Transformasi Industri Lewat Digital Twin
Dalam dekade terakhir, istilah digital twin makin sering muncul di diskusi tentang Industry 4.0. Digital twin adalah kembaran digital dari sistem fisik yang terhubung lewat data sensor dan model matematis, sehingga bisa mereplikasi perilaku, kondisi, bahkan potensi kerusakan dari sistem nyata. Paper karya Yakhni et al. (2022) berjudul “Design of a Digital Twin for an Industrial Vacuum Process: A Predictive Maintenance Approach” (doi.org/10.3390/machines10080686) ngebahas penerapan digital twin buat predictive maintenance alias pemeliharaan prediktif di sistem ventilasi industri.
Kenapa ini penting? Karena di industri, terutama manufaktur, downtime akibat kerusakan mesin bisa bikin kerugian gede. Bayangin kalau kipas atau motor di pabrik kayu mati mendadak, bukan cuma debu berhamburan, tapi seluruh lini produksi bisa terganggu. Di sinilah digital twin masuk: bikin simulasi digital yang bisa mendeteksi tanda awal kerusakan, kasih alarm sebelum mesin bener-bener rusak, dan pada akhirnya menghemat biaya serta waktu.
Kontribusi Penelitian
Paper ini menyumbang hal-hal penting yang langsung relevan ke dunia industri:
- Membangun digital twin dari sistem fan/motor nyata di Municipal Technical Center (MTC) Poitiers, Prancis.
- Menggunakan Motor Current Signature Analysis (MCSA), yaitu metode analisis arus motor buat deteksi fault (fault detection = identifikasi kerusakan).
- Memakai Concordia Transform dan Fast Fourier Transform (FFT) buat nge-trace frekuensi spesifik yang nunjukin kerusakan.
- Membuat protokol diagnostik berbasis statistik, jadi bukan sekadar simulasi, tapi ada alarm otomatis buat nentuin kapan mesin masuk kondisi bermasalah.
Buat industri, kontribusi ini berarti mereka bisa punya alat monitoring kesehatan mesin yang akurat tanpa perlu pasang sensor mahal kayak accelerometer getaran. Cukup manfaatin sinyal arus listrik yang udah ada.
Deskripsi Sistem Fisik
Sistem yang dipelajari dalam penelitian ini adalah fan/motor system, yaitu gabungan antara motor induksi (induction motor, IM) dan fan industri.
Detailnya:
- Motor induksi tiga fasa, 30 kW, 400V, 51.6 A, 2950 rpm.
- Transmisi mekanik pake dua pulley, dihubungin dengan tiga sabuk V-belt panjang 2300 mm.
- Fan punya diameter 45 mm, panjang 80 mm, dan 8 bilah baja.
- Poros ditopang dua bearing tipe 22210 EK.
👉 Relevansi nyata: Sistem ini bukan contoh buatan, tapi bener-bener dipakai di MTC buat ekstraksi debu kayu dari mesin pertukangan. Artinya, model ini langsung berakar di dunia nyata, bukan sekadar teori.
Pengembangan Digital Twin
Model Matematis
Digital twin dibuat dengan pemodelan matematis berbasis hukum Newton. Sistem dianggap punya tiga derajat kebebasan: pulley 1, pulley 2, dan fan. Tiap komponen punya persamaan gerak sendiri, misalnya torsi elektromagnetik dari motor (Te), kekakuan sabuk (Kb), kekakuan poros (Ks), dan friksi bearing (Br).
Simulasi Kerusakan
Kerusakan atau fault dimodelkan sebagai tambahan torsi sinusoidal dengan frekuensi tertentu. Jenis kerusakan yang dimodelkan antara lain:
- Bearing defect (kerusakan bantalan)
- Broken rotor bar (rotor patah)
- Belt defect (sabuk longgar atau aus)
- Misalignment (poros tidak sejajar)
- Fan imbalance (ketidakseimbangan kipas)
Setiap fault punya frekuensi khas. Misalnya, misalignment muncul di 2 × fr (dua kali frekuensi rotor), sedangkan broken rotor bar muncul di 2 × (fe – fr). Dengan cara ini, tiap kerusakan bisa dikenali dari tanda uniknya.
👉 Nilai tambah buat industri: Simulasi kayak gini bikin engineer bisa “ngetes kerusakan” tanpa harus beneran bikin mesin rusak. Aman, murah, dan efisien.
Motor Current Signature Analysis (MCSA)
MCSA adalah metode deteksi kerusakan berbasis sinyal arus motor. Konsepnya simpel: kalau ada masalah di komponen mekanik/elektrik, pola arus listrik bakal berubah.
Kelebihan MCSA:
- Praktis: gak perlu pasang sensor tambahan.
- Murah: manfaatin data arus/tegangan yang udah ada.
- Komprehensif: bisa deteksi fault mekanis maupun elektrik.
Concordia Transform & FFT
- Concordia Transform: mengubah sinyal arus tiga fasa jadi vektor dua dimensi (iα dan iβ), supaya modulasi akibat fault kelihatan lebih jelas.
- FFT (Fast Fourier Transform): mengubah sinyal dari domain waktu ke domain frekuensi, jadi frekuensi fault bisa kelihatan.
Contoh temuan di penelitian ini:
- 1.39 Hz → rotor bar defect.
- 10.68 Hz → belt defect.
- 100 Hz → misalignment.
- 1450 Hz → notch harmonics dari stator.
👉 Aplikasi nyata: Operator pabrik bisa tahu dari spektrum arus apakah sabuk mesin udah mulai aus atau bearing mulai bermasalah.
Protokol Diagnostik Statistik
Digital twin nggak cuma mendeteksi, tapi juga ngasih alarm prediktif pake statistik.
Tahapannya:
- Learning stage: ambil 30 data arus saat mesin sehat. Dari situ dihitung rata-rata (µ) dan standar deviasi (σ).
- Diagnostic stage: data baru dibandingin sama baseline sehat. Kalau beda jauh dan melewati threshold (ditetapkan di probabilitas false alarm 1% = 2.33), alarm muncul.
👉 Manfaat praktis: Sistem bisa membedakan noise normal dengan tanda awal kerusakan. Jadi operator nggak panik gara-gara gangguan kecil, tapi juga nggak telat ngatasin kerusakan beneran.
Hasil Penelitian
- Akurasi Model
- Awalnya, error RMS antara arus simulasi dan nyata = 10.1551.
- Setelah ditambah frekuensi fault, error turun jadi 5.232.
- Artinya, digital twin makin mirip realita.
- Deteksi Fault
- Belt defect berhasil dideteksi lewat simulasi.
- Distribusi statistik nunjukin pemisahan jelas antara kondisi sehat vs bermasalah.
- Limitasi
- Model terbatas untuk kecepatan tetap (fixed speed).
- Hanya diuji di ventilasi kayu, belum di mesin lain.
- Noise lingkungan bisa ganggu hasil analisis.
Relevansi ke Dunia Industri
- Penghematan biaya: gak perlu beli sensor getaran mahal.
- Pengurangan downtime: bisa deteksi kerusakan sebelum mesin mati.
- Keamanan kerja: fault bisa diuji di simulasi tanpa resiko operator.
- Optimasi perawatan: perusahaan bisa bikin jadwal perawatan berbasis data, bukan feeling.
👉 Bayangin pabrik furnitur dengan 15 mesin kayu. Dengan digital twin, operator bisa tahu sabuk mana yang hampir putus, bearing mana yang udah aus, tanpa harus bongkar semua mesin. Hemat waktu, hemat biaya.
Kritik dan Opini
Kelebihan
- Metode jelas, sistematis, dan aplikatif.
- Validasi pake data nyata (bukan cuma simulasi teoretis).
- Bisa direplikasi buat industri lain.
Kekurangan
- Fokus ke ventilasi industri kayu, generalisasi masih terbatas.
- Belum pakai kecerdasan buatan (AI/ML) yang bisa bikin deteksi lebih adaptif.
- Belum diuji di kondisi kecepatan variabel.
Opini Pribadi
Menurut gue, penelitian ini jadi landasan kuat buat penerapan digital twin di predictive maintenance. Buat langkah berikutnya, integrasi dengan machine learning bakal bikin sistem lebih fleksibel. Misalnya, algoritma bisa belajar dari data real-time ribuan jam operasi mesin, sehingga alarm makin presisi.
Kesimpulan
Paper ini nunjukin bahwa kombinasi digital twin + MCSA + protokol statistik bisa jadi solusi praktis buat predictive maintenance. Meski terbatas di sistem ventilasi kayu, pendekatan ini gampang diadaptasi ke mesin industri lain.
Buat dunia nyata, manfaatnya jelas: biaya lebih rendah, downtime lebih sedikit, perawatan lebih cerdas. Ke depan, integrasi AI bisa bikin sistem ini makin relevan buat pabrik modern.
Sumber
Yakhni, M.F., Hosni, H., Cauet, S., Sakout, A., Etien, E., Rambault, L., Assoum, H., & El-Gohary, M. (2022). Design of a Digital Twin for an Industrial Vacuum Process: A Predictive Maintenance Approach. Machines, 10(8), 686.
https://doi.org/10.3390/machines10080686