Memperoleh Nilai Tambah dari Predictive Maintenance

Maintenance selalu menjadi teka-teki bagi industri padat asset, karena waktu kerja yang tinggi sangat penting untuk memastikan pengembalian aset, membuat perusahaan sering kali dihadapkan dengan keadaan yang sulit dan tidak terduga. 

Misalnya: peralatan pertambangan perlu bekerja di lingkungan yang menantang; pembangkit listrik menghadapi rezim operasi yang sulit; sektor penyulingan dan bahan kimia harus memproses bahan yang harus segera diproses. 

Kondisi ini menempatkan mesin di bawah tekanan, dan pengeluaran pemeliharaan preventif dan reaktif yang tinggi yang diperlukan untuk menjaganya tetap sehat dapat menguras profitabilitas.

Selama lebih dari dua dekade, perusahaan telah melihat predictive maintenance (PdM) sebagai solusi terbaik disebabkan karena mereka dapat memprediksi kegagalan jauh sebelum terjadi. 

Dengan demikian akan memungkinkan mereka untuk merencanakan dengan lebih baik atau bahkan menghindari waktu henti, meningkatkan waktu kerja sambil mengurangi biaya pemeliharaan pencegahan dan korektif yang tidak perlu. 

Sementara banyak perusahaan telah meluncurkan percontohan terisolasi, namun, hanya sedikit yang mampu menerapkan PdM dalam skala besar di seluruh operasi mereka.

Beberapa hal dapat menghalangi keberhasilan program PdM skala besar, dan sebagian besar perusahaan menghadapi masalah dalam satu atau lebih kategori umum berikut:

• Data tidak mencukupi, tidak dapat diakses, atau berkualitas rendah;
• Teknologi tidak memadai, dengan terlalu sedikit sensor atau infrastruktur TI yang buruk;
• Prioritas sulit, karena perusahaan tidak memiliki pandangan yang jelas tentang aset mana yang akan dimasukkan dalam program PdM mereka;
• Kemampuan tidak ada, terutama insinyur data dan ilmuwan data yang terampil yang diperlukan untuk membangun model analitik tingkat lanjut;
• Manajemen perubahan lemah, seringkali karena desain yang tidak ramah pengguna;
• Pengembalian ekonomi rendah, karena tingginya biaya pengembangan model untuk menutupi beragam aset dan berbagai mode kegagalan potensial.

Mengatasi tantangan di atas membutuhkan pendekatan sistematis dan holistik terhadap desain, pengembangan, dan implementasi PdM. Pendekatan itu dimulai dengan pemahaman yang jelas tentang basis aset organisasi dan tujuan keandalannya. 

Perusahaan juga perlu menyadari bahwa PdM mencakup berbagai pendekatan analitis dan teknologi, dengan tingkat kerumitan, biaya, dan manfaat yang berbeda.

Sistem Predictive Maintenance 4.0 dengan tingkat kematangan tertinggi dan di seluruh aset masih langka saat ini. Perusahaan membutuhkan investasi besar dalam Research & Development (R&D), bersama dengan pengetahuan industri yang mendalam, akses ke data yang relevan, dan pengalaman operasional yang praktis. 

Sementara mendatangkan mitra dengan rekam jejak yang terbukti secara substansial mengurangi biaya penerapan dan adopsi, para pemain yang paling diuntungkan dari pendekatan canggih semacam itu cenderung memiliki beberapa karakteristik:

• Beberapa aset atau pabrik berbagi tingkat kesamaan, yang memungkinkan keuntungan skala seperti replikasi model dan berbagi data dan praktik terbaik
• Pertumbuhan terbatas aset, tanpa batasan komersial untuk menjual lebih banyak produk---sehingga produksi tambahan diubah menjadi penjualan tambahan
• Ragam penyebab downtime yang besar dan beragam yang perlu ditangani untuk mencapai dampak yang cukup besar
• Mode kegagalan bernilai tinggi (seperti pada peralatan kritis) yang terjadi pada frekuensi rendah setiap tahun, membuatnya lebih sulit untuk metode tradisional atau pendekatan AI tipikal untuk memprediksi secara akurat