condition based maintenance

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 pendapatan data condition monitoringdan interpretasi tekniknya.• Bersifat engineering skill, pengetahuan, dan pengalaman.

• Pembuatan keputusan maintenance.• CBM modelling sebagai bantuan dalam decision making.

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

Pengukuran suhu tubuh

manusiaSistem :

Tubuh manusia

Observasi :Temperatur

CM’s TechniquesAda 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

NotePertama, 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 model1. 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,

Jika item yang dimonitor gagal pada tf setelah monitor terakhir pada tn, maka fungsi Likelihood adalah

Dimana adalah sekumpulan parameter yang diestimasi.

Estimating model parameter dalam

Studi Kasus

TERIMA KASIH