Menembus Batas Keandalan Industri: Integrasi Physics-of-Failure dan Jaringan Bayesian Dinamis untuk Evaluasi Risiko Fasilitas Industri

1. Pendahuluan: Era Baru Manajemen Risiko Industri
Di tengah meningkatnya kompleksitas fasilitas industri dan ancaman dari peristiwa alam ekstrem (seperti gempa), muncul kebutuhan akan pendekatan penilaian risiko yang adaptif dan akurat. Artikel ini memperkenalkan framework baru berbasis Physics-of-Failure (PoF) dan Dynamic Bayesian Network (DBN) untuk menilai degradasi safety barrier seiring waktu, memungkinkan pembaruan risiko secara berkala dan responsif terhadap kondisi nyata.

2. Inti Inovasi: Integrasi PoF ke dalam Model DBN
Framework ini menyatukan dua pendekatan kuat:

• PoF memodelkan degradasi fisik dari komponen pelindung sistem (safety barrier) akibat waktu dan tekanan lingkungan.
• DBN memungkinkan representasi hubungan probabilistik antara kejadian dalam sistem dinamis dan memperbaruinya seiring waktu berdasarkan data baru.

Hasilnya: prediksi kegagalan yang lebih presisi dan tindakan mitigasi yang berbasis data.

3. Studi Kasus: Fasilitas Kimia & Risiko NaTech (Natural Hazard-Induced Technological Events)

a. Karakteristik Fasilitas & Bahaya

• Fasilitas: Terdiri dari 2 tangki atmosferik (T1 dan T2) dan 1 bejana bertekanan (P1).
• Umur desain: 50 tahun.
• Ancaman: Gempa bumi dengan PGA (Peak Ground Acceleration) hingga 9.81 m/s².
• Batas LSIR (Location-Specific Individual Risk): 4.3×10⁻⁵ fatalitas/tahun.

4. Sistem Pelindung (Safety Barriers) Terdapat lima jenis pelindung:

Dalam sistem perlindungan keselamatan industri, terdapat lima jenis pelindung (safety barriers) yang diklasifikasikan berdasarkan fungsi dan cara kerjanya. Pertama, Water Deluge System (WDS) merupakan pelindung aktif yang bekerja secara otomatis untuk menyemprotkan air guna meredam panas dan mencegah penyebaran api. Kedua, Fireproofing (PFP) berperan sebagai pelindung pasif dengan melapisi struktur atau peralatan penting agar tahan terhadap suhu tinggi dalam jangka waktu tertentu. Ketiga, Pressure Safety Valve (PSV) termasuk dalam kategori aktif, berfungsi melepaskan tekanan berlebih untuk mencegah kegagalan peralatan akibat overpressure. Keempat, Emergency Team Intervention (ETI) diklasifikasikan sebagai pelindung prosedural, yang mengandalkan kecepatan dan keahlian tim darurat untuk menanggulangi insiden. Terakhir, Foam Water Sprinkler System (FWS) juga merupakan pelindung aktif yang menyemprotkan busa untuk mengendalikan kebakaran, terutama pada area penyimpanan bahan mudah terbakar. Kelima pelindung ini bekerja secara sinergis untuk meminimalkan risiko dan dampak dari potensi kecelakaan industri.

b. Umur & Parameter Kritis

Contoh:

• PSV → PFD awal 0.01, inspeksi tiap 1 tahun
• ETI → waktu respons meningkat seiring relokasi tim
• WDS & FWS → rawan korosi → menurunkan kekuatan terhadap guncangan seismik

5. Model Fragilitas Berbasis Usia (Age-Dependent Fragility)

a. PFP:

• Degradasi: Tensile strength turun dari 1.03 MPa ke 0.30 MPa dalam 30 tahun.
• Implikasi: Semakin tua, semakin mudah gagal saat gempa → kenaikan fragilitas.

b. Sprinkler:

• Model korosi: Cr(t) digunakan untuk menghitung penurunan ketebalan pipa → berkurangnya kapasitas seismik.

c. PSV:

• Model Markov: Menjelaskan transisi antar level degradasi → tiap state punya nilai PFD berbeda.

6. Struktur DBN: Digital Twin Risiko Fasilitas

• 51 Node waktu (0–50 tahun)
• Input: PGA, usia sistem, jadwal perawatan
• Output: Probabilitas kegagalan tiap tangki dan pemodelan efek domino (0–3 tangki gagal)
• Validasi model: 105.000 simulasi → MSE sangat rendah (rata-rata 2.5×10⁻⁴) → menunjukkan akurasi tinggi

7. Hasil: Risiko Dinamis & Pembaruan Model

a. Tanpa Perubahan (By-Design)

• Probabilitas kegagalan T1 & T2 naik stabil, P1 lebih cepat karena tekanan tinggi
• Risiko tetap dalam batas selama 50 tahun bila perawatan dilakukan sesuai jadwal

b. Dengan Informasi Baru

Tahun ke-8: Waktu respons ETI meningkat → Risiko naik → Tambah PFP di T1/T2 → Risiko turun kembali
Tahun ke-14: Update peta seismik → LSIR naik → Tambah anchor peredam energi → Risiko kembali turun
Tahun ke-23: Beban tangki meningkat → Risiko naik tajam → Ganti sprinkler ke ESFR → Risiko terjaga

8. Analisis Kritis: Mengapa Ini Penting?

• Konvensional vs Inovatif:
  Pendekatan tradisional pakai data historis → tak bisa adaptif.
  Framework ini real-time, adaptif, dan fisik-sentris.
• Kekuatan DBN:
  • Bisa update risiko seiring waktu
  • Bisa belajar dari data (gunakan algoritma EM)
  • Fleksibel menangani skenario kompleks (domino, keterlambatan mitigasi)
• Hubungan dengan Tren Industri:
  • Digital Twin & Predictive Maintenance
  • Resiliensi Infrastruktur
  • NaTech Risk di era perubahan iklim

9. Keterbatasan & Saran Lanjut

• Model PoF tidak selalu tersedia untuk semua jenis barrier → perlu riset lanjutan
• Validasi lapangan diperlukan untuk kalibrasi model
• Potensi integrasi AI/ML → bisa mempercepat pelatihan model & personalisasi lebih lanjut

10. Kesimpulan: Risiko Bisa Dikendalikan, Asal Terukur
Framework ini bukan sekadar alat akademik—ia menawarkan solusi nyata untuk industri kimia, energi, dan infrastruktur kritis. Dengan kemampuan prediksi yang berbasis fisika dan pembaruan berbasis data, perusahaan bisa:

• Menjaga keselamatan jangka panjang
• Merespons kondisi baru dengan tepat
• Menjadi lebih tangguh menghadapi skenario terburuk

Keamanan kini bukan reaktif, tapi prediktif.

Sumber : Marchetti, S.; Di Maio, F.; Zio, E. A Physics-of-Failure (PoF) Model-based Dynamic Bayesian Network for Considering the Aging of Safety Barriers in the Risk Assessment of Industrial Facilities. Journal of Loss Prevention in the Process Industries, August 2024.

Dalam dunia teknologi tinggi seperti otomotif dan dirgantara, keandalan sistem elektronik bukan sekadar nilai tambah—ia menjadi syarat mutlak. Artikel “Physics of Failure (PoF) Based Lifetime Prediction of Power Electronics at the Printed Circuit Board Level” oleh Andrew Wileman dkk., dari Cranfield University, membawa kita menyelami metode prediksi usia pakai papan sirkuit tercetak (PCB) menggunakan pendekatan PoF yang kaya akan presisi dan efisiensi.

Apa Itu Physics of Failure (PoF)?

PoF adalah pendekatan berbasis mekanisme fisik untuk memprediksi degradasi dan kerusakan pada komponen elektronik. Alih-alih hanya mengandalkan data historis kegagalan, PoF memahami akar penyebab kegagalan seperti:

• Siklus termal (thermal cycling)
• Getaran acak dan harmonik
• Kejut mekanis
• Fatigue pada sambungan solder
• Degradasi komponen semikonduktor

Keunggulan utama PoF: dapat digunakan sejak tahap desain awal untuk memprediksi kerentanan komponen terhadap lingkungan operasional.

Metodologi: Mengubah Data eCAD Menjadi Model Analisis

Studi ini mengubah data desain elektronik (eCAD) menjadi model Computational Fluid Dynamics (CFD) dan Finite Element Analysis (FEA) untuk menyimulasikan berbagai stres lingkungan. Model FEA memungkinkan evaluasi mendalam terhadap faktor-faktor seperti:

• Siklus suhu dari −33°C hingga 63°C
• Getaran dari 10 Hz hingga 2000 Hz
• Shock mekanis hingga 10g
• Prediksi umur solder dengan standar IPC-JEDEC
• Wear-out semikonduktor berdasarkan SAE ARP 6338

Studi Kasus: Evaluasi Board Infineon

Sebagai platform uji, digunakan board Infineon dengan dua IGBT (Insulated Gate Bipolar Transistors) dan beberapa komponen lain seperti kapasitor, inductor, dan konektor.

Tujuan pengujian:

1. Menilai ketahanan board terhadap berbagai tekanan lingkungan.
2. Menyediakan prediksi masa pakai hingga 30 tahun dengan toleransi kegagalan 20%.

Hasil Uji & Simulasi Fisik: Angka dan Temuan Kunci

1. Thermal Mechanical Cycling

• Temperatur: −33°C hingga 63°C
• Komponen yang gagal: kapasitor besar, induktor toroidal, dan transistor (terutama yang dekat dengan heatsink)
• Alasan: ekspansi termal tinggi dari plastik & logam + posisi dekat sumber panas

2. Getaran Alamiah & Resonansi

• Frekuensi kritis: 212.75 Hz & 222.69 Hz
• Dampak: resonansi tinggi memicu stres tinggi di sekitar heatsink, memicu potensi retak solder
• Rekomendasi: tambahkan peredam atau hindari operasi di frekuensi tersebut

3. Getaran Acak (Random Vibration)

• Spektrum daya: 0.04 G²/Hz
• Intensitas getaran: 7.7 G RMS selama 1 jam
• Dampak: komponen besar di bagian atas board mengalami dislokasi
• Solusi: ganti stand-off panjang dengan versi pendek & perkuat penyangga

4. Shock Mekanis

• Durasi: 6 ms, 10 G
• Hasil: Semua komponen bertahan, karena durasi singkat & penyangga memadai

5. Kelelahan Solder (Solder Fatigue)

• Suhu reflow: 260°C
• Solder gagal: PB90SN10 (timah timbal), gagal pada dua Schottky diode
• Saran: gunakan solder lead-free (SAC305) atau relokasi komponen dari area stres tinggi

6. Wearout Semikonduktor

• Komponen diuji: 4 IC semikonduktor
• Hasil: Semua bertahan melewati usia desain (30 tahun) untuk thermal cycle & event

Analisis Umur PCB Secara Menyeluruh

Probabilitas kegagalan total dalam 30 tahun: hanya 5%
Catatan penting:

• Kegagalan mayoritas disebabkan oleh kombinasi getaran acak + ekspansi termal
• Beberapa mitigasi desain seperti retaining clip atau heat sink mount tidak dimodelkan, padahal membantu

Kritik & Opini Penulis

Pendekatan PoF dalam paper ini sangat kuat dalam memberikan prediksi berbasis first principles ketimbang hanya data historis. Namun ada beberapa catatan:

• Kelemahan: Studi masih mengandalkan simulasi, bukan uji lapangan nyata
• Kurangnya eksplorasi AI/ML: Kombinasi data PoF dengan machine learning bisa mengembangkan model prediktif berbasis big data
• Relevansi industri: Model sangat cocok untuk aerospace, defense, dan otomotif, namun bisa lebih diturunkan untuk produk komersial

Kontribusi terhadap Industri & Inovasi

Pendekatan ini menunjukkan bagaimana simulasi virtual dan digital twin dapat mempercepat:

• Proses verifikasi desain
• Penghematan biaya uji fisik
• Reduksi waktu rilis produk
• Reliabilitas lebih tinggi dalam siklus hidup produk

Dalam konteks era Industri 4.0, metode seperti ini tidak hanya teknis tapi juga strategis.

Relevansi terhadap Tren Global

1. Digital Twin & Virtual Testing → sejalan dengan tren digitalisasi sistem manufaktur
2. Reliabilitas sebagai Diferensiasi Produk → kebutuhan utama dalam otomotif listrik & kendaraan otonom
3. Sustainability → desain awal yang kuat mengurangi limbah elektronik & kerusakan dini

Kesimpulan: Desain Lebih Andal Dimulai dari Prediksi yang Tepat

Dengan penerapan Physics of Failure sejak tahap desain, perusahaan dapat:

• Menekan risiko sejak awal
• Meningkatkan efisiensi siklus desain
• Menciptakan produk yang lebih tahan banting & berumur panjang

Pendekatan ini bukan sekadar pilihan teknis, melainkan keunggulan kompetitif nyata.

📚 Sumber artikel: Wileman, A.; Perinpanayagam, S.; Aslam, S. Physics of Failure (PoF) Based Lifetime Prediction of Power Electronics at the Printed Circuit Board Level. Applied Sciences, 2021, 11, 2679.

Pendahuluan: Tantangan Memprediksi Kegagalan di Dunia Nyata

Produsen produk teknik sering menghadapi pengembalian garansi tak terduga akibat kegagalan desain tersembunyi atau kondisi lingkungan yang ekstrem. Untuk mengantisipasinya, digunakan Accelerated Life Tests (ALTs)—uji umur dengan beban lebih tinggi agar kegagalan muncul lebih cepat. Namun tantangannya: apakah data ALT bisa digunakan untuk memprediksi kegagalan di lapangan?

Makalah ini, ditulis oleh Meeker, Escobar, dan Hong, menawarkan solusi melalui model use-rate dan pendekatan komprehensif untuk multiple failure modes, yang menjembatani hasil laboratorium dan performa nyata produk. Contoh nyata menggunakan dua perangkat rumah tangga (Appliance A dan B) menunjukkan efektivitas pendekatan ini.

Accelerated Life Tests dan Model Use-Rate: Dasar Prediksi

ALT mensimulasikan masa pakai produk dengan mempercepat siklus atau menaikkan beban (misalnya suhu, tekanan). Namun untuk memetakan hasil ALT ke realita, diperlukan:

• Pemahaman tentang mekanisme kegagalan yang sama antara ALT dan penggunaan lapangan.
• Data distribusi frekuensi penggunaan konsumen nyata.
• Pemilihan model matematis yang sesuai seperti lognormal atau Weibull.

Studi Kasus: Appliance A dan Model Use-Rate Diskret

Komponen A memiliki cacat desain dan diuji ulang lewat ALT dengan siklus yang dipercepat. Distribusi waktu rusaknya mengikuti lognormal, sedangkan data penggunaan rumah tangga (distribusi lognormal diskret, 1–20 siklus per minggu) diperoleh dari survei.

Model campuran:
Jika siklus-to-failure lognormal dan distribusi penggunaan diskret, maka waktu gagal produk di lapangan diprediksi sebagai:

F(t)=∑i=1kπi⋅Φ(log⁡(Ri⋅t)−log⁡(ηC)σC)F(t) = \sum_{i=1}^{k} \pi_i \cdot \Phi\left( \frac{\log(R_i \cdot t) - \log(\eta_C)}{\sigma_C} \right)

Hasil: Prediksi distribusi waktu gagal di lapangan cocok dengan data historis garansi—menunjukkan bahwa ALT dan model penggunaan konsisten dengan realita.

Studi Kasus Lanjutan: Appliance B dan Dua Failure Mode

Permasalahan:
Turbine-device pada Appliance B mengalami dua jenis kegagalan:

• Wear (keausan karena penggunaan normal)
• Crack (retak akibat beban berlebih/abuse)

Temuan penting:

• ALT standar hanya menghasilkan kegagalan crack, tetapi 80% kegagalan lapangan disebabkan oleh wear.
• Diperlukan dua ALT: satu dengan beban normal (menghasilkan wear), satu dengan overload (menghasilkan crack).

Model Dua Failure Mode: Kombinasi Statistik dan Fisika

Produk dianggap sebagai sistem seri: gagal jika salah satu komponen gagal.

Dengan:

• C1 dan C2 = lifetime dalam satuan siklus
• R1 dan R2 = tingkat penggunaan normal dan abuse
• T1 = C1/R1 dan T2 = C2/R2 (waktu ke kegagalan di lapangan)

Maka distribusi waktu gagal gabungan:

F(t)=1−S(t,t)=1−P(T1>t,T2>t)F(t) = 1 - S(t, t) = 1 - P(T1 > t, T2 > t)

Asumsi penting:

• Korelasi positif antara R1 dan R2 → makin sering digunakan, makin rentan disalahgunakan.
• Korelasi ini dimodelkan dengan bivariate lognormal distribution.

Estimasi Parameter: ALT + Data Garansi

Estimasi parameter keandalan melalui kombinasi data Accelerated Life Testing (ALT) dan data garansi memberikan gambaran yang lebih realistis terhadap perilaku kegagalan produk. Dalam pendekatan ini, digunakan metode Maximum Likelihood Estimation (MLE) untuk mengidentifikasi parameter distribusi waktu kegagalan dari masing-masing failure mode. Hasil analisis menunjukkan bahwa untuk mode kegagalan wear, median waktu gagal adalah 246 hari dengan variabilitas (σ) sebesar 1,39 dan korelasi waktu-failure (ρ_TT) sebesar 0,54. Sementara itu, mode crack memiliki median waktu gagal 595 hari dan variabilitas lebih tinggi, yakni 1,65, namun tanpa estimasi korelasi. Ketika kedua mode digabungkan, median waktu gagal tercatat sebesar 223 hari. Temuan penting dari analisis ini adalah bahwa dengan mempertimbangkan korelasi ρ_TT sekitar 0,5—alih-alih mengasumsikan nilai nol—estimasi keandalan sistem menjadi lebih akurat. Hal ini menegaskan pentingnya mempertimbangkan hubungan antara variabel pengujian dan kondisi lapangan dalam model prediktif keandalan.

Prediksi untuk Desain Baru Appliance B

Desain baru dilakukan dengan:

• ν₁ = 5× peningkatan daya tahan wear
• ν₂ = 2× peningkatan daya tahan crack

Dengan model sebelumnya, distribusi waktu gagal sistem baru dihitung kembali.

Hasil (Desain Baru):

• Wear: median gagal = 1215 hari
• Crack: median gagal = 1045 hari
• Gabungan: median gagal = 805 hari (naik signifikan dari 223 hari desain lama)

Grafik estimasi cdf (F(t)) dan interval kepercayaan 95% menunjukkan peningkatan drastis dalam keandalan sistem.

Simulasi & Sensitivitas: Apakah Korelasi Penting?

Dengan dua skenario:

• ρ_TT tinggi (0.98) → kesalahan asumsi korelasi 0 menghasilkan bias besar dalam prediksi.
• ρ_TT sedang (0.45) → kesalahan asumsi ρ tetap berpengaruh, tapi tidak seburuk sebelumnya.

Inti temuan:

• Estimasi marginal bisa sangat meleset jika korelasi antar mode gagal tidak dipertimbangkan.
• Estimasi sistem (gabungan) bisa tetap stabil bila bentuk distribusi mirip, tapi tidak selalu aman mengabaikan korelasi.

Kritik & Relevansi

Kekuatan:

• Kombinasi fisika dan statistik → akurasi tinggi
• Bisa digunakan untuk desain, evaluasi garansi, dan proyeksi masa depan
• Fleksibel terhadap banyak failure mode

Kelemahan:

• Membutuhkan data lapangan + ALT
• Model lebih rumit daripada metode klasik
• Butuh validasi asumsi korelasi

Relevansi industri:

• Sangat cocok untuk elektronik konsumen, otomotif, aerospace, dan manufaktur presisi
• Menjembatani laboratorium dan realita lapangan untuk manajemen garansi yang lebih cerdas

Kesimpulan: ALT dan Model Penggunaan Membentuk Prediksi Masa Depan

Makalah ini menunjukkan bahwa dengan menyatukan data ALT, informasi penggunaan konsumen, dan pemodelan statistik-fisik, prediksi keandalan produk bisa ditingkatkan secara signifikan. Dengan mempertimbangkan failure mode ganda dan korelasi antar pemakaian, perusahaan bisa membuat keputusan desain dan garansi dengan lebih presisi dan percaya diri.

Sumber : William Q. Meeker, Luis A. Escobar, Yili Hong. Using Accelerated Life Tests Results to Predict Product Field Reliability. Center for Nondestructive Evaluation, Iowa State University, 2008.

Pendahuluan: Ketika Ketergantungan Komponen Diabaikan

Dalam dunia teknik sistem, keandalan adalah kunci. Namun, banyak metode prediksi keandalan masih bertumpu pada asumsi independensi komponen—sebuah pendekatan yang terbukti tidak akurat untuk sistem kompleks. Artikel karya Zhiguo Zeng dkk. ini memperkenalkan konsep baru dalam Physics-of-Failure (PoF): failure collaboration, yaitu kondisi di mana komponen saling mempengaruhi kegagalan satu sama lain. Dengan mengembangkan model deterministik berbasis PoF dan mengintegrasikan Bisection-based Reliability Analysis Method (BRAM), studi ini memberikan fondasi kuat bagi prediksi keandalan yang lebih realistis.

Mengapa Failure Collaboration Penting?

Dalam pendekatan PoF tradisional:

• TTF (Time To Failure) dihitung terpisah untuk setiap komponen.
• Sistem dianggap gagal ketika komponen tercepat gagal.
• Tidak mempertimbangkan interaksi antar komponen, yang padahal sering terjadi di sistem nyata.

Failure collaboration mengisi celah ini. Contoh sederhana adalah rangkaian pembagi tegangan, di mana dua impedansi (X1 dan X2) bekerja bersama. Ketika X2 mengalami degradasi, ia mengubah ambang batas kegagalan X1. Artinya, kegagalan X1 bergantung pada X2—inilah bentuk kolaborasi kegagalan yang tidak bisa diabaikan.

Model PoF yang Mempertimbangkan Kolaborasi Kegagalan

Langkah-Langkah Pengembangan Model:

1. Bangun Physical Functional Model (PFM)
   Deskripsikan fungsi sistem secara fisik menggunakan software seperti AMESim, PSpice, atau Simulink.
2. Identifikasi Parameter Sensitif Terhadap Degradasi (zd)
   Gunakan analisis FMMEA (Failure Modes, Mechanisms, and Effects Analysis) dan analisis sensitivitas.
3. Terapkan Model PoF untuk zd
   Misalnya: keausan, kelelahan, atau elektromigrasi.
4. Gabungkan semuanya dalam fungsi p(t):

TTF=inf⁡{t∣p(t)≥pth}TTF = \inf\{t \mid p(t) \geq p_{th}\}

Prediksi kapan parameter performa mencapai ambang kegagalan.

Studi Kasus: Hydraulic Servo Actuator (HSA)

Sistem: 6 komponen utama, termasuk katup elektrohidrolik, 4 spool, dan 1 silinder hidraulik.

Parameter performa (pHSA):
Rasio atenuasi (dalam dB):

pHSA=−20log⁡(AHCAobj)p_{HSA} = -20 \log \left(\frac{A_{HC}}{A_{obj}}\right)

Ambang kegagalan ditetapkan di 3 dB.

Model degradasi:
Semua komponen mengalami keausan (wear), dimodelkan sebagai:

xi(t)=x0,i+Kitfix_i(t) = x_{0,i} + K_i t^{f_i}

dengan konstanta tergantung kekerasan material (Brinell), gaya gesek, tekanan, dimensi, dll.

Hasil:

• Prediksi TTF dengan mempertimbangkan failure collaboration (TTF_FC) = 3.04 × 10⁵ jam
• Prediksi TTF asumsi independensi (TTF_IND) = 4.23 × 10⁵ jam

Kesimpulan:
Model klasik melebih-lebihkan keandalan sistem karena tidak menghitung efek akumulatif dari degradasi tiap komponen.

BRAM: Metode Analisis Keandalan Baru

Masalah metode klasik:
Perlu dua lapisan simulasi Monte Carlo, sangat boros komputasi.

Solusi:
BRAM (Bisection-based Reliability Analysis Method) menggunakan langkah berikut:

1. Bangkitkan n sampel acak dari parameter input (x).
2. Hitung TTF tiap sampel menggunakan algoritma bisection.
3. Urutkan TTF → dapatkan fungsi distribusi empiris keandalan R(t).

Hasil Simulasi:

• Akurasi BRAM sebanding dengan double-loop, tapi:
  • Evaluasi model PoF:
    • BRAM: 6.845 kali
    • Double-loop: 153.000 kali

Efisiensi BRAM meningkat drastis, ideal untuk simulasi besar.

Prediksi Keandalan HSA Menggunakan BRAM

• Gunakan distribusi normal berdasarkan batas toleransi manufaktur.
• Simulasi dilakukan pada parameter lingkungan dan desain.
• Dihitung MTTF (Mean Time To Failure):
  • MTTF_FC: 3.04 × 10⁵ jam
  • MTTF_IND: 3.92 × 10⁵ jam

Perbedaan signifikan ini menunjukkan pentingnya mempertimbangkan failure collaboration untuk keputusan desain dan jadwal perawatan.

Kritik & Relevansi

Kekuatan:

• Model fisik yang realistis.
• Meningkatkan akurasi prediksi.
• Menghindari keputusan desain atau perawatan yang keliru.

Kelemahan:

• Butuh data fisik rinci dan domain knowledge tinggi.
• Perhitungan awal rumit, meskipun efisien di jangka panjang.

Relevansi industri:

• Cocok untuk sistem kritis seperti aerospace, militer, tenaga nuklir, dan transportasi otomatis.
• Potensial menjadi dasar prognostik kesehatan sistem (PHM) berbasis digital twin.

Kesimpulan: Meninggalkan Asumsi Lama

Artikel ini menunjukkan bahwa pendekatan PoF berbasis failure collaboration dan metode BRAM memberikan lompatan besar dalam akurasi prediksi keandalan sistem. Ketika interaksi antar komponen tidak lagi bisa diabaikan, model yang mengakomodasi kompleksitas ini menjadi satu-satunya jalan logis untuk pengembangan sistem teknik modern yang aman dan tahan lama.

Dalam dunia teknik yang makin kompleks, memahami bagaimana komponen bekerja bersama untuk gagal sama pentingnya dengan merancang mereka untuk sukses. Ini bukan hanya soal prediksi kegagalan, tapi menghindari kejutan di masa depan.

Sumber artikel : Zhiguo Zeng, Rui Kang, Yunxia Chen. Using PoF models to predict system reliability considering failure collaboration. Chinese Journal of Aeronautics 29 (2016) 1294–1301.

Pendahuluan: Risiko Industri di Era Ketidakpastian

Perkembangan industri kimia dan energi tidak hanya meningkatkan produktivitas, tetapi juga memperbesar potensi risiko, terutama dalam menghadapi bencana alam seperti gempa bumi. Tantangan utama bukan hanya menilai risiko saat ini, tetapi memprediksi bagaimana risiko berkembang seiring waktu, khususnya akibat penuaan (aging) komponen penghalang keselamatan seperti sistem sprinkler, katup pengaman, atau perlindungan tahan api.

Artikel ilmiah yang dibahas ini menawarkan pendekatan revolusioner yang menggabungkan Physics-of-Failure (PoF) dan Dynamic Bayesian Network (DBN) sebagai fondasi untuk membangun sistem penilaian risiko industri yang dinamis dan berkelanjutan.

Apa Itu PoF dan DBN dalam Konteks Keselamatan Industri?

• PoF adalah pendekatan berbasis sains yang mengkaji mekanisme degradasi fisik komponen, seperti korosi pada pipa atau keausan material tahan api.
• DBN adalah ekstensi dari Bayesian Network yang memodelkan perubahan probabilitas risiko dari waktu ke waktu, menjadikannya ideal untuk sistem industri yang terus berkembang.

Dengan menggabungkan keduanya, framework ini memungkinkan evaluasi fragilitas penghalang keselamatan sebagai fungsi waktu dan intensitas bencana, bukan hanya snapshot sesaat.

Struktur Framework PoF-DBN: Empat Langkah Kunci

1. Karakterisasi Sistem dan Bencana Alam
   Termasuk identifikasi magnitude dan frekuensi gempa, properti fisik tangki, dan kondisi awal penghalang keselamatan.
2. Definisi Struktur dan Parameter DBN
   Parameter diperoleh melalui algoritma Expectation Maximization berdasarkan simulasi 105 skenario kecelakaan.
3. Perhitungan Probabilitas Kegagalan Sistem dan LSIR (Location-Specific Individual Risk)
   Model Probit digunakan untuk menghitung kerentanan manusia terhadap paparan panas atau zat beracun.
4. Pembaruan Risiko Secara Berkala
   Model dievaluasi ulang saat sistem beroperasi seiring waktu atau ada data baru seperti perubahan frekuensi gempa atau kapasitas tangki.

Studi Kasus: Fasilitas Kimia yang Terpapar Gempa

Studi kasus ini berfokus pada sebuah fasilitas kimia yang memiliki dua tangki atmosferik (T1 dan T2) serta satu bejana bertekanan (P1). Fasilitas ini dirancang untuk memiliki masa pakai 50 tahun dan dilengkapi dengan lima penghalang keselamatan untuk melindungi dari potensi risiko. Penghalang pertama, yang diberi kode WDS, merupakan penghalang aktif yang ditujukan untuk tangki T1. Penghalang kedua, PFP, adalah penghalang pasif yang melindungi tangki T2. Selanjutnya, penghalang ketiga, PSV, adalah penghalang aktif yang berfungsi untuk tangki T1, T2, dan P1. Penghalang keempat, ETI, bersifat prosedural dan juga mencakup ketiga komponen tersebut. Terakhir, penghalang kelima, FWS, adalah penghalang aktif yang melindungi tangki T1 dan T2. Dengan adanya penghalang-penghalang ini, fasilitas kimia tersebut berupaya untuk meningkatkan keselamatan operasionalnya, terutama dalam menghadapi risiko seperti gempa.

Model Degradasi Nyata: Korosi, Cuaca, dan Waktu

1. WDS & FWS – Korosi Pipa:

• Dihitung menggunakan model korosi dari Van Der Schijff & Bodemann (2013).
• Fungsi PoF:

mc(t)=1−0.879⋅Cr(t)⋅tmc(t) = 1 - 0.879 \cdot Cr(t) \cdot t

• Fragilitas meningkat seiring menipisnya dinding pipa, menurunkan ketahanan seismik.

2. PFP – Penuaan Material:

• Penurunan kekuatan tarik akibat cuaca, menggunakan data akselerasi cuaca 600 jam = 30 tahun alami.
• Model fragilitas:

φPFP(t,PGA)=1−σs(t)−σT(PGA)σs(t)\varphi_{PFP}(t, PGA) = 1 - \frac{\sigma_s(t) - \sigma_T(PGA)}{\sigma_s(t)}

jika σs(t)≥σT\sigma_s(t) ≥ \sigma_T; jika tidak, φ=1\varphi = 1.

3. PSV – Tidak Terpengaruh Gempa, Tapi Mengalami Degradasi Umur:

• Menggunakan model Markov dengan empat tingkat degradasi.

Validasi & Evaluasi Probabilitas Kegagalan Sistem

Hasil simulasi yang dilakukan untuk validasi dan evaluasi probabilitas kegagalan sistem menunjukkan nilai Mean Squared Error (MSE) yang bervariasi untuk setiap tangki. Tangki T1 memiliki MSE sebesar 2.6 × 10⁻⁴, sedangkan T2 sedikit lebih tinggi dengan MSE 2.7 × 10⁻⁴. Di sisi lain, pompa P1 menunjukkan performa terbaik dengan MSE terendah, yaitu 2.1 × 10⁻⁴. Nilai MSE yang rendah ini mengindikasikan bahwa model Deep Belief Network (DBN) yang digunakan memiliki akurasi tinggi dalam memprediksi risiko kegagalan berdasarkan parameter waktu nyata. Dengan demikian, hasil ini memberikan keyakinan bahwa sistem yang diterapkan dapat diandalkan untuk memantau dan mengelola risiko kegagalan secara efektif.

LSIR: Mengukur Risiko Nyata Bagi Manusia

LSIR dihitung berdasarkan paparan panas (Q) dan waktu evakuasi (te), menggunakan model:

S=−14.9+2.56⋅ln⁡(6×10−3×Q1.33×te)S = -14.9 + 2.56 \cdot \ln(6 × 10^{-3} × Q^{1.33} × te)

Batas aman yang digunakan:
LSIR ≤ 4.3 × 10⁻⁵ kematian per tahun.

Simulasi Pembaruan Risiko & Dampaknya

1. Tahun ke-8:
Waktu tanggap ETI memburuk akibat relokasi tim darurat → risiko meningkat. Solusi: tambahkan PFP pada T1 & T2.

2. Tahun ke-14:
Peta seismik baru menunjukkan peningkatan frekuensi gempa. Solusi: pasang jangkar tangki yang menyerap energi.

3. Tahun ke-23:
Kapasitas tangki ditambah untuk strategi bisnis agresif. Solusi: tingkatkan sistem sprinkler menjadi ESFR untuk respon cepat.

Kritik, Kekuatan, dan Relevansi Industri

Kekuatan:

• Adaptif: Risiko bisa diperbarui sesuai kondisi nyata.
• Presisi tinggi: Integrasi PoF memastikan model berbasis kenyataan fisik.
• Dukungan pengambilan keputusan: Memberikan rekomendasi teknis berbasis data untuk desain ulang atau perawatan.

Tantangan:

• Model PoF tidak selalu tersedia untuk semua komponen.
• Proses pelatihan model memerlukan data dan komputasi tinggi.

Relevansi Industri:

• Cocok untuk industri kimia, minyak & gas, nuklir, dan energi.
• Potensial menjadi bagian dari sistem digital twin untuk prediksi real-time.

Kesimpulan

Pendekatan terintegrasi Physics-of-Failure dan Dynamic Bayesian Network merevolusi cara kita memandang manajemen risiko industri. Dengan kemampuan memodelkan degradasi komponen secara dinamis dan memperbarui penilaian risiko berdasarkan data terkini, framework ini membuka era baru dalam keselamatan industri berbasis prediksi dan adaptasi.

Studi kasus nyata menunjukkan bahwa dengan pengambilan tindakan yang tepat di waktu yang tepat—baik penambahan pelindung pasif, penggantian sistem tanggap darurat, atau optimalisasi desain ulang—risiko bisa dijaga tetap dalam batas aman meskipun sistem beroperasi selama puluhan tahun.

Sumber asli : S. Marchetti, F. Di Maio, E. Zio. “A Physics-of-Failure (PoF) model-based Dynamic Bayesian Network for considering the aging of safety barriers in the risk assessment of industrial facilities.” Journal of Loss Prevention in the Process Industries, 91 (2024): 105402.

Pendahuluan

Dalam era teknologi yang berkembang cepat, pendekatan tradisional dalam mengevaluasi keandalan komponen elektronik semakin usang. Artikel ini membedah pendekatan Physics-of-Failure (PoF), yang secara fundamental berbeda dengan metode statistik klasik dalam menganalisis keandalan sistem elektronik. Melalui pendekatan ilmiah yang berbasis model degradasi material dan pemahaman mekanisme kegagalan fisik, PoF membuka jalan menuju sistem elektronik yang lebih tahan lama, efisien, dan terpercaya.

Dari Statistik Menuju Sains: Mengapa PoF Penting?

Metode tradisional seperti MIL-HDBK-217, Telcordia, atau FIDES, masih digunakan secara luas, meskipun terbukti memiliki banyak keterbatasan. Data yang digunakan seringkali bersifat rata-rata, tidak kontekstual, dan tidak memperhitungkan faktor lingkungan serta kondisi penggunaan spesifik.

Sebaliknya, PoF memodelkan kegagalan dari akar penyebabnya, bukan dari gejala luarnya. Dengan meneliti bagaimana panas, kelembaban, tegangan, atau getaran merusak material dari waktu ke waktu, PoF mampu memprediksi waktu kegagalan (Time-to-Failure/Tf) secara lebih presisi.

Tahapan Kunci dalam Pendekatan Physics-of-Failure

1. Inputs dan Pengumpulan Data Produk

PoF dimulai dengan mengumpulkan data spesifik desain (material, dimensi), kondisi operasi (tegangan, arus, beban mekanik), dan lingkungan (kelembaban, suhu). Data ini menjadi dasar analisis berikutnya.

2. Analisis FMMEA (Failure Modes, Mechanisms, and Effects Analysis)

Metode ini mengurai sistem menjadi elemen fungsional, mengidentifikasi potensi mode kegagalan (seperti retak, penurunan tegangan), kondisi siklus hidup (produksi, penggunaan, transportasi), penyebab kegagalan, serta mekanisme kegagalan secara mikro.

Contoh nyata: retak pada solder BGA akibat siklus suhu tinggi, yang bisa dianalisis melalui mekanisme kelelahan material (fatigue).

Studi Kasus: Solder Fatigue pada BGA (Ball Grid Array)

Fatigue solder menjadi salah satu penyebab utama kegagalan elektronik. Untuk ini, digunakan model seperti Coffin-Manson yang memprediksi siklus hingga kegagalan berdasarkan strain range dan faktor-faktor lain.

Model (disederhanakan):

Nf=(Δε2εf)1/cN_f = \left( \frac{\Delta \varepsilon}{2\varepsilon_f} \right)^{1/c}

Contoh data dari artikel:

• ΔT (suhu siklus): –55 hingga 125 °C
• Jarak terminal (Ld): 16.97 mm (pada corner BGA)
• Strain fatigue life (Nf): 2.200 siklus untuk canary, 3.100 siklus untuk koneksi fungsional

Ini memberikan prognostic distance (PD5050) sebesar 900 siklus (indikator waktu peringatan dini sebelum kegagalan fungsi).

Model Kegagalan dalam PoF

Dalam pendekatan Physics-of-Failure (PoF), terdapat beberapa model umum yang digunakan untuk menganalisis mekanisme kegagalan pada komponen elektronik. Salah satunya adalah model elektromigrasi yang dijelaskan oleh Black’s Equation, di mana parameter kunci yang diperhatikan meliputi densitas arus dan suhu. Selanjutnya, untuk fenomena Time-Dependent Dielectric Breakdown, model yang digunakan adalah Fowler–Nordheim Exponential, yang mempertimbangkan tegangan, suhu, dan ketebalan oksida sebagai faktor penting. Selain itu, Hot-Carrier Injection dianalisis menggunakan Power Law, dengan arus puncak dan suhu sebagai parameter utama. Terakhir, untuk kegagalan pada solder, model Modified Coffin–Manson digunakan, yang berfokus pada rentang regangan, jumlah siklus, dan temperatur. Model-model ini memberikan kerangka kerja yang penting dalam memahami dan memprediksi kegagalan komponen elektronik, sehingga dapat meningkatkan keandalan dan umur pakai produk.

Virtual Qualification dan Pengujian

Dengan model kegagalan, produsen dapat melakukan virtual qualification—sebuah simulasi digital untuk memperkirakan apakah desain akan bertahan pada kondisi lapangan tanpa harus membuat prototipe fisik terlebih dahulu.

Contohnya adalah perangkat lunak SARA dari CALCE (University of Maryland), yang memodelkan papan sirkuit dan mengevaluasi umur komponen berdasarkan data desain dan beban lingkungan.

Canary dan Life Consumption Monitoring

Dalam konteks pemeliharaan prediktif, PoF digunakan dalam dua pendekatan:

1. Life Consumption Monitoring

Dengan menggunakan model kegagalan, sensor menilai akumulasi beban terhadap ambang batas kegagalan (damage index). Contoh:

Damage Total=∑(tappliedtavailable)\text{Damage Total} = \sum \left( \frac{t_{applied}}{t_{available}} \right)

2. Canary Prognostics

Komponen yang secara sengaja dirancang untuk gagal lebih dulu. Misalnya, 12 sudut solder pada BGA tidak digunakan secara fungsional tapi hanya untuk mendeteksi retak dini sebelum seluruh sistem rusak.

Uji Akselerasi dan Validasi Model

Accelerated testing membantu mempercepat proses pengujian dengan menaikkan frekuensi atau beban. Di sini, Acceleration Factor (AF) dihitung berdasarkan model kegagalan:

AF=tfieldttest=F(Lfield)F(Ltest)AF = \frac{t_{field}}{t_{test}} = \frac{F(L_{field})}{F(L_{test})}

Pentingnya pemahaman terhadap mekanisme kegagalan juga muncul dalam desain test: misalnya, jika gagal karena frekuensi tinggi, pengujian harus memperhitungkan siklus on/off, bukan hanya durasinya.

Aplikasi PoF di Industri Elektronik Modern

Dengan semakin kompleksnya sistem seperti SoC (System on Chip) dan SiP (System in Package), integrasi PoF menjadi semakin penting. Industri seperti aerospace, militer, hingga otomotif telah mengadopsi pendekatan ini untuk menghindari kegagalan mahal di lapangan.

Lebih jauh lagi, standar seperti JEDEC JEP122H memberikan panduan lengkap untuk parameter akselerasi dan mekanisme kegagalan umum di dunia semikonduktor.

Kritik dan Nilai Tambah

Kelebihan PoF:

• Memberikan prediksi kegagalan presisi berdasarkan desain dan kondisi spesifik.
• Efisiensi biaya jangka panjang melalui pengurangan kebutuhan pengujian fisik berulang.
• Memungkinkan monitoring kesehatan sistem secara real-time.

Kritik:

• Memerlukan investasi awal tinggi dalam riset dan pelatihan.
• Validitas model sangat bergantung pada akurasi data desain dan lingkungan.
• Belum semua mekanisme kegagalan memiliki model matematis mapan.

Kesimpulan

Physics-of-Failure bukan sekadar metode teknis, tetapi filosofi dalam merancang sistem elektronik yang tahan banting. Di tengah tekanan time-to-market dan kompleksitas desain, PoF memungkinkan produsen bergerak dari pendekatan reaktif menjadi proaktif, dari eksperimen fisik menuju simulasi prediktif. Integrasi PoF bukan hanya tentang menghindari kegagalan, tetapi tentang menciptakan keunggulan kompetitif melalui keandalan.

Sumber Asli : P. V. Varde and M. G. Pecht, Risk-Based Engineering, Springer Series in Reliability Engineering, 2018, Chapter 12: Physics-of-Failure Approach for Electronics.