Prinsip-prinsip rekayasa keandalan untuk insinyur pabrik
Semakin banyak manajer dan insinyur yang bertanggung jawab atas manufaktur dan kegiatan industri lainnya memasukkan fokus keandalan ke dalam rencana dan inisiatif strategis dan taktis mereka. Tren ini memengaruhi berbagai area fungsional, termasuk desain dan pengadaan mesin/sistem, operasi pabrik, dan pemeliharaan pabrik.
Dengan asal-usulnya di industri penerbangan, rekayasa keandalan, sebagai sebuah disiplin ilmu, secara historis difokuskan terutama untuk memastikan keandalan produk. Kini, metode ini digunakan untuk memastikan keandalan produksi pabrik dan peralatan manufaktur - sering kali sebagai pendorong lean manufacturing. Artikel ini memberikan pengantar tentang metode yang paling relevan dan praktis untuk rekayasa keandalan pabrik, termasuk:
- Perhitungan keandalan dasar untuk tingkat kegagalan, MTBF, ketersediaan, dll.
- Pengenalan distribusi eksponensial - landasan metode keandalan.
- Mengidentifikasi ketergantungan waktu kegagalan dengan menggunakan sistem Weibull yang serbaguna.
- Mengembangkan sistem pengumpulan data lapangan yang efektif.
Sejarah rekayasa keandalan
Asal-usul bidang rekayasa keandalan, setidaknya permintaan untuk itu, dapat ditelusuri kembali ke titik di mana manusia mulai bergantung pada mesin untuk mata pencahariannya. Noria, misalnya, adalah pompa kuno yang dianggap sebagai mesin canggih pertama di dunia. Memanfaatkan energi hidrolik dari aliran sungai atau aliran air, Noria menggunakan ember untuk memindahkan air ke palung, jembatan, dan perangkat distribusi lainnya untuk mengairi ladang dan menyediakan air bagi masyarakat.
Jika komunitas Noria gagal, masyarakat yang bergantung pada Noria untuk pasokan makanan akan terancam. Kelangsungan hidup selalu menjadi sumber motivasi yang besar untuk keandalan dan ketergantungan.
Meskipun asal-usul permintaannya sudah ada sejak lama, rekayasa keandalan sebagai disiplin teknis benar-benar berkembang seiring dengan pertumbuhan penerbangan komersial setelah Perang Dunia II. Para manajer perusahaan industri penerbangan dengan cepat menyadari bahwa kecelakaan berdampak buruk bagi bisnis. Karen Bernowski, editor Quality Progress, mengungkapkan dalam salah satu editorialnya tentang penelitian tentang nilai media dari kematian melalui berbagai cara, yang dilakukan oleh profesor statistik MIT, Arnold Barnett, dan dilaporkan pada tahun 1994.
Barnett mengevaluasi jumlah artikel berita halaman depan New York Times per 1.000 kematian dengan berbagai cara. Dia menemukan bahwa kematian terkait kanker menghasilkan 0,02 artikel berita halaman depan per 1.000 kematian, pembunuhan menghasilkan 1,7 per 1.000 kematian, AIDS menghasilkan 2,3 per 1.000 kematian, dan kecelakaan terkait penerbangan menghasilkan 138,2 artikel per 1.000 kematian!
Biaya dan sifat kecelakaan terkait penerbangan yang tinggi membantu memotivasi industri penerbangan untuk berpartisipasi secara besar-besaran dalam pengembangan disiplin teknik keandalan. Demikian juga, karena sifat kritis peralatan militer dalam pertahanan, teknik rekayasa keandalan telah lama digunakan untuk memastikan kesiapan operasional. Banyak standar kami di bidang rekayasa keandalan adalah Standar MIL atau berasal dari kegiatan militer.
Apa itu rekayasa keandalan?
Rekayasa keandalan berhubungan dengan umur panjang dan ketergantungan suku cadang, produk, dan sistem. Lebih tepatnya, ini adalah tentang mengendalikan risiko. Rekayasa keandalan menggabungkan berbagai macam teknik analisis yang dirancang untuk membantu para insinyur memahami mode dan pola kegagalan suku cadang, produk, dan sistem ini. Secara tradisional, bidang rekayasa keandalan berfokus pada keandalan produk dan jaminan ketergantungan.
Dalam beberapa tahun terakhir, organisasi yang menggunakan mesin dan aset fisik lainnya dalam pengaturan produksi telah mulai menerapkan berbagai prinsip rekayasa keandalan untuk tujuan keandalan produksi dan jaminan ketergantungan.
Semakin banyak organisasi produksi yang menggunakan teknik rekayasa keandalan seperti Reliability-Centered Maintenance (RCM), termasuk analisis mode dan efek kegagalan (dan kekritisan) (FMEA, FMECA), analisis akar masalah (RCA), pemeliharaan berbasis kondisi, skema perencanaan kerja yang lebih baik, dll. Organisasi-organisasi yang sama mulai mengadopsi strategi desain dan pengadaan berbasis biaya siklus hidup, skema manajemen perubahan, serta alat dan teknik canggih lainnya untuk mengendalikan akar penyebab keandalan yang buruk.
Namun, adopsi aspek-aspek yang lebih kuantitatif dari rekayasa keandalan oleh komunitas jaminan keandalan produksi berjalan lambat. Hal ini sebagian disebabkan oleh kompleksitas teknik yang dirasakan dan sebagian lagi disebabkan oleh kesulitan memperoleh data yang berguna.
Aspek kuantitatif dari rekayasa keandalan mungkin, di permukaan, tampak rumit dan menakutkan. Namun pada kenyataannya, pemahaman yang relatif mendasar tentang metode yang paling mendasar dan dapat diterapkan secara luas dapat memungkinkan insinyur keandalan pabrik untuk mendapatkan pemahaman yang lebih jelas tentang di mana masalah terjadi, sifatnya, dan dampaknya terhadap proses produksi - setidaknya dalam pengertian kuantitatif.
Jika digunakan dengan benar, alat dan metode rekayasa keandalan kuantitatif memungkinkan rekayasa keandalan pabrik untuk menerapkan kerangka kerja yang disediakan oleh RCM, RCA, dll., Secara lebih efektif, dengan menghilangkan beberapa tebakan yang terlibat dalam penerapannya. Namun, para insinyur harus pandai dalam penerapan metode tersebut.
Mengapa? Konteks operasi dan lingkungan proses produksi menggabungkan lebih banyak variabel daripada dunia jaminan keandalan produk yang bersifat satu dimensi. Hal ini disebabkan oleh pengaruh gabungan dari rekayasa desain, pengadaan, produksi/operasi, pemeliharaan, dll., Dan kesulitan dalam menciptakan pengujian dan eksperimen yang efektif untuk memodelkan aspek multidimensi dari lingkungan produksi yang khas.
Meskipun ada peningkatan kesulitan dalam menerapkan metode keandalan kuantitatif di lingkungan produksi, tetap bermanfaat untuk mendapatkan pemahaman yang baik tentang alat bantu dan menerapkannya jika diperlukan. Data kuantitatif membantu mendefinisikan sifat dan besarnya masalah/peluang, yang memberikan visi keandalan dalam penerapan alat bantu rekayasa keandalan lainnya.
Artikel ini akan memberikan pengantar metode rekayasa keandalan paling dasar yang dapat diterapkan oleh insinyur pabrik yang tertarik dengan jaminan keandalan produksi. Ini mengandaikan pemahaman dasar tentang aljabar, teori probabilitas, dan statistik univariat berdasarkan distribusi Gaussian (normal) (misalnya ukuran kecenderungan sentral, ukuran dispersi dan variabilitas, interval kepercayaan, dll.).
Perlu dijelaskan bahwa makalah ini adalah pengantar singkat untuk metode reliabilitas. Ini sama sekali bukan survei komprehensif tentang metode rekayasa keandalan, dan juga bukan metode yang baru atau tidak konvensional. Metode yang dijelaskan di sini secara rutin digunakan oleh para insinyur keandalan dan merupakan konsep pengetahuan inti bagi mereka yang mengejar sertifikasi profesional oleh American Society for Quality (ASQ) sebagai insinyur keandalan (CRE).
Beberapa buku tentang rekayasa keandalan tercantum dalam daftar pustaka artikel ini. Penulis artikel ini telah menemukan Reliability Methods for Engineers oleh K.S. Krishnamoorthi dan Reliability Statistics oleh Robert Dovich sebagai referensi yang sangat berguna dan mudah digunakan tentang masalah metode rekayasa keandalan. Keduanya diterbitkan oleh ASQ Press.
Sebelum membahas metode, Anda harus membiasakan diri dengan nomenklatur rekayasa keandalan. Untuk kenyamanan, daftar istilah dan definisi kunci yang sangat ringkas disediakan di lampiran artikel ini. Untuk definisi yang lebih lengkap tentang istilah dan nomenklatur keandalan, lihat MIL-STD-721 dan standar terkait lainnya. Definisi yang terdapat dalam lampiran berasal dari MIL-STD-721.
Konsep matematika dasar dalam rekayasa keandalan
Banyak konsep matematika yang diterapkan pada rekayasa keandalan, terutama dari bidang probabilitas dan statistik. Demikian pula, banyak distribusi matematika dapat digunakan untuk berbagai tujuan, termasuk distribusi Gaussian (normal), distribusi log-normal, distribusi Rayleigh, distribusi eksponensial, distribusi Weibull, dan banyak lagi.
Untuk tujuan pengenalan singkat ini, kami akan membatasi diskusi kami pada distribusi eksponensial dan distribusi Weibull, dua distribusi yang paling banyak diterapkan pada rekayasa keandalan. Untuk kepentingan singkat dan sederhana, konsep matematika penting seperti distribusi goodness-of-fit dan interval kepercayaan telah dikecualikan.
Tingkat kegagalan dan waktu rata-rata antara/menuju kegagalan (MTBF/MTTF)
Tujuan pengukuran keandalan kuantitatif adalah untuk menentukan tingkat kegagalan relatif terhadap waktu dan untuk memodelkan tingkat kegagalan tersebut dalam distribusi matematis dengan tujuan untuk memahami aspek kuantitatif kegagalan. Blok bangunan yang paling dasar adalah laju kegagalan, yang diperkirakan menggunakan persamaan berikut:
Di mana:
- λ = Laju kegagalan (terkadang disebut sebagai laju bahaya)
- T = Total waktu berjalan/siklus/mil/dll. selama periode investigasi untuk item yang gagal dan yang tidak gagal.
- r = Jumlah total kegagalan yang terjadi selama periode investigasi.
Misalnya, jika lima motor listrik beroperasi selama total waktu kolektif 50 tahun dengan lima kegagalan fungsional selama periode tersebut, maka tingkat kegagalannya adalah 0,1 kegagalan per tahun.
Konsep lain yang sangat mendasar adalah waktu rata-rata antara/menuju kegagalan (MTBF/MTTF). Satu-satunya perbedaan antara MTBF dan MTTF adalah kami menggunakan MTBF ketika mengacu pada item yang diperbaiki ketika mengalami kegagalan. Untuk barang yang dibuang dan diganti begitu saja, kami menggunakan istilah MTTF. Perhitungannya sama.
Perhitungan dasar untuk memperkirakan waktu rata-rata antara kegagalan (MTBF) dan waktu rata-rata menuju kegagalan (MTTF), keduanya merupakan ukuran kecenderungan sentral, hanyalah kebalikan dari fungsi tingkat kegagalan. Hal ini dihitung dengan menggunakan persamaan berikut.
Di mana:
- θ = Waktu rata-rata antara/menuju kegagalan
- T = Total waktu berjalan/siklus/mil/dll. selama periode investigasi untuk item yang gagal dan yang tidak gagal.
- r = Jumlah total kegagalan yang terjadi selama periode investigasi.
MTBF untuk contoh motor listrik industri kami adalah 10 tahun, yang merupakan kebalikan dari tingkat kegagalan motor. Secara kebetulan, kami akan memperkirakan MTBF untuk motor listrik yang dibangun kembali setelah mengalami kegagalan. Untuk motor yang lebih kecil yang dianggap sekali pakai, kami akan menyatakan ukuran kecenderungan sentral sebagai MTTF.
Tingkat kegagalan adalah komponen dasar dari banyak perhitungan keandalan yang lebih kompleks. Bergantung pada desain mekanik/listrik, konteks operasi, lingkungan dan/atau efektivitas pemeliharaan, laju kegagalan mesin sebagai fungsi waktu dapat menurun, tetap konstan, meningkat secara linier, atau meningkat secara geometris (Gambar 1). Pentingnya tingkat kegagalan vs. waktu akan dibahas secara lebih rinci nanti.
sumber: reliableplant.com
Gambar 1. skenario tingkat kegagalan vs waktu yang berbeda kurva 'bak mandi'
Individu yang hanya menerima pelatihan dasar dalam probabilitas dan statistik mungkin paling akrab dengan distribusi Gaussian atau normal, yang dikaitkan dengan kurva kepadatan probabilitas berbentuk lonceng yang sudah dikenal. Distribusi Gaussian umumnya dapat diterapkan pada kumpulan data di mana dua ukuran tendensi sentral yang paling umum, mean dan median, kurang lebih sama.
Anehnya, terlepas dari keserbagunaan distribusi Gaussian dalam memodelkan probabilitas untuk berbagai fenomena mulai dari nilai tes standar hingga berat lahir bayi, distribusi ini bukanlah distribusi yang dominan yang digunakan dalam rekayasa keandalan. Distribusi Gaussian memiliki tempatnya dalam mengevaluasi karakteristik kegagalan mesin dengan mode kegagalan yang dominan, tetapi distribusi utama yang digunakan dalam rekayasa keandalan adalah distribusi eksponensial.
Ketika mengevaluasi keandalan dan karakteristik kegagalan mesin, kita harus mulai dengan kurva “bak mandi” yang sering difitnah, yang mencerminkan laju kegagalan vs waktu (Gambar 2). Dalam konsepnya, kurva bak mandi secara efektif menunjukkan tiga karakteristik laju kegagalan dasar mesin: menurun, konstan, atau meningkat. Sayangnya, kurva bak mandi telah dikritik keras dalam literatur teknik pemeliharaan karena gagal memodelkan secara efektif karakteristik laju kegagalan untuk sebagian besar mesin di pabrik industri, yang umumnya berlaku pada tingkat makro.
Sebagian besar mesin menghabiskan masa pakainya pada masa awal kehidupan, atau kematian bayi, dan/atau daerah laju kegagalan konstan dari kurva bak mandi. Kami jarang melihat kegagalan berbasis waktu yang sistemik pada mesin industri. Terlepas dari keterbatasannya dalam memodelkan tingkat kegagalan mesin industri pada umumnya, kurva bak mandi adalah alat yang berguna untuk menjelaskan konsep dasar rekayasa keandalan.
sumber: reliableplant.com
Gambar 2. Kurva 'bak mandi' yang banyak difitnah
Tubuh manusia adalah contoh yang sangat baik dari sistem yang mengikuti kurva bak mandi. Manusia, dan spesies organik lainnya dalam hal ini, cenderung mengalami tingkat kegagalan yang tinggi (kematian) selama tahun-tahun pertama kehidupannya, terutama beberapa tahun pertama, tetapi angka ini menurun seiring bertambahnya usia. Dengan asumsi seseorang mencapai pubertas dan bertahan hidup hingga masa remajanya, tingkat kematiannya menjadi cukup konstan dan tetap di sana hingga penyakit yang bergantung pada usia (waktu) mulai meningkatkan tingkat kematian (keausan).
Banyak pengaruh yang memengaruhi tingkat kematian, termasuk perawatan prenatal dan nutrisi ibu, kualitas dan ketersediaan perawatan medis, lingkungan dan nutrisi, pilihan gaya hidup dan, tentu saja, kecenderungan genetik. Faktor-faktor ini dapat diibaratkan sebagai faktor-faktor yang memengaruhi usia mesin. Desain dan pengadaan analog dengan kecenderungan genetik; instalasi dan commissioning analog dengan perawatan prenatal dan nutrisi ibu; dan pilihan gaya hidup serta ketersediaan perawatan medis analog dengan efektivitas pemeliharaan dan kontrol proaktif atas kondisi operasi.
Distribusi eksponensial
Distribusi eksponensial, formula prediksi keandalan yang paling dasar dan banyak digunakan, memodelkan mesin dengan tingkat kegagalan konstan, atau bagian datar dari kurva bak mandi. Sebagian besar mesin industri menghabiskan sebagian besar masa pakainya dalam tingkat kegagalan konstan, sehingga dapat diterapkan secara luas. Di bawah ini adalah persamaan dasar untuk memperkirakan keandalan mesin yang mengikuti distribusi eksponensial, di mana laju kegagalannya konstan sebagai fungsi waktu.
Di mana
- R(t) = Perkiraan keandalan untuk suatu periode waktu, siklus, mil, dll. (t).
- e = Basis dari logaritma natural (2.718281828)
- λ = Tingkat kegagalan (1/MTBF, atau 1/MTTF)
Dalam contoh motor listrik kita, jika Anda mengasumsikan tingkat kegagalan yang konstan, kemungkinan menjalankan motor selama enam tahun tanpa kegagalan, atau keandalan yang diproyeksikan, adalah 55 persen. Ini dihitung sebagai berikut:
- R(6) = 2.718281828-(0.1* 6)
- R(6) = 0.5488 = ~ 55%
Dengan kata lain, setelah enam tahun, sekitar 45% dari populasi motor identik yang beroperasi dalam aplikasi yang identik secara probabilistik dapat diperkirakan akan mengalami kegagalan. Perlu ditegaskan kembali pada titik ini bahwa perhitungan ini memproyeksikan probabilitas untuk suatu populasi. Setiap individu tertentu dari populasi dapat gagal pada hari pertama operasi sementara individu lain dapat bertahan selama 30 tahun. Itulah sifat proyeksi keandalan probabilistik.
Karakteristik dari distribusi eksponensial adalah MTBF terjadi pada titik di mana keandalan yang dihitung adalah 36,78%, atau titik di mana 63,22% mesin telah gagal. Dalam contoh motor kami, setelah 10 tahun, 63,22% motor dari populasi motor identik yang melayani aplikasi yang sama dapat diperkirakan akan gagal. Dengan kata lain, tingkat kelangsungan hidup adalah 36,78% dari populasi.
Kami sering berbicara tentang umur bantalan yang diproyeksikan sebagai umur L10. Ini adalah titik waktu di mana 10% dari populasi bearing diperkirakan akan gagal (tingkat kelangsungan hidup 90%). Pada kenyataannya, hanya sebagian kecil dari bearing yang benar-benar bertahan hingga titik L10. Kami telah menerima itu sebagai umur obyektif untuk sebuah bearing ketika mungkin kita harus mengarahkan pandangan kita pada titik L63.22, yang menunjukkan bahwa bearing kita bertahan, rata-rata, hingga MTBF yang diproyeksikan - dengan asumsi, tentu saja, bearing mengikuti distribusi eksponensial. Kita akan membahas masalah itu nanti di bagian analisis Weibull dalam artikel ini.
Fungsi kepadatan probabilitas (pdf), atau distribusi umur, adalah persamaan matematika yang mendekati distribusi frekuensi kegagalan. Ini adalah pdf, atau distribusi frekuensi hidup, yang menghasilkan kurva berbentuk lonceng yang sudah dikenal dalam distribusi Gaussian, atau normal. Di bawah ini adalah pdf untuk distribusi eksponensial.
Dimana
- pdf(t) = Distribusi frekuensi hidup untuk waktu tertentu (t)
- e = Basis dari logaritma natural (2.718281828)
- λ = Laju kegagalan (1/MTBF, atau 1/MTTF)
- Dalam contoh motor listrik kita, kemungkinan kegagalan aktual pada tiga tahun dihitung sebagai berikut:
- pdf(3) = 01. * 2.718281828-(0.1* 3)
- pdf(3) = 0.1 * 0.7408
- pdf(3) = 0,7408 = ~ 7,4%.
Dalam contoh kita, jika kita mengasumsikan tingkat kegagalan konstan, yang mengikuti distribusi eksponensial, distribusi umur, atau pdf untuk motor listrik industri, dinyatakan dalam Gambar 3. Jangan bingung dengan sifat penurunan fungsi pdf. Ya, laju kegagalan konstan, tetapi pdf secara matematis mengasumsikan kegagalan tanpa penggantian, sehingga populasi yang dapat mengalami kegagalan terus berkurang - secara asimtotik mendekati nol.
sumber: reliableplant.com
Gambar 3. fungsi kepadatan probabilitas (pdf)
Fungsi distribusi kumulatif (cdf) hanyalah jumlah kumulatif kegagalan yang mungkin terjadi selama periode waktu tertentu. Untuk distribusi eksponensial, tingkat kegagalan adalah konstan, sehingga tingkat relatif di mana komponen yang gagal ditambahkan ke cdf tetap konstan. Namun, ketika populasi menurun sebagai akibat dari kegagalan, jumlah aktual kegagalan yang diperkirakan secara matematis menurun sebagai fungsi dari populasi yang menurun. Sama seperti pdf yang secara asimtotik mendekati nol, cdf secara asimtotik mendekati satu (Gambar 4).
sumber: reliableplant.com
Gambar 4. Laju kegagalan dan fungsi distribusi kumulatif
Bagian laju kegagalan yang menurun dari kurva bak mandi, yang sering disebut daerah kematian bayi, dan daerah keausan akan dibahas pada bagian berikut yang membahas distribusi Weibull serbaguna.
Distribusi weibull
Awalnya dikembangkan oleh Wallodi Weibull, seorang ahli matematika Swedia, analisis Weibull merupakan distribusi yang paling serbaguna yang digunakan oleh para insinyur keandalan. Meskipun disebut distribusi, ini sebenarnya adalah alat yang memungkinkan insinyur keandalan untuk pertama-tama mengkarakterisasi fungsi kepadatan probabilitas (distribusi frekuensi kegagalan) dari sekumpulan data kegagalan untuk mengkarakterisasi kegagalan sebagai awal masa pakai, konstan (eksponensial) atau aus (Gaussian atau log normal) dengan memplot data waktu ke kegagalan pada kertas plotting khusus dengan log waktu / siklus / mil ke kegagalan yang diplotkan pada sumbu X berskala log versus persen kumulatif populasi yang diwakili oleh setiap kegagalan pada sumbu Y berskala log (Gambar 5).
sumber: reliableplant.com
Gambar 5. Plot Weibull Sederhana - Beranotasi
Setelah diplot, kemiringan linier dari kurva yang dihasilkan adalah variabel penting, yang disebut parameter bentuk, diwakili oleh â, yang digunakan untuk menyesuaikan distribusi eksponensial agar sesuai dengan sejumlah besar distribusi kegagalan. Secara umum, jika koefisien â, atau parameter bentuk, kurang dari 1,0, distribusi tersebut menunjukkan kegagalan kehidupan awal, atau kematian bayi. Jika parameter bentuk melebihi sekitar 3,5, data bergantung pada waktu dan mengindikasikan kegagalan keausan.
Kumpulan data ini biasanya mengasumsikan distribusi Gaussian, atau normal. Ketika koefisien â meningkat di atas ~ 3,5, distribusi berbentuk lonceng akan mengencang, menunjukkan peningkatan kurtosis (puncak di bagian atas kurva) dan deviasi standar yang lebih kecil. Banyak set data akan menunjukkan dua atau bahkan tiga wilayah yang berbeda.
Merupakan hal yang umum bagi para insinyur keandalan untuk memplot, misalnya, satu kurva yang mewakili parameter bentuk selama proses dan kurva lain untuk mewakili tingkat kegagalan yang konstan atau meningkat secara bertahap. Dalam beberapa kasus, kemiringan linier ketiga yang berbeda muncul untuk mengidentifikasi bentuk ketiga, yaitu daerah keausan.
Dalam kasus ini, pdf dari data kegagalan sebenarnya mengasumsikan bentuk kurva bak mandi yang sudah dikenal (Gambar 6). Namun, sebagian besar peralatan mekanis yang digunakan di pabrik, menunjukkan daerah kematian bayi dan daerah laju kegagalan yang konstan atau meningkat secara bertahap. Jarang sekali ada kurva yang menunjukkan keausan yang muncul. Umur karakteristik, atau η (huruf kecil Yunani “Eta”), adalah perkiraan Weibull dari MTBF. Ini selalu merupakan fungsi dari waktu, jarak tempuh atau siklus di mana 63,21% unit yang dievaluasi mengalami kegagalan, yang merupakan MTBF/MTTF untuk distribusi eksponensial.
Disadur dari: reliableplant.com