Analisis Weibull untuk Maintenance: Mengubah Data Kegagalan Jadi Prediksi Sisa Umur Pakai

Sebagian besar pabrik mengumpulkan data kegagalan bertahun-tahun di CMMS dan tidak pernah memanfaatkannya selain untuk laporan mean-time-between-failures (MTBF). Itu pemborosan. Riwayat work order yang sama, jika dianalisis dengan distribusi Weibull, tidak hanya memberi tahu seberapa sering aset rata-rata gagal, tetapi kapan kegagalan berikutnya kemungkinan terjadi — dengan batas kepercayaan yang bisa Anda jadikan dasar perencanaan.

Ini adalah mesin statistik di balik prediksi sisa umur pakai (RUL) yang bermakna. Tanpa perlu neural network.

Apa yang Sebenarnya Dilakukan Analisis Weibull

MTBF memberi satu angka: rata-rata waktu antar kegagalan. Tapi kegagalan tidak datang sesuai jadwal — mereka datang mengikuti pola. Analisis Weibull menyesuaikan distribusi terhadap waktu kegagalan aktual Anda dan mengungkap pola tersebut.

Fungsi reliability Weibull, dalam istilah sederhana:

R(t) = exp( -(t / η)^β )

Dua parameter yang bekerja:

• η (eta) — characteristic life. Usia di mana kira-kira 63,2% populasi sudah gagal. Parameter skala.
• β (beta) — shape parameter. Ini yang penting. Ia memberi tahu jenis apa mode kegagalan yang Anda hadapi.

Shape Parameter Menceritakan Kisahnya

β adalah tempat strategi maintenance berpijak:

• β < 1 — infant mortality / kegagalan awal. Kegagalan berkelompok di awal usia. Aset paling mungkin gagal saat baru. Penyebab: cacat manufaktur, pemasangan buruk, spesifikasi salah. Perbaikan: commissioning lebih baik, burn-in testing, QC vendor — bukan PM tambahan. Mengganti aset seperti ini lebih awal justru memperburuk keadaan.
• β = 1 — acak / eksponensial. Kegagalan tidak bergantung waktu. Aet tidak sedang mengalami wear-in maupun wear-out. Penyebab: peristiwa eksternal — beban berlebih, kesalahan operator, kontaminasi, lonjakan daya. Perbaikan: condition monitoring dan pelatihan operator. PM berbasis waktu tidak berpengaruh.
• β > 1 — wear-out. Kegagalan mempercepat seiring usia. Makin tua aset, makin tinggi risikonya. Penyebab: fatigue, erosi, korosi, keausan bearing. Hanya dalam rezim ini preventive maintenance berbasis waktu benar-benar membantu. Jadwalkan penggantian sebelum kurva kegagalan curam.

Satu angka — β — memberi tahu apakah jadwal PM Anda membantu, tidak relevan, atau justru merugikan. Sebagian besar pabrik tidak pernah menghitungnya.

Membangun Analisis Weibull Dari Data Work Order

Anda sudah punya inputnya. Yang dibutuhkan:

1. Waktu kegagalan. Time-between-failures untuk kelas aset tertentu (misalnya "bearing spindle pada lini CNC 3"), diukur dalam jam operasi atau siklus — bukan waktu kalender jika utilisasi bervariasi.
2. Suspensi. Aset yang belum gagal (jam operasi saat ini). Ini adalah titik data censored dan harus disertakan — membuangnya membuat bias η naik dan Anda menjadi terlalu percaya diri.

Dengan 5–10 kegagalan plus suspensi, Anda bisa menyesuaikan Weibull 2-parameter yang kredibel. Dengan 20+, Anda bisa mencoba fit 3-parameter (menambah interval bebas-kegagalan γ) untuk aset dengan masa break-in yang jelas.

Langkah penyesuaian

1. Rank kegagalan (median rank: (i - 0.3) / (n + 0.4)).
2. Plot pada kertas probabilitas Weibull, atau sesuaikan dengan maximum likelihood — MLE lebih robust dengan data censored.
3. Periksa kecocokan. Jika titik-titik tidak berada pada satu garis, Anda kemungkinan memiliki mode kegagalan campuran — pisahkan berdasarkan kode kegagalan dan sesuaikan ulang masing-masing. Plot Weibull yang melengkung berarti Anda memodelkan dua proses fisik berbeda sebagai satu.

Membaca Outputnya

Setelah disesuaikan, distribusi memberi angka yang bisa ditindaklanjuti:

• B10 life — usia di mana 10% populasi telah gagal. Target penggantian umum untuk aset kritis.
• MTTF — mean time to failure: η · Γ(1 + 1/β).
• Tingkat kegagalan pada usia berapa pun — risiko sesaat. Untuk β > 1, ini naik curam melewati η.
• RUL dengan batas kepercayaan — "dengan usia saat ini, probabilitas bertahan X jam lagi adalah Y%."

Poin terakhir inilah hasilnya. Alih-alih "ganti setiap 12 bulan," Anda memperoleh "bearing ini berada di persentil ke-70 dari B10 life-nya; probabilitas kegagalan dalam 30 hari ke depan adalah 18% — jadwalkan inspeksi sekarang, penggantian dalam 60 hari."

Jebakan Umum

• Mencampur mode kegagalan. Bearing yang gagal karena kelaparan pelumas (β ≈ 1) dan yang gagal karena wear-out (β ≈ 2,5) tidak bisa dimodelkan sebagai satu populasi. Pisahkan berdasarkan kode kegagalan lebih dulu.
• Mengabaikan data censored. Suspensi membawa informasi nyata. Menyingkirkan aset yang masih berjalan membuat η menggembung.
• Waktu kalender vs. waktu operasi. Pompa standby yang dijalankan 200 jam setahun tidak sama usianya dengan yang dijalankan 8.000 jam setahun. Gunakan jam operasi.
• Terlalu sedikit titik data. Di bawah 5 kegagalan, hasil fit hanya tebakan. Gabungkan antar aset identik atau gunakan prior generic.
• Mempercayai ekstrapolasi. Weibull andal dalam rentang data yang diamati. Mengekstrapolasi 5× di titik kegagalan terakhir adalah spekulasi.

Bagaimana OpexMX Menggunakan Weibull

OpexMX menyesuaikan distribusi Weibull pada riwayat work order Anda secara otomatis, per kelas aset, menggunakan maximum-likelihood estimation dengan penanganan data censored. Outputnya mengisi skor kesehatan dan estimasi RUL setiap aset — sehingga "sisa umur pakai" bukan sekadar angka pemasaran, melainkan probabilitas dengan batas kepercayaan yang diturunkan dari riwayat kegagalan Anda.

Lihat bagaimana OpexMX mengubah data CMMS Anda menjadi prediksi kegagalan →

---

Tentang OpexMX

OpexMX (Opex Maintenance eXecution System) adalah CMMS berbasis cloud untuk tim maintenance manufaktur. OpexMX menggantikan koordinasi WhatsApp dengan work order terstruktur, penyeimbangan beban kerja, riwayat aset, dan dashboard real-time. Dibangun oleh Opex Consulting Group di Singapura, OpexMX dirancang agar teknisi benar-benar mau menggunakannya. Pelajari lebih lanjut tentang OpexMX.