja, analisis pemeliharaan prediktif secara real-time, dan riwayat pemeliharaan, sehingga dapat diakses oleh personel yang tepat di mana pun atau kapan pun mereka bekerja.

Tanpa CMMS, tim pemeliharaan sering kali dibiarkan menebak-nebak tentang riwayat pemeliharaan suatu aset. Perintah kerja sering kali dibuat di atas kertas, dan perintah kerja di atas kertas membutuhkan waktu untuk ditemukan, diselesaikan, dan diarsipkan. Surat perintah kerja juga mempersulit pelacakan apa yang sudah selesai atau masih belum diselesaikan. Hampir mustahil untuk membandingkan keseluruhan permintaan, tugas yang sedang berjalan, dan pekerjaan prioritas jika semuanya berada pada lembar kertas terpisah.

CMMS membuat perintah kerja jadi lebih mudah untuk dijadwalkan, ditetapkan, dan diselesaikan. Perintah kerja juga dapat diprioritaskan berdasarkan kekritisan aset, memastikan tugas yang paling penting diberikan kepada teknisi yang tepat. Manajer dapat melihat tugas mana yang belum terselesaikan dan menugaskan pekerjaan kepada staf yang sudah mengerjakan aset tertentu atau mereka yang memiliki keahlian yang diperlukan untuk tugas tersebut.

Teknisi dan pengambil keputusan juga akan memiliki akses ke catatan pemeliharaan historis. Jika suatu aset memiliki riwayat beberapa kegagalan dalam jangka waktu singkat, para ahli dapat menggunakan data dan analisis pemeliharaan prediktif untuk mengetahui akar penyebab masalahnya atau memutuskan apakah sudah waktunya untuk mengganti aset tersebut.

Fitur Utama dalam Perangkat Lunak Pemeliharaan Prediktif eMaint

eMaint CMMS memberi organisasi rangkaian lengkap alat pemeliharaan prediktif. Dengannya, organisasi dapat:

• Tentukan kelas pemantauan untuk setiap aset
• Pantau kebisingan, getaran, suhu, pelumas, keausan, korosi, tekanan, dan aliran secara mandiri
• Masukkan secara manual atau impor pembacaan meter
• Tentukan batas atas dan bawah operasi yang dapat diterima untuk setiap aset
• Menampilkan pembacaan sebagai laporan dengan pengecualian kode warna
• Memicu email secara otomatis ketika batas terlampaui
• Buat perintah kerja secara otomatis ketika pembacaan berada di luar batas yang telah ditentukan
• Lakukan analisis data untuk mengidentifikasi kegagalan sejak dini, mencegah kerusakan, dan mengoptimalkan sumber daya pemeliharaan
• Lihat diagram pemantauan kondisi

Studi Kasus:Menggunakan Pemantauan Kondisi CMMS eMaint untuk Pemeliharaan Prediktif

Cleveland Tubing, Inc. adalah produsen produk pipa fleksibel dan dapat dilipat, termasuk FLEX-Drain dan PumpFlex. Perusahaan menyiapkan eMaint sehingga pembacaan meter pada indikator utama (suhu, tekanan, ketinggian cairan, hisapan) diimpor dan digunakan untuk memicu perintah kerja prioritas ketika pekerjaan atau inspeksi diperlukan berdasarkan rentang yang telah ditentukan.
Gary Payne, manajer pemeliharaan Cleveland Tubing, mencatat bahwa eMaint telah menjadi sistem pendukung keputusan pemeliharaan, memberi tahu mereka tentang tugas yang perlu dilakukan setiap hari, berdasarkan waktu yang berlalu, pemanfaatan peralatan, dan indikator berbasis kondisi. Mereka juga mengalami:

• Laporan otomatis untuk mengisi kembali inventaris suku cadang yang tersedia dan tidak tersedia
• Pelacakan waktu kerja yang efisien untuk departemen yang terdiri dari lima karyawan pemeliharaan
• Peningkatan perhitungan ROI dengan alokasi biaya tenaga kerja dan material ke aset yang lebih baik
• Kemampuan untuk berevolusi dari pemeliharaan reaktif ke pemeliharaan terencana hingga pemeliharaan prediktif melalui pemantauan kondisi dan peringatan otomatis mengenai potensi masalah pada peralatan penting
• Mengukur dan melacak KPI dengan mudah berdasarkan standar kelas dunia (90% pemeliharaan terencana)

Bagaimana Masa Depan Pemeliharaan Prediktif?

Masa depan pemeliharaan prediktif memanfaatkan alat kecerdasan buatan untuk memberikan wawasan dalam skala yang lebih besar dibandingkan sebelumnya. Alat AI memindai kumpulan data yang sangat besar dengan kecepatan tinggi, yang sangat berharga bagi organisasi besar dengan armada aset penting. Alat AI terbaik dapat mendiagnosis kesalahan mesin dan menentukan tingkat keparahan kesalahan, sehingga membantu menetapkan prioritas pemeliharaan yang jelas.

Namun, hal ini tidak berarti bahwa pemeliharaan akan dilakukan secara otomatis. Teknisi dan operator manusia perlu mengawasi keluaran AI dan memanfaatkan wawasannya. AI adalah alat yang berguna, bukan solusi lengkap. Ini berfungsi paling baik bila berbagi alur kerja dengan karyawan manusia.