Berdasarkan tesis Aiwina Soong Yin Heng (Queensland University of Technology, 2009)
DOI: 10.25904/1912/1360
Pendahuluan: Dari Maintenance Manual ke Kecerdasan Prediktif
Dalam industri modern, kerusakan mesin tak terduga bukan cuma bikin downtime, tapi juga bisa berujung pada kerugian finansial besar dan risiko keselamatan. Aiwina Heng, dalam tesis doktoralnya berjudul “Intelligent Prognostics of Machinery Health Utilising Suspended Condition Monitoring Data”, mencoba menabrak batas pendekatan tradisional dalam Condition-Based Maintenance (CBM) dengan menggabungkan kecerdasan buatan (AI) dan analisis statistik untuk memprediksi umur pakai mesin secara lebih akurat dan realistis.
Tesis ini nggak sekadar teoritis — Aiwina mengembangkan model prediksi baru yang memanfaatkan data kondisi yang “tertunda” atau tidak sampai titik kegagalan (suspended condition histories). Dalam dunia nyata, mesin jarang dibiarkan rusak total, jadi data seperti ini jauh lebih umum tapi sering diabaikan oleh model klasik. Nah, lewat pendekatan neural network dan statistik survival Kaplan-Meier, Aiwina berhasil menciptakan sistem yang bukan cuma pintar, tapi juga ngerti realitas lapangan.
1. Masalah Klasik di Dunia Maintenance
Kebanyakan metode perawatan prediktif tradisional bergantung pada data kegagalan total (run-to-failure). Padahal, mayoritas aset industri diganti atau diservis sebelum rusak. Akibatnya, model prediksi yang hanya mengandalkan event data jadi bias — sering meng-underestimate umur pakai mesin dan bikin maintenance terlalu dini (alias boros biaya).
Masalahnya nggak cuma itu:
- Reliability data dan condition monitoring data sering dipisahkan. Padahal keduanya harusnya jalan bareng.
- Hubungan antara data kondisi dan kesehatan aktual mesin sering non-linear.
- Model lama butuh banyak asumsi fisik dan distribusi kegagalan (misalnya Weibull), yang bikin hasilnya sering meleset di dunia nyata.
Aiwina melihat lubang besar di situ, dan dia mencoba nutup dengan model yang:
- Bisa pakai suspended data secara langsung,
- Mengintegrasikan data populasi dan data individu,
- Mampu mengenali hubungan non-linear pakai Artificial Neural Network (ANN),
- Dan minim asumsi statistik yang ribet.
2. Konsep dan Struktur Model Prediksi Baru
Model yang dikembangin Aiwina berbasis Feed-Forward Neural Network (FFNN), di mana target latihannya bukan sekadar waktu kegagalan, tapi probabilitas kelangsungan hidup (survival probability) tiap unit mesin.
Komponen utama model ini:
- Kaplan-Meier Estimator (KM):
Digunakan buat menghitung probabilitas bertahan dari tiap unit — termasuk yang datanya “digantung” alias belum gagal. Versi yang dipakai Aiwina adalah adapted Kaplan-Meier, yang bisa menghitung survival individual bahkan tanpa data kegagalan penuh. - Degradation-based Probability Density Estimation (PDF):
Mengambil ciri populasi dari data kondisi, bukan cuma dari data reliabilitas. Ini penting biar prediksi nggak cuma berdasarkan “berapa lama mesin bisa hidup,” tapi juga bagaimana kondisinya menurun. - Feed-Forward Neural Network (FFNN):
Ditraining buat mengenali hubungan non-linear antara sinyal kondisi (vibration, wear, oil analysis, dll.) dengan probabilitas kegagalan. Setelah training, FFNN ini bisa memproyeksikan kurva survival di masa depan hanya dari data kondisi terbaru.
Dengan kombinasi ini, model Aiwina berhasil memprediksi kemungkinan bertahan hidup mesin dalam horizon waktu tertentu, lengkap dengan tingkat keyakinan probabilistik. Jadi bukan cuma “mesin ini rusak dalam 10 hari,” tapi “mesin ini punya 80% peluang bertahan 10 hari lagi.”
3. Simulasi Data dan Validasi Model
Aiwina nggak cuma berhenti di teori. Dia bikin simulasi degradasi rolling element bearings (bantalan) — karena komponen ini adalah biang kerok utama kerusakan mesin berputar. Model simulasi ini menghasilkan vibration signatures yang merepresentasikan kerusakan progresif dari tahap awal sampai parah, dengan noise acak biar lebih mirip kondisi nyata.
Setelah itu, modelnya diuji dengan 5 jenis model pembanding:
- FFNN tanpa suspended data,
- FFNN dengan pendekatan tradisional,
- RNN (Recurrent Neural Network) untuk prediksi deret waktu,
- Model statistik Weibull klasik,
- Model Aiwina (dengan KM dan PDF terintegrasi).
Hasilnya?
Model Aiwina unggul di semua pengujian.
- Error prediksi jauh lebih rendah,
- Output prediksi adaptif terhadap perubahan kondisi,
- Dan bisa memproyeksikan survival probability dengan representasi yang realistis.
Dengan kata lain, model ini bisa “belajar” bahwa mesin nggak selalu rusak sesuai pola linier, tapi bisa melambat, stabil, atau bahkan membaik setelah perawatan kecil — hal yang gak mungkin ditangkap model Weibull atau RNN biasa.
4. Studi Kasus Industri: Pompa di Pabrik Kertas
Biar bukti makin kuat, model ini diuji di dunia nyata: Irving Pulp and Paper Mill (pabrik kertas). Di sini, data getaran dari pompa industri dipakai buat ngetes kemampuan model di lingkungan operasional yang penuh variabel liar — suhu, kecepatan, dan beban yang berubah-ubah.
Dari 12 histori bearing gagal dan puluhan histori suspended, model Aiwina berhasil:
- Menghasilkan kurva survival yang realistis dan stabil,
- Menangkap pola degradasi yang nggak linier,
- Dan memberikan estimasi waktu kegagalan lebih presisi dibanding empat model lain.
Tabel dan grafik hasil menunjukkan bahwa prediksi survival probabilitas Aiwina punya kesalahan rata-rata paling kecil dan penalty function paling rendah — artinya performa terbaik secara akurasi dan cakupan waktu.
5. Relevansi Praktis di Dunia Industri
Pendekatan Aiwina ini sangat relevan buat era Industry 4.0 dan Smart Factory.
Dengan sistem seperti ini, perusahaan bisa:
- Mengoptimalkan jadwal maintenance: perawatan dilakukan berdasarkan kondisi real-time, bukan jadwal tetap.
- Menghemat biaya operasional: karena nggak ada lagi penggantian dini akibat prediksi ngawur.
- Meningkatkan keandalan aset: mesin nggak perlu dimatikan hanya karena “jadwal inspeksi tiba.”
- Meningkatkan keselamatan kerja: karena kerusakan bisa diprediksi lebih awal dengan probabilitas yang bisa dipercaya.
Model ini juga cocok buat sistem IoT industri modern, karena bisa diintegrasikan dengan sensor data real-time. Kalau diterapkan di sistem seperti predictive maintenance untuk manufaktur, pembangkit listrik, atau pertambangan, hasilnya bakal signifikan dalam efisiensi dan keselamatan.
6. Kelebihan dan Keterbatasan Model
Kelebihan:
- Non-parametrik: gak butuh asumsi bentuk distribusi kegagalan.
- Data efisien: bisa manfaatkan data “gagal” maupun “tidak gagal.”
- Adaptif: bisa menyesuaikan dengan kondisi yang berubah-ubah.
- Lebih realistis: cocok untuk mesin yang jarang dibiarkan rusak total.
Keterbatasan:
- Butuh volume data besar untuk training neural network.
- Kompleksitas komputasi tinggi dibanding model statistik sederhana.
- Sulit diterapkan di sistem tanpa sensor CM terintegrasi.
Tapi di tengah perkembangan AI dan big data industri, keterbatasan ini makin kecil relevansinya. Justru, fondasi model ini jadi dasar dari sistem prognostics and health management (PHM) yang dipakai di industri berat modern — dari turbin gas sampai kendaraan otonom.
7. Opini dan Kritik
Secara ilmiah, pendekatan Aiwina adalah lompatan besar di bidang predictive maintenance. Tapi dari sisi implementasi industri, ada beberapa hal yang bisa dikritisi:
- Biaya implementasi awal tinggi.
Perusahaan perlu investasi besar di sensor, penyimpanan data, dan komputasi neural network. - Kurangnya transparansi model.
ANN bersifat black-box, jadi sulit dijelaskan ke teknisi lapangan kenapa model memprediksi kegagalan tertentu. - Butuh validasi lintas domain.
Walau berhasil di pompa industri, belum tentu hasilnya sama di sektor lain (misalnya otomotif atau energi).
Namun, secara keseluruhan, tesis ini membangun pondasi untuk era maintenance modern: di mana keputusan perawatan bukan lagi berbasis insting teknisi, tapi hasil pembelajaran mesin yang memanfaatkan setiap potongan data yang ada.
Kesimpulan: Dari Teori ke Revolusi Industri
Aiwina Heng berhasil menjawab pertanyaan besar di dunia maintenance: bisakah mesin memprediksi nasibnya sendiri?
Jawabannya: bisa.
Dengan model hybrid berbasis neural network dan Kaplan-Meier estimator, penelitian ini membuktikan bahwa suspended data — yang dulu dianggap “sampah statistik” — justru punya nilai besar untuk prediksi umur mesin.
Tesis ini bukan cuma inovasi akademis, tapi juga blueprint untuk implementasi industri masa depan. Model ini bisa jadi dasar sistem PHM cerdas di pabrik pintar, transportasi modern, dan infrastruktur kritikal.
Intinya, karya Aiwina adalah jembatan antara data mentah dan keputusan strategis. Ia menunjukkan bahwa AI bukan cuma alat bantu, tapi otak baru bagi dunia maintenance.