Condition based

Maintenance

Presented by
Syahrul Mubarok
“The Ordinary Man”
Failure Rate VS Change in
Maintenance Philosophy
 Definition
CBM adalah salah satu metode/rencana
maintenance yang bertujuan untuk
menyediakan warning dari failure yang
akan terjadi/akan datang pada bagian
tertentu sebuah peralatan, yang mana
alat tersebut di-maintenance hanya jika
ada bukti failure yang akan datang.
 Condition based
Maintenance

First stage Second stage

• Berhubungan dengan • Pembuatan keputusan

pendapatan data maintenance.
condition monitoring • CBM modelling
dan interpretasi sebagai bantuan dalam
tekniknya. decision making.
• Bersifat engineering
skill, pengetahuan, dan
pengalaman.
Condition Monitoring
 definition
CM adalah penilaian secara kontinyu atau
periodik tentang kondisi mekanikal atau
elektrikal dari permesinan, peralatan,
dan sistem dari observasi dan/atau
rekaman parameter pengukuran
tertentu.(Collacot, 1997)
 Analogi CM
Observasi :
Temperatur

Pengukuran
suhu tubuh
manusia
Sistem :
Tubuh manusia
 CM’s Techniques
Ada 5 teknik/metode utama yang
digunakan :
- 2 populer : Vibration based monitoring
dan Oil based monitoring.
- 3 lainnya : Infrared thermography,
Acoustic emission (AE), Motor current
noise signature analysis.
Vibration based monitoring
- Vbm adalah teknik on (off) line yang
digunakan untuk mendeteksi ke-
malfungsi-an sistem berdasarkan sinyal
getaran yang terukur.
- Secara esensial Vbm mengidentifikasi 2
jenis :
1. Magnitude (overall level) getaran
2. Konten frequency (dan/atau waktu
waveform)
 Vbm (cont’d)
- Magnitude – menentukan severity getaran.
Vrms =
note : Vrms = Magnitude getaran (rms)
T = periode getaran
V (t) = kecepatan getaran pada t
- Konten frequency – penyebab/asal getaran.
- Alat : Vibration meter, Digital analyzer
 Oil based monitoring
- Menggunakan sampling dan penganalisaan
macam-macam sifat dan material untuk
monitor penggunaan dan kontaminasi dalam
engine, transmisi atau sistem hidrolik, dll.
- Sampling dan analisis (normal) – membantu
mengindikasi ketika terjadi pemakaian atau
kontaminasi abnormal.
 Obm (cont’d)
- Bentuk-bentuk Obm techniques:
a. Spectrometric oil analysis
b. scan electron microscopy/energy
dispersive X-ray analysis
c. energy dispersive X-ray fluorescent
d. low powered optical microscopy
e. ferrous debris quantification
 Obm (cont’d)
- Tujuan utama oil analysis adalah untuk
menyediakan alat yang dapat
memprediksi failure yang akan datang
tanpa membongkar equipment.
- Seseorang dapat melihat bagian dalam
engine, transmisi atau sistem hidrolik
tanpa melepas bagian-bagiannya.
The Other CM technique
 Infrared thermography
- Semua objek mengeluarkan panas atau
energi electromagnetic inframerah.
- hanya sebagian kecil yang terlihat oleh mata
telanjang
- Deteksi --Menggunakan kamera inframerah.
- Kamera mendeteksi energy panas yang tidak
terlihat dan mengubahnya menjadi gambar
terlihat
- Gambar yang terlihat– dianalisa segala ke
abnormalannya.
 Acoustic Emission (AE)
- Digunakan secara luas untuk monitoring
kondisi rotating machinery
- AE menggunakan noise ratio (high
frequency)
- AE transducer membutuhkan pita yang cukup
sempit agar dapat mendeteksi kegagalan
high frequency
Motor current noise signature
analysis
- Monitoring karakteristik operasi electric motor-
operated device, seperti motor-operated valve.
- Telah digunakan untuk pendeteksian awal rotor –
berhubungan dengan kegagalan dalam motor induksi
AC.
- Teknik frequency domain signal analysis digunakan
pada motor current signal untuk identifikasi berbagai
parameter operasi motor driven device dari motor
current signature.
- Tanda/signature direcord dan dibandingkan dengan
tanda berikutnya untuk mendeteksi ke-abnormal-an
operasi dan degradasi alat.
CBM Modelling
 Note

CM dapat sangat efektif, tapi mungkin

juga sangat tidak efisien pada saat yang
bersamaan.
Modelling dibutuhkan untuk
meningkatkan keefektifan biaya dan
efisiensi CM.
 Decision model
Keputusan tidak dibuat hanya
berdasarkan usia, tetapi juga informasi
yang termonitor ditambah lagi
parameter biaya lain dan downtime.
 Decision model (cont’d)

Dimana : , yang
mana adalah pdf sebelum t bergantung pada
 Grafik menunjukkan waktu
penggantian optimal

- C(t) min didapatkan dalam interval — t menjadi waktu

penggantian optimal .
- Jika tidak didapatkan C(t) min – rekomendasi untuk
melanjutkan menggunakan plant.
Conditional residual life
prediction
 Note
Pertama, tentukan keadaan sebenarnya dari
plant sebagai residual life conditional --
(informasi kondisi terukur) -vibration,
temperatur, dll.
Asumsikan informasi kondisi tsb. Adalah
fungsi residual life.
Kita perkirakan bahwa short residual life
(tergantung severity dari defect) akan
menyebabkan level signal yang tinggi dalam
beberapa pengukuran variabel kondisi.
Defect short residual life sinyal lebih
tinggi dari normal
 Asumsi model
1. Item plant dimonitor secara teratur pada titik waktu
yang berlainan.
2. Ada 2 periode pada plant life , pertama adalah
rentang waktu dari baru sampai titik ketika item
akan gagal teridentifikasi. Kedua interval waktu dari
titik tsb sampai titik kegagalan jika tidak dilakukan
maintenance.
3. Threshold level ditentukan untuk membagi item
yang termonitor menjadi dalam kondisi kegagalan
potensial jika signal informasi kondisi diatas level.
4. Informasi kondisi didapatkan pada waktu ti, yi,
selama waktu delay kegagalan adalah variabel acak
tergantung xi
 (pers. 5.2)

Hubungan antara Yi dan Xi teridentifikasi – pi(yi I xi).

Karena , maka dapat
diekspresikan sebagai .

karena yang diberikan xi dan , dan

berdasarkan asumsi 4, yi bergantung pada xi,
jadi pers. 5.4 menjadi,

Dengan membulatkan keluar xi, maka

Dari pers. 5.2 kita dapatkan
kondisional pada , distribusi dapat
diekspresikan dengan transformasi variabel
dari Xi ke Xi-1 (Freund,2004),

Karena , dan

Akhirnya,
Dari pers. 5.5; 5.6; dan pers. 5.9; 5.3

Pada t1 , dengan pers. 5.10 maka

karena , lalu
jika p0(x0) dan p(y1Ix1) disyaratkan, maka pers.
5.11 dapat ditentukan.
Persyaratan p0(x0) dan p(yiIxi)

- p0(x0) adalah distribusi waktu delay pada

second stage plant life.
-
 Estimating model parameter
dalam
Untuk menghitung , harus diketahui
parameter p0(x0) dan p(yiIxi) . Untuk
mengestimasi parameter tersebut
menggunakan maximum likelihood.
Pada tiap titik monitoring ti, informasi yang
tersedia yi dan , semua kondisional
pada , sama dengan pers.5.7,
 Estimating model parameter
dalam
Jika item yang dimonitor gagal pada tf
setelah monitor terakhir pada tn, maka
fungsi Likelihood adalah

Dimana adalah sekumpulan parameter

yang diestimasi.
Studi Kasus
TERIMA KASIH