Memperoleh Nilai Tambah dari Predictive Maintenance

Maintenance selalu menjadi teka-teki bagi industri padat asset, karena waktu kerja yang tinggi sangat penting untuk memastikan pengembalian aset, membuat perusahaan sering kali dihadapkan dengan keadaan yang sulit dan tidak terduga. 

Misalnya: peralatan pertambangan perlu bekerja di lingkungan yang menantang; pembangkit listrik menghadapi rezim operasi yang sulit; sektor penyulingan dan bahan kimia harus memproses bahan yang harus segera diproses. 

Kondisi ini menempatkan mesin di bawah tekanan, dan pengeluaran pemeliharaan preventif dan reaktif yang tinggi yang diperlukan untuk menjaganya tetap sehat dapat menguras profitabilitas.

Selama lebih dari dua dekade, perusahaan telah melihat predictive maintenance (PdM) sebagai solusi terbaik disebabkan karena mereka dapat memprediksi kegagalan jauh sebelum terjadi. 

Dengan demikian akan memungkinkan mereka untuk merencanakan dengan lebih baik atau bahkan menghindari waktu henti, meningkatkan waktu kerja sambil mengurangi biaya pemeliharaan pencegahan dan korektif yang tidak perlu. 

Sementara banyak perusahaan telah meluncurkan percontohan terisolasi, namun, hanya sedikit yang mampu menerapkan PdM dalam skala besar di seluruh operasi mereka.

Beberapa hal dapat menghalangi keberhasilan program PdM skala besar, dan sebagian besar perusahaan menghadapi masalah dalam satu atau lebih kategori umum berikut:

• Data tidak mencukupi, tidak dapat diakses, atau berkualitas rendah;
• Teknologi tidak memadai, dengan terlalu sedikit sensor atau infrastruktur TI yang buruk;
• Prioritas sulit, karena perusahaan tidak memiliki pandangan yang jelas tentang aset mana yang akan dimasukkan dalam program PdM mereka;
• Kemampuan tidak ada, terutama insinyur data dan ilmuwan data yang terampil yang diperlukan untuk membangun model analitik tingkat lanjut;
• Manajemen perubahan lemah, seringkali karena desain yang tidak ramah pengguna;
• Pengembalian ekonomi rendah, karena tingginya biaya pengembangan model untuk menutupi beragam aset dan berbagai mode kegagalan potensial.

Mengatasi tantangan di atas membutuhkan pendekatan sistematis dan holistik terhadap desain, pengembangan, dan implementasi PdM. Pendekatan itu dimulai dengan pemahaman yang jelas tentang basis aset organisasi dan tujuan keandalannya. 

Perusahaan juga perlu menyadari bahwa PdM mencakup berbagai pendekatan analitis dan teknologi, dengan tingkat kerumitan, biaya, dan manfaat yang berbeda.

Sistem Predictive Maintenance 4.0 dengan tingkat kematangan tertinggi dan di seluruh aset masih langka saat ini. Perusahaan membutuhkan investasi besar dalam Research & Development (R&D), bersama dengan pengetahuan industri yang mendalam, akses ke data yang relevan, dan pengalaman operasional yang praktis. 

Sementara mendatangkan mitra dengan rekam jejak yang terbukti secara substansial mengurangi biaya penerapan dan adopsi, para pemain yang paling diuntungkan dari pendekatan canggih semacam itu cenderung memiliki beberapa karakteristik:

• Beberapa aset atau pabrik berbagi tingkat kesamaan, yang memungkinkan keuntungan skala seperti replikasi model dan berbagi data dan praktik terbaik
• Pertumbuhan terbatas aset, tanpa batasan komersial untuk menjual lebih banyak produk---sehingga produksi tambahan diubah menjadi penjualan tambahan
• Ragam penyebab downtime yang besar dan beragam yang perlu ditangani untuk mencapai dampak yang cukup besar
• Mode kegagalan bernilai tinggi (seperti pada peralatan kritis) yang terjadi pada frekuensi rendah setiap tahun, membuatnya lebih sulit untuk metode tradisional atau pendekatan AI tipikal untuk memprediksi secara akurat

Mengingat siklus krisis yang datang silih berganti, mungkin sudah waktunya bagi banyak perusahaan untuk bergerak menuju tingkat kematangan Predictive Maintenance (PdM) yang lebih tinggi. Meskipun hambatan untuk sukses tetap ada, beberapa perkembangan terakhir telah mengurangi luasnya dan meningkatkan kasus bisnis untuk pendekatan tersebut. 

Perkembangan tersebut mencakup sensor yang lebih murah dan lebih mudah tersedia, ketersediaan data yang lebih tinggi, peningkatan kekuatan pemrosesan, kumpulan bakat analitik tingkat lanjut yang meningkat secara bertahap, dan ekosistem mitra teknis yang lebih kuat yang telah berinvestasi dalam IP (Internet Protocol)yang diperlukan untuk lebih mengindustrialisasi PdM dalam proses pengembangan model.

Berdasarkan dari pengalaman McKinsey bekerjasama dengan perusahaan industri lintas sektor, dapat diidentifikasi lima aturan emas untuk keberhasilan penerapan pemeliharaan prediktif dalam skala besar.

1. Berhati-hatilah tentang aset mana yang harus disertakan
2. Pertimbangkan mitra yang tepat
3. Sediakan waktu yang cukup untuk meningkatkan model
4. Utamakan orang
5. Bangun pemeliharaan prediktif ke dalam ekosistem digital organisasi yang lebih luas

Sistem Predictive Maintenance (PdM) akan menciptakan nilai hanya jika ia mendorong respons di lapangan dengan serangkaian tindakan yang jelas-jelas diturunkan dari alarm yang dihasilkan sistem. Ketika sistem PdM ditingkatkan, menjadi semakin sulit untuk mengelola tindakan seperti itu secara konsisten. 

Hal tersebut berarti menciptakan hubungan yang erat antara sistem PdM dan bagian lain dari ekosistem pemeliharaan digital (Lihat Gambar). Secara khusus, perusahaan terkemuka mengintegrasikan teknologi pemeliharaan prediktif dengan sistem manajemen kerja digital/Digital Work Management (DWM) baru atau yang sudah ada.

Tautan antara PdM dan DWM bekerja di kedua arah. Misalnya; alarm PdM harus memicu perintah kerja dalam sistem DWM untuk memastikan bahwa tindakan diambil untuk mencegah kegagalan. 

Dan hasil dari tindakan tersebut kemudian harus diumpankan kembali ke tim yang mengelola sistem PdM, memungkinkan mereka untuk terus meningkatkan kinerjanya. Kombinasi PdM dan DWM memungkinkan kinerja dan dampak sistem diukur secara efektif, menciptakan akuntabilitas dan membenarkan investasi.

Integrasi yang ketat juga membantu perusahaan meningkatkan kemampuan sistem PdM mereka dan efektivitas proses pemeliharaan mereka. Pelajaran dari gangguan atau intervensi pemeliharaan dapat disimpan dalam basis pengetahuan dan dibagikan di antara tim, aset, dan pabrik yang berbeda. 

Sistem DWM juga membantu perencanaan proaktif pengembangan PdM yang sedang berlangsung, membantu tim mengidentifikasi dan memprioritaskan peluang untuk memperluas aset dan mode kegagalan yang dicakup oleh sistem. 

Dan perencana dapat menyesuaikan dan mengoptimalkan strategi pemeliharaan preventif perusahaan untuk memanfaatkan sepenuhnya kemampuan prediktif mereka yang berkembang, dan ujungnya akan mempengaruhi financial perusahaan.

Masih banyak perusahaan merasa sulit untuk membuat predictive maintenance bekerja dalam skala besar. Pengalaman perusahaan pengadopsi awal menunjukkan bahwa keberhasilan itu  dengan memprioritaskan aset secara bijaksana, membangun kemitraan yang tepat dengan vendor, menginvestasikan waktu yang cukup untuk meningkatkan model, mengutamakan talenta, dan mengintegrasikan PdM ke dalam ekosistem pemeliharaan digital perusahaan yang lebih luas. Pemain industri terbaik di kelasnya telah menunjukkan caranya, menangkap nilai dari keduanya meningkat uptime dan mengurangi biaya pemeliharaan. Waktunya bagi industri lain mengikuti langkah-langkah tersebut untuk mencapai sustainable competitive advantage (SCA).

Penulis,

Merza Gamal

Author of Change Management & Cultural Transformation

Former AVP Corporate Culture at Biggest Bank Syariah