Interaksi Tegangan Mempengaruhi Rencana Uji Umur Produk Melalui Optimasi Swarm Partikel

Pendahuluan

Produk berkelanjutan seperti kendaraan listrik dan inverter surya memerlukan uji ketahanan jangka panjang untuk memastikan performa dan keamanan. Namun, pengujian ini membutuhkan waktu dan biaya tinggi. Solusi yang populer adalah Accelerated Life Testing (ALT), yang mensimulasikan kondisi ekstrem untuk mempercepat kegagalan produk. Tapi banyak penelitian hanya mempertimbangkan satu tegangan (stress) secara independen, tanpa memperhitungkan interaksi antar tegangan yang bisa menyebabkan hasil pengujian tidak akurat.

Artikel ini menawarkan pendekatan baru: perencanaan ALT berbasis interaksi multi-stress yang dimodelkan menggunakan Particle Swarm Optimization (PSO)—sebuah algoritma optimasi inspirasi perilaku kawanan burung.

Latar Belakang: Kelemahan Perencanaan ALT Konvensional

Kebanyakan model ALT mengasumsikan bahwa parameter distribusi waktu gagal produk bersifat independen. Namun kenyataannya, interaksi antara suhu, arus, dan tekanan mekanik bisa mengubah karakteristik kegagalan. Studi ini membandingkan dua pendekatan:

• ALT tanpa interaksi antar tegangan
• ALT dengan interaksi, menggunakan pendekatan matematis berbasis model Arrhenius

Perbandingan ini dilakukan untuk mendapatkan rencana uji optimal yang dapat meminimalkan variabilitas estimasi dan memaksimalkan presisi prediksi masa pakai.

Metodologi

Langkah 1: Pengumpulan Data Eksperimen Awal

Eksperimen dilakukan pada sambungan solder dengan 3 tegangan utama:

• Suhu (75°C hingga 120°C)
• Kerapatan arus (2960 A/cm² hingga 6907 A/cm²)
• Tegangan mekanik (0 MPa hingga 394.71 MPa)

Dari kombinasi 3 tegangan tersebut, diperoleh 7 skenario pengujian (SC1–SC7) dengan hasil waktu rata-rata hingga kegagalan (Average Time to Failure/ATF) antara 8 menit hingga 31.444 menit.

Langkah 2: Simulasi Data Gagal Palsu (Pseudo-Time-to-Failure)

Digunakan Monte Carlo Simulation untuk menghasilkan 50 data gagal buatan per skenario berdasarkan ATF yang diperoleh.

Langkah 3: Estimasi Parameter Model Menggunakan PSO

Model ALT dibangun dalam dua versi:

• Tanpa interaksi: 4 parameter (γ₀, γ₁, γ₂, γ₃)
• Dengan interaksi: 8 parameter (γ₀ s/d γ₇)

Parameter seperti γ₁ dan γ₂ merepresentasikan sensitivitas terhadap masing-masing tegangan. Model Weibull digunakan sebagai dasar distribusi kegagalan. Nilai parameter dikodekan sebagai partikel dalam PSO, dan nilai fitness diukur menggunakan log-likelihood function.

Hasil PSO menunjukkan bahwa model tanpa interaksi konvergen dalam 48 iterasi, sementara model dengan interaksi membutuhkan hingga 205 iterasi karena jumlah parameter lebih banyak.

Studi Kasus: Perencanaan ALT untuk Sambungan Solder

Desain Eksperimen: Latin Hypercube Design (LHD)

Dua desain LHD diuji:

• Case I: urutan tegangan meningkat secara sistematis
• Case II: urutan acak untuk mengeksplorasi variasi respon

Optimasi Rencana Uji (ALT Planning)

Langkah optimasi menggunakan kembali PSO tahap kedua untuk:

• Menentukan tingkat tegangan optimal
• Menentukan alokasi jumlah sampel optimal pada setiap kombinasi tegangan

Kriteria optimasi yang digunakan adalah D-Optimality, yaitu memaksimalkan determinan dari Fisher Information Matrix (FIM) untuk menghasilkan estimasi parameter yang paling presisi.

Hasil Perencanaan ALT

• Rencana dengan interaksi menghasilkan pengalokasian sampel berbeda dibanding tanpa interaksi.
• Pada kedua kasus, lebih banyak sampel dialokasikan ke kombinasi tegangan rendah, sesuai prinsip efisiensi informasi.
• Model dengan interaksi menghasilkan determinan FIM lebih besar, menandakan estimasi parameter lebih akurat.

Verifikasi Interaksi Tegangan: Mengapa Ini Penting

Grafik interaksi respons (GRA) menunjukkan bahwa kurva respons antara dua tegangan saling berpotongan—menandakan interaksi yang signifikan. Jika ini diabaikan, prediksi umur produk dapat bias atau tidak realistis.

Contoh nyata: Jika hanya suhu dan arus yang diuji tanpa mempertimbangkan interaksi dengan tegangan mekanik, umur produk bisa diprediksi jauh lebih lama dari kenyataannya—membahayakan konsumen atau pengguna industri.

Keunggulan Pendekatan PSO dengan Interaksi

• Akurasi lebih tinggi dalam prediksi umur produk
• Mendeteksi kegagalan lebih awal pada produk berkeandalan tinggi
• Hemat biaya & waktu uji melalui distribusi sampel yang efisien
• Adaptif terhadap data eksperimental dan historis

Kritik dan Batasan

• PSO memerlukan waktu komputasi tinggi pada model kompleks (hingga 10.000 iterasi).
• Pendekatan ini tidak cocok untuk produk dengan data sangat sedikit.
• Butuh pengujian tambahan untuk validasi model jika diterapkan di industri berbeda.

Namun, pendekatan ini ideal untuk produk-produk bernilai tinggi dan berskala besar, seperti:

• Komponen otomotif
• Perangkat medis
• Sistem energi terbarukan

Kesimpulan

Model ALT dengan mempertimbangkan interaksi tegangan memberikan kerangka kerja kuantitatif yang unggul dibanding metode tradisional. Dengan dukungan algoritma Particle Swarm Optimization, pendekatan ini menghasilkan perencanaan pengujian yang:

• Lebih efisien
• Lebih akurat
• Dan lebih sesuai dengan kenyataan multi-tegangan di lapangan

Bagi industri yang ingin meningkatkan keandalan produk tanpa membuang sumber daya, model ini adalah masa depan dari Accelerated Life Testing.

Sumber : Okafor, E.G., Vinson, W., & Huitink, D.R. Effect of Stress Interaction on Multi-Stress Accelerated Life Test Plan: Assessment Based on Particle Swarm Optimization. Sustainability 2023, 15, 3451.