OPTIMASI SIKLUS PREVENTIVE MAINTENANCE BERDASARKAN HISTORI KEGAGALAN PERALATAN MULTI-UNIT

Transkripsi

1 OPTIMASI SIKLUS PREVENTIVE MAINTENANCE BERDASARKAN HISTORI KEGAGALAN PERALATAN MULTI-UNIT Suwarmin 1), I Nyoman Pujawan 2), dan Iwan Vanany 3) 1) Program Studi Teknik Industri, Institut Teknologi Sepuluh Nopember Jl. Jalan Raya ITS, Surabaya, 60111, Indonesia 1) [email protected] 2) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember 3) Jurusan Teknik Industri, Institut Teknologi Sepuluh Nopember ABSTRAK Kinerja program maintenance dalam industri diidentifikasi dari aktivitas PM (Preventive Maintenance) dan RM (Reactive Maintenance). Tujuan PM mencegah kegagalan peralatan tidak terencana. Siklus PM panjang menyebabkan kegagalan tidak terencana atau RM, tetapi siklus PM pendek menyebabkan turunnya keandalan (Reliability). Kondisi ini memicu upaya siklus atau periode PM mencapai nilai optimal dimana berlaku pada periode tertentu, hal ini disebabkan umur peralatan maupun perubahan teknologi yang digunakan. Kondisi ini diidentifikasi terjadinya RM diantara siklus PM. Penelitian difokuskan pada peralatan multi-unit dalam industri pengolahan gas. Peralatan terdiri dari peralatan utama dan peralatan pendukung mempunyai tingkat kekritisan berbeda. Peralatan utama maupun pendukung terdiri dari penggerak ( driver) dan yang digerakkan ( driven). Kajian dilakukan berdasarkan histori data PM dan RM dari peralatan utama dan pendukungnya. Dari data tersebut pola (pattern) keandalan dievaluasi dan diestimasi. Periode yang digunakan 12, 9, 6 dan 3 bulan. Pola keandalan hasil estimasi dioptimasi untuk mendapatkan periode PM yang optimal dengan keandalan 0,2. Hasil optimasi dengan ambang batas keandalan 0,2 tidak semua peralatan masuk dalam kriteria tersebut. Dari 11 jenis peralatan dengan kriteria >80% sebanyak 9 peralatan. Peralatan penggerak (motor) dan stationary (Pendingin dan Filter) periode PM-nya lebih baik. Penentuan keandalan 0,2 perlu dipertimbangkan dengan karakteristik dan potensi kegagalan peralatan. Kata kunci: Perawatan, Preventive Maintenance, Optimasi, Keandalan. PENDAHULUAN Latar belakang Perawatan dalam pengertian klasik sering dianggap sebagai tempat pemborosan (cost center). Hal ini terjadi karena pola perawatan dilakukan tidak terjadwal sehingga perawatan dilakukan pada saat terjadi kegagalan (breakdown maintenance). Breakdown maintenance sama dengan reactive maintenance pelaksanaannya membutuhkan biaya besar. Perawatan umumnya membutuhkan dukungan ketersediaan suku cadang. Tingkat ketersediaan suku cadang akan mempengaruhi keberhasilan perawatan. Pada beberapa kasus perawatan, persediaan suku cadang berlebihan untuk menjamin lancarnya 1

2 perawatan. Dari sisi efisiensi, persediaan suku cadang seharusnya minimum agar biaya kecil. Optimasi biaya perawatan dan pengadaan suku cadang dilakukan agar biaya perawatan rendah. Pola kegagalan belum banyak dipertimbangkan adalah pola kegagalan tersembunyi ( hidden). Pola kegagalan ini disebabkan beberapa faktor, dimana akibatnya adalah kegagalan yang tidak terjadwal dengan waktu tidak tentu. Kinerja perawatan dapat dinilai dengan rasio antara RM dan PM. Sebagai salah satu indikator, kinerja PM dijadikan parameter dalam mengevaluasi program perawatan. Beberapa metode dilakukan untuk mengoptimasi PM yang optimal secara matematis maupun empiris. Strateginya (Cheng & Tsao, 2010) melakukan kombinasi nilai rasio RM/PM secara empiris. Kombinasi keduanya dengan pertimbangan biaya, keandalan dan keselamatan. Dari nilai rasio tersebut dikaji fungsi penggunaan suku cadang peralatan berdasarkan probabilitas PM dan RM. Masalah pada proses penjadwalan adanya keterlambatan ( overdue) dan tidak adanya suku cadang ( backlog). Salah satu metode untuk menyelesaikan masalah suku cadang adalah melakukan klasifikasi suku cadang untuk menentukan nilai kekritisan, sehingga ditentukan prioritas pengadaannya. Klasifikasi kekritisan suku cadang yang dilakukan berdasarkan waktu perbaikan, karakteristik pemasok dan spesifikasi teknik. Kondisi tersebut mengakibatkan persediaan suku cadang tidak dapat diprediksi seperti yang dilakukan (Wang & Lin, 2011). Beberapa studi tentang persediaan suku cadang yang berkaitan dengan ketidak tentuan kebutuhannya berdasarkan kajian RCM (Jaarveld, 2011) untuk melakukan persediaan secara optimal. Hal ini menjadi kontradiktif pada parameter persediaan, sehingga beberapa kajian dilakukan dengan pendekatan optimasi (Chang, 2014). Jadwal perawatan berjenjang pada prinsipnya untuk mengakomodasi kerusakan komponen yang berbeda-beda dalam 1 unit peralatan. Periode PM akan mengalami perubahan karena adanya penurunan kinerja dari peralatan. Hal diamati dari frekuensi dan durasi RM. Level keandalan peralatan dijadikan indikator seperti yang dilakukan (Gao, 2015). Penelitian ini mengakaji unit pompa pendingin dengan peralatan pendukungnya untuk mengoptimalkan periode PM. Kajian dilakukan berdasarkan histori data PM, tingkat keandalan dan strategi. Studi literatur Program perawatan dalam industri proses maupun fabrikasi secara konvensiaonal menjalankan aktivitas PM. Pada prakteknya PM akan diikuti RM sebagai akibat adanya degradasi peralatan maupun komponen. Perencanaan suku cadang untuk mendukung perawatan telah banyak dikaji dari sisi peramalan, pola kebutuhan, proses pengadaan dan prioritasnya. Prioritas pada umum menentukan tingkat kekritisan dengan berbagai kriteria. Kriteria dengan pendekatan suku cadang cukup beralasan karena kebutuhan suku cadang selalu berubah dari waktu ke waktu. Ditinjau dari PM dan RM mempunyai relasi kuat sehingga (Cheng & Tsao, 2010) membuat kombinasi probabilitas PM dan RM yang nilainya 1 dimana RM 0 dan PM 1 dengan demikian RM selalu ada walaupun kecil. Pola penjadwalan PM sifatnya tidak statis dipengaruhi adanya RM (Xu & Hu, 2013). Aktivitas PM frekuensinya bisa meningkat atau tidak tentu ( nonperiodic). (Pandey, 2011) melakukan optimasi PM dengan pendekatan dengan strategi perencanaan perawatan. (Wang & Lin, 2011) memilih pendekatan dari ketersediaan suku cadang sehingga jadwal PM menjadi bervariasi. Beberapa penelitian berbasis optimasi PM telah dilakukan dari sisi suku cadang, biaya dan strategi. Penelitiannya (Zhou, 2012) lebih dititik beratkan penghematan biaya dengan mengurangi down time sehingga kebutuhan suku cadangnya dapat berkurang. 2

3 Optimasi PM berbasis suku cadang (Moghoddam & Usher, 2013) pada industri manufaktur dan transportasi difokuskan pada tujuan biaya rendah dan keandalan tinggi. Biaya rendah menjadi target dari perawatan (Zhou, 2009) (Le & Tan, 2013), dimana dalam implementasinya dikorelasikan dengan strategi perawatan seperti yang dilakukan (Lynch, 2013). Optimasi pada dasarnya tidak terlepas pada pemodelan matematis linier maupun non linier (Vassiliadis & Pistikopoulus, 2001). Proses pemodelan melibatkan beberapa parameter dilakukan (Wee & Widyadana, 2013) dan (Safari & Sadjadi, 2011 ) dengan menggunakan fungsi tujuan ganda (multi objective) (Nosoohi & Hejazi, 2011), (zhou, 2009), sehingga target berbeda tercapai bersamaan. Kegagalan yang periodenya pendek disebabkan kegagalan komponen dimana diklasifikasi menjadi 3 yaitu diperbaiki, diganti dan diperiksa (Laggoune, 2010) dan (Zhou, 2012). Metode optimasi PM berdasarkan ambang batas ( threshold) dari nilai keandalan (Liu, 2014), (Chang, 2014) untuk menentukan periode PM yang baru. (Lin, 2015) melakukan proses optimasi dengan biaya sebagai fungsi tujuan. Berdasar penelitian tersebut penelitian ini bertujuan antara lain: a. Mengestimasi keandalan peralatan berdasarkan tingkat kekritisan peralatan. b. Mengetahui pola keandalan berdasarkan data PM dan RM dari peralatan. c. Mendapatkan siklus PM optimal dari peralatan utama dan pendukungnya. METODE PENELITIAN Penelitian ini dilakukan dengan metode berikut ini. 1. Identifikasi histori data PM & RM peralatan 2. Evaluasi data PM & RM dan analisa keandalan 3. Estimasi tingkat keandalan 4. Optimasi periode PM Peralatan yang dievaluasi pompa pendingin atau CWP ( Cooling Water Pump). Setiap pompa terdiri travelling screen, pompa, pendingin, sistem pelumas, filter, valve, sistem hydraulics dan strainer. 1. Estimasi Keandalan Estimasi dianalisa berdasarkan WO, prosedur perawatan dan ECR ( Equipment Criticality Rating). ECR merupakan klasfikasi kuantitatif peralatan berdasarkan parameter: keselamatan, produksi, ketersediaan suku cadang, biaya perawatan dan keandalan. Klasifikasi ECR dibedakan menjadi 4 yaitu: 1, 2, 3 dan 4. ECR 1 pelaksanaan perawatan tanpa perencanaan di luar jam kerja. ECR 2 pelaksanaan perawatan tanpa perencanaan dalam jam kerja. ECR 3 pelaksanaan perawatan dengan perencanaan dalam jam kerja tanpa jadwal. ECR 4 pelaksanaan perawatan dengan perencanaan dalam jam kerja dengan jadwal. Dalam pelaksanaan apabila terjadi keterlambatan atau tertundanya suku cadang maka perawatan dijadwal ulang supaya tidak mengganggu pelaksanaan berikutnya. Perubahan durasi perawatan pada Tabel 1. Tabel 1. Relasi ECR dan perubahan durasi WO ECR RM>30 hari PM> periode PM 1 1 hari 1 hari 3

4 2 1 hari 5 hari 3 1 hari 5 hari 4 5 hari 5 hari 2 Optimasi periode PM Optimasi PM dilakukan dengan mempertimbangkan nilai keandalan dan frekuensi PM. Nilai keandalan pada potensi kegagalan tinggi antara 0,1 0,2, dalam optimasi ini nilai yang digunakan 0,2. Periode PM dioptimasi pada nilai terbesar. Algoritma Optimasi Proses optimasi menggunakan MATLAB dengan algoritma terdiri program utama dan 4 modul fungsi. Modul tersebut terdiri dari fungsi estimasi, jadwal & keandalan, optimasi dan data grafik. Ringkasan program utamanya sebagai berikut: - Input data WO peralatan, ECR dan min - fungsi festima(wo,ecr) Matrix data riil (mtr) dan estimasi (mte) - fungsi jadken(mtr)(mte) jadwal, kalkulasi(mkr,mks) dan keandalan (mr,me) - fungsi jadken(mte) Matrix jadwal, kalkulasi (mks) dan keandalan (me) - fungsi foptima(mks, min) Matrix hasil optimasi (mo) - fungsi dagraf(mr), dagraf(me), dagraf(mo) Data xr,yr, xe,ye, xo, yo dan keandalan minimum (rmr), (rme) dan (rmo). Berikut ini Algoritma optimasi yang digunakan: 4

5 HASIL DAN PEMBAHASAN Optimasi dilakukan pada 11 peralatan dengan hasil Gambar 1. Dari hasil tersebut menunjukkan bahwa tidak semua peralatan memenuhi nilai keandalan sebesar 0,2. Ada tiga peralatan yang 100% memenuhi batas tersebut yaitu pendingin, filter, dan valve. Semua peralatan mayoritas komponennya memenuhi keandalan minimum 0,2. Hanya ada satu peralatan yang 48% komponennya memenuhi syarat minimum tersebut, sebanyak 52% komponen dari Travelling Screen tidak memenuhi batas keandalan 0,2. Dari kriteria keandalan tersebut 9 peralatan masuk dalam kelompok dengan nilai >80%. Peralatan dengan komponen atau assembly lebih banyak prosentasenya <80 sedangkan peralatan dengan assembly sedikit atau sederhana dalam kasus ini Pendingin, Filter dan Valve prosentasenya 100%. Periode perawatan PM menjadi target optimasi. Empat periode PM yang dicoba yaitu 12, 9, 6 dan 3 bulan. Gambar 1. Prosentase peralatan dengan nilai keandalan 0,2 dan <0,2 5

6 . Gambar 2 menunjukkan hasil optimasi periode PM untuk 11 peralatan yang berbeda. Dari hasil optimasi diketahui bahwa periode PM antara peralatan penggerak dan yang digerakkan menunjukan kelompok dengan perilaku yang berbeda. Gambar 2. Komposisi periode PM pada peralatan Tabel 2 menunjukkan hasil kuantitatif dari optimasi beberapa peralatan periode optimumnya 12 bulan. Populasi terbesar pada periode 3 dan 6 bulan. Tabel 2. Hasil optimasi Dari hasil optimasi beberapa peralatan tidak memenuhi nilai keandalan minimum yang ditentukan (yaitu 0,2) pada interval 6M. Secara logika bila intervalnya dibuat pendek nilai keandalannya meningkat. Namun pada beberapa kasus kondisi tersebut tidak terjadi. Hal ini disebabkan nilai keandalannya sangat rendah atau pada interval 3M gradien dari fungsi keandalan meningkat karena nilai meningkat. (a) (b) Gambar 3. Kurve keandalan hasil optimasi PM, a. memenuhi nilai keandalan b. tidak memenuhi 6

7 KESIMPULAN DAN SARAN Kesimpulan Kajian keandalan dilakukan untuk sejumlah peralatan. Beberapa kesimpulan yang diperoleh adalah: 1. Metode optimasi yang digunakan mampu memperbaiki tingkat keandalan. Dari sebelas peralatan yang dikaji ada beberapa peralatan yang semua keandalan minimum 0,2 namun ada beberapa peralatan tidak mencapai keandalan minimum 0,2. Namun mayoritas keandalan dapat tercapai. 2. Periode PM yang dicoba pada penelitian ini adalah 12, 9, 6 dan 3 bulan. Hasil optimasi menunjukkan bahwa mayoritas peralatan memiliki nilai optimum interval perawatan 6 bulan atau 3 bulan. Hanya sedikit peralatan yang nilai optimumnya 9 bulan atau 12 bulan. 3. Dari hasil analisis ditemukan bahwa peralatan yang lebih kompleks, lebih sulit mencapai tingkat keandalan lebih tinggi, sedangkan peralatan sederhana (Pendingin, Filter dan Valve) lebih mudah mencapai keandalan lebih tinggi. 4. Keandalan peralatan kompleks dan repairable sulit mencapai tingkat keandalan yang ditargetkan. Peralatan kompleks terdiri dari beberapa sub-assembly mekanik dan elektronik dimana pola kegagalan berbeda, sedangkan peralatan sederhana tergantung kekuatan material pola operasi. Peralatan repairable memerlukan suku cadang dan membutuhkan waktu lama sehingga mempengaruhi nilai keandalannya. Pengembangan Lanjutan Penelitian ini mengandung beberapa kelemahan dan bisa disempurnakan untuk penelitian lanjutan. Beberapa pengembangan yang bisa dilakukan antara lain: 1. Fungsi biaya belum dipertimbangkan secara eksplisit dalam penelitian ini. Pada umumnya semakin sering perawatan dilakukan, biaya perawatan akan semakin tinggi namun biaya kegagalan akan turun. Pertimbangan ini bisa dimasukkan sebagai ide pengembangan pada penelitian selanjutnya. 2. Pada penelitian ini hanya dicoba empat interval waktu perawatan yaitu 3, 6, 9 dan 12 bulan. Ada peralatan tertentu nilai optimumnya di luar angka tersebut. Pengembangan lebih lanjut, perlu dimasukkan alternatif interval (1, 2, 3, 4 bulan). 3. Penelitian lanjutan bisa dilakukan dengan mengkaji nilai keandalan minimum antara (0,1 sampai 0,2). DAFTAR PUSTAKA --, (2004). OREDA (Offshore Reliability Data), Det Norske Veritas, Trondheim. Bertsche, B., (2008). Reliability in Automotive and Mechanical Engineering, Springer- Verlag, Berlin. Chang, Chin-Chih, (2014). Optimum preventive maintenance policies for systems subject to random working times, replacement, and minimal repair, Computers & Industrial Engineering 67, Cheng, Y-H., Tsao, H-L., (2010). Rolling stock maintenance strategy selection, spares parts estimation, and replacements interval calculation, J. Production Economics 128, Gao, Y., Feng, Y., Zhang, Z., Tan, J., (2015). An optimal dynamic interval preventive maintenance scheduling for series systems, Reliability Engineering and System Safety 142,

8 Laggoune, R., Chateauneuf, A., Aissani, D., (2010). Impact of few failure data on t he opportunistic replacement policy for multi-component systems, Reliability Engineering & System Safety 95 (2), Le, M.D., Tan, C.M. (2013). Optimal maintenance strategy of deteriorating system under imperfect maintenance and inspection using mixed inspection scheduling, Reliability Engineering & System Safety 113, Lin, Zu-Liang, Huang, Yeu-Shiang, Fang, Chih-Chiang, (2015). Non -periodic preventive maintenance with reliability thresholds for complex repairable systems, Reliability Engineering and System Safety 136, Liu, Bin, Xu, Z., Xie, M., Kuo, W., (2014). A value -based preventive maintenance policy for multi-component system with continuously degrading components, Reliability Engineering and System Safety132, Lynch P., Adendorff, K., Yadavalli V.S.S., Adetunji O., (2013). Optimal spares and preventive maintenance frequencies for constrained industrial systems, Computers & Industrial Engineering, 65 (3), Moghaddam, K.S., Usher, J.S., (2011). Preventive maintenan ce and replacement scheduling for repairable and maintainable systems using dynamic programming, Computers & Industrial Engineering 60, Moghaddam, K.S., Usher, J.S., (2011). Sensitivity analysis and comparison of algorithms in preventive maintenance and replacement scheduling optimization models, Computers & Industrial Engineering 61, Moghaddam, Kamran S., (2013). Multi -objective preventive maintenance and replacement scheduling in a manufacturing system using goal programming, International Journal of Production Economics 146, (2), Nosoohi, I., Hejazi S.R., (2011). A multi -objective approach to simultaneous determination of spare part numbers and preventive replacement times, Applied Mathematical Modelling 35 (3), Pandey, D., Kulkarni, M., S., Prem, V., (2011). A methodology for joint optimization for maintenance planning, process quality and production scheduling, Computers & Industrial Engineering 61 (4), Safari. E., Sadjadi, S.J., (2011). A hybrid metho d for flow shops scheduling with condition-based maintenance constraint and machines breakdown, Expert Systems with Applications 38 (3), Vassiliadis, C.G., Pistikopoulos, E.N., (2001). Maintenance scheduling and process optimization under uncertainty, Computers & Chemical Engineering 25 (2 3), Wang, C.H. & Lin, T.W., (2011). Minimisation of Non -periodic Preventive Maintenance Cost in series-parallel systems, Defence Science Journal, vol. 61(1), Wee, H.M., Widyadana, G.A., (2013). A production model for deteriorating items with stochastic preventive maintenance time and rework process with FIFO rule, Omega 41 (6), Xu, H., Hu, W., (2013). Modelling and analysis of repairable systems with preventive maintenance, Applied Mathematics and Computation 224, Zhou, X., Lu, Z., Xi, L., (2012). Preventive maintenance optimization for a multi - component system under changing job shop schedule, Reliability Engineering & System Safety 101, Zhou, X., Xi, L., Lee, J., (2009). Opportunistic preventive maintenance scheduling for 8

9 a multi-unit series system based on dynamic programming, International Journal of Production Economics 118 (2), Zhou, Y., Kou, G., Ergu, D., (2012). Three-Grade Preventive Maintenance Decision Making, Proceedings of The Romanian Academy, vol. 13(2),