Predictive Maintenance(pemeliharaan prediktif) : metode perawatan yang menggunakan teknologi dan

analisis data untuk memprediksi kegagalan atau kerusakan pada mesin atau peralatan sebelum
kerusakan itu benar-benar terjadi. pemeliharaan prediktif bertujuan untuk meningkatkan efisiensi
armada dan meminimalkan waktu henti serta biaya operasional dari waktu ke waktu.

Menggunakan alat analisis data yang canggih untuk mendeteksi tanda-tanda peringatan potensi
kegagalan kendaraan, sehingga PdM memerlukan persiapan yang detail agar dapat beroperasi secara
akurat. Alat PdM mengungkap cacat, mengidentifikasi potensi malfungsi, dan masalah lain yang dapat
berdampak negatif terhadap kesehatan armada dan mengganggu operasi.

Alat Predictive Maintenance mengandalkan kombinasi perangkat sensorik, Internet of Things (IoT),
pembelajaran mesin (ML), dan model data serta analitik untuk menilai kondisi kendaraan.

 Sensor atau perangkat pemantauan kondisi : Sensor mengumpulkan informasi yang berkaitan
dengan kesehatan dan kinerja armada. dapat memperoleh detail penting, seperti getaran, suhu,
tekanan, dan kebisingan.
 Internet of Things : mengubah informasi yang dikumpulkan menjadi sinyal elektronik yang
dapat diukur dan dipelajari dari waktu ke waktu untuk memperkirakan kapan kendaraan atau
aset memerlukan pemeliharaan.
 Pembelajaran mesin : Teknologi pembelajaran mesin menggunakan data yang dikumpulkan
untuk menganalisis perilaku kendaraan. Secara khusus, ini memungkinkan menentukan kondisi
kesehatan dan metrik kontrol kualitas untuk setiap komponen kendaraan dan aset berdasarkan
informasi historis. Ketika memiliki data yang cukup, dapat dengan cepat mengidentifikasi
anomali apa pun dalam kinerja kendaraan atau aset dan membuat prediksi mengenai kesehatan
armada secara keseluruhan dan kapan gangguan operasional dapat terjadi.
 Sistem manajemen pemeliharaan terkomputerisasi (CMMS). secara otomatis membuat perintah
kerja untuk teknisi saat terjadi anomali. CMMS membantu mengoptimalkan dan merampingkan
pekerjaan perawatan kendaraan karena teknisi diminta untuk melakukan perawatan bahkan
tanpa permintaan manual.
 Arsitektur cloud yang fleksibel. Fungsionalitas ini memungkinkan integrasi mulus aplikasi pihak
ketiga untuk informasi kontekstual tambahan. Kemampuan cloud computing memungkinkan
pemrosesan data besar dan memberikan akses ke data berharga dari lokasi atau perangkat apa
pun.

Pemeliharaan Prediktif memiliki potensi untuk meningkatkan kinerja peralatan, memperpanjang umur
pakai peralatan, dan mengoptimalkan jadwal perawatan. Hal ini juga dapat membantu mengidentifikasi
masalah desain atau kekurangan dalam peralatan yang dapat diperbaiki untuk meningkatkan
kehandalan dan kualitas produk. Secara keseluruhan, Pemeliharaan Prediktif membantu perusahaan
dalam mengadopsi pendekatan yang lebih proaktif dalam perawatan peralatan dan mengoptimalkan
operasi mereka.
Bpmn Predictive Maintenance

 Mulai
 Kumpulkan Data Sensor : Data sensor dikumpulkan dari peralatan yang akan dipantau.
mencakup informasi seperti suhu, tekanan, getaran, arus listrik, dll.
 Analisis data sensor : Data sensor yang dikumpulkan dianalisis menggunakan algoritma analisis
data canggih, seperti machine learning atau kecerdasan buatan, untuk mendeteksi pola, tren,
dan anomali yang menunjukkan potensi kegagalan atau masalah.
 Menentukan Tindakan Perawatan : Berdasarkan hasil analisis data, tindakan perawatan yang
tepat ditentukan. termasuk penggantian komponen , penyetelan ulang, pelumasan, atau
perawatan rutin lainnya.
 Tindakan perawatan: Tindakan perawatan yang telah ditentukan dilakukan pada peralatan yang
dipantau
 selesai