Bagaimana cara meningkatkan akurasi prediksi keandalan sistem yang terdiri dari banyak komponen saling bergantung? Selama ini, pendekatan berbasis Physics-of-Failure (PoF) mengasumsikan bahwa setiap komponen bekerja secara independen. Namun dalam dunia nyata, komponen sering bekerja secara kolaboratif, dan kerusakan satu bagian dapat mempercepat kerusakan bagian lainnya. Paper ini memperkenalkan konsep failure collaboration (kolaborasi kegagalan) dan mengusulkan model prediktif berbasis PoF yang menggabungkan ketergantungan antar-komponen untuk prediksi yang lebih realistis.
Penelitian ini dilakukan oleh Zhiguo Zeng, Rui Kang, dan Yunxia Chen, dan telah diterapkan secara nyata pada sistem Hydraulic Servo Actuator (HSA)—suatu perangkat kunci dalam sistem kendali hidraulik.
Mengapa Model Tradisional Tidak Cukup Akurat?
Model tradisional seperti MIL-HDBK-217F dan PoF konvensional berasumsi bahwa setiap komponen gagal secara independen. Dalam pendekatan ini:
- Setiap komponen memiliki Time To Failure (TTF) sendiri.
- Sistem dianggap gagal saat komponen pertama gagal.
- Tidak mempertimbangkan pengaruh satu komponen terhadap komponen lain.
Namun, pada banyak sistem nyata, komponen saling bergantung. Misalnya:
- Dalam pembagi daya, perubahan impedansi X₂ dapat mengubah ambang batas kegagalan X₁.
- Dalam reaktor nuklir (kasus Fukushima), kegagalan sistem utama dan cadangan terjadi karena penyebab umum (tsunami).
Konsep Baru: Failure Collaboration
Failure collaboration adalah ketergantungan yang timbul akibat kolaborasi beberapa komponen dalam menjalankan fungsi sistem. Kegagalan satu komponen memengaruhi ambang kegagalan komponen lainnya.
Studi Awal: Pembagi Daya Sederhana
- Komponen: dua impedansi X₁ dan X₂.
- Fungsi sistem bergantung pada rasio antara X₁ dan X₂.
- Kerusakan X₁ terjadi lebih cepat jika X₂ mengalami degradasi, karena ambang batasnya berubah.
Kesimpulan: TTF X₁ bukan nilai tetap, melainkan dinamis dan tergantung pada kondisi X₂.
Model PoF Baru dengan Kolaborasi Kegagalan
Empat Langkah Membangun Model Failure Behavior:
- Bangun Physical Functional Model (PFM)
Contoh: PSpice untuk elektronik, AMESim untuk sistem hidrolik - Identifikasi parameter degradasi sensitif (zd)
Gunakan FMMEA dan analisis sensitivitas - Gunakan model PoF untuk setiap zd
Misalnya model wear, crack, fatigue - Gabungkan PFM dan PoF model
Prediksi pS(t) sebagai parameter performa sistem yang berubah terhadap waktu
Contoh Persamaan:
- pS = fPFM(z)
- zd dimodelkan oleh xi(t), lalu pS dimodelkan oleh fp(x,t)
- TTF ditentukan saat pS ≥ pth
Studi Kasus Nyata: Hydraulic Servo Actuator (HSA)
Deskripsi Sistem:
- Terdiri dari 6 komponen (servo valve, 4 spool, dan silinder)
- Semua komponen mengalami degradasi melalui mekanisme wear
- Kinerja sistem diukur dengan parameter attenuation ratio (dB)
- Kegagalan terjadi jika pHSA ≥ 3 dB
Hasil Prediksi TTF:
- Model baru (dengan failure collaboration):
TTF = 3.04 × 10⁵ jam - Model tradisional (independen):
TTF = 4.23 × 10⁵ jam
Kesimpulan:
- Model tradisional terlalu optimis
- Model baru mempertimbangkan efek gabungan degradasi 6 komponen
- Prediksi menjadi lebih realistis dan konservatif, cocok untuk sistem kritis
Metode Baru: Bisection-based Reliability Analysis Method (BRAM)
Mengapa BRAM?
- Alternatif dari Monte Carlo dua loop yang berat secara komputasi
- Lebih cepat dengan akurasi yang tetap tinggi
- Digabungkan dengan failure behavior model untuk estimasi reliabilitas secara efisien
Langkah BRAM:
- Bangkitkan n sampel acak dari parameter degradasi
- Gunakan algoritma bisection untuk menghitung TTF tiap sampel
- Urutkan hasil TTF → hitung R(t) = i/n
Hasil:
- BRAM menghasilkan kurva reliabilitas mirip dengan metode dua-loop
- Tapi hanya butuh 4% dari total perhitungan model tradisional
Perbandingan Keandalan: Tradisional vs Kolaboratif
Perbandingan antara pendekatan Physics-of-Failure (PoF) konvensional dan PoF kolaboratif menunjukkan bahwa meskipun model konvensional menghasilkan nilai Mean Time To Failure (MTTF) yang lebih tinggi, yaitu 392.000 jam, pendekatan tersebut memiliki keterbatasan dalam merepresentasikan kondisi nyata sistem. Sebaliknya, PoF kolaboratif, dengan MTTF sebesar 304.000 jam, menawarkan realisme yang jauh lebih tinggi dan efisiensi komputasi yang lebih baik. Kurva reliabilitas dari model kolaboratif secara konsisten berada di bawah kurva model tradisional, yang berarti model ini lebih konservatif dan aman untuk perancangan sistem-sistem kritis. Selain itu, pendekatan kolaboratif terbukti lebih efektif dalam mengidentifikasi penurunan performa secara kumulatif, menjadikannya pilihan yang lebih tepat dalam konteks pemeliharaan prediktif dan manajemen risiko operasional.
Implikasi Industri
Kapan Model Ini Cocok Digunakan?
- Sistem dengan komponen saling tergantung
- Aplikasi dirgantara, nuklir, otomotif, dan medis
- Situasi dengan data kegagalan terbatas, tapi ada pemahaman fisika degradasi
Manfaat:
- Desain sistem yang lebih tahan lama
- Pemeliharaan prediktif lebih akurat
- Penilaian risiko berbasis kondisi nyata
Kritik & Saran
Kelebihan Model:
- Akurasi tinggi
- Tidak bergantung pada data historis besar
- Dapat diintegrasikan dengan simulasi numerik & software PFM
Kekurangan:
- Perlu pemodelan fisik komponen yang rinci
- Model degradasi tiap komponen harus tersedia
- Tidak mempertimbangkan interaksi antar failure mechanisms (misalnya crack + corrosion)
Saran Pengembangan Selanjutnya:
- Tambahkan interaksi antar mekanisme kegagalan (multi-mechanism)
- Integrasi dengan AI dan data lapangan real-time
- Visualisasi performa sistem dari model untuk pemantauan online
Kesimpulan: Model Realistis untuk Dunia Nyata
Model prediksi keandalan berbasis Physics-of-Failure dengan kolaborasi kegagalan memberikan lompatan akurasi dan efisiensi bagi sistem teknis kompleks. Tidak lagi bergantung pada asumsi independen yang menyederhanakan, pendekatan ini meniru realitas operasi dan interaksi antar-komponen.
Dalam dunia yang semakin bergantung pada keandalan sistem teknis, model ini menjadi landasan strategis untuk desain, perawatan, dan prediksi masa pakai sistem industri.
Sumber Asli: Zhiguo Zeng, Rui Kang, Yunxia Chen. Using PoF models to predict system reliability considering failure collaboration. Chinese Journal of Aeronautics, 2016.