Jumat, 20 November 2026

Cognitive Maintenance vs Predictive: Apa Peran AI?

Predictive maintenance memberi tahu kapan mesin bisa gagal; cognitive maintenance memakai sensor fusion untuk menyebut akar masalahnya secara jarak jauh.

Cognitive Maintenance vs Predictive: Apa Peran AI?
Ilustrasi. Foto: xusenru/Pixabay

Pemeliharaan mesin industri bergerak dari pemeriksaan berkala menuju pemantauan berbasis kondisi. Sistem predictive maintenance sudah lazim memberi peringatan dini: sebuah mesin diprediksi gagal dalam dua minggu. Namun peringatan itu belum menjawab pertanyaan yang paling penting bagi tim pemeliharaan — apa yang sebenarnya rusak.

Batas predictive maintenance: tahu kapan, belum tahu kenapa

Ketika sistem predictive maintenance menandai potensi kegagalan, teknisi masih harus membuka peralatan untuk memastikan apakah masalahnya ketidaksejajaran (misalignment), kavitasi, atau bantalan (bearing) yang aus. Keluaran sistem umumnya berupa garis waktu dan penanda tingkat keparahan. Akar masalahnya tetap tidak diketahui sampai ada orang yang memeriksa mesin secara fisik.

Di situlah cognitive maintenance masuk. Pendekatan ini menghilangkan langkah inspeksi awal dengan mengirimkan akar masalah sekaligus mode kegagalan secara jarak jauh.

Sensor fusion: suara, getaran, dan panas pada cap waktu yang sama

Satu sensor getaran menghasilkan satu pola pada grafik FFT. Sensor termal menghasilkan pola lain. Secara terpisah, keduanya tidak memberi tahu apa yang salah pada mesin. Dengan menyinkronkan pembacaan suara, getaran, dan termal pada cap waktu (timestamp) yang persis sama, ketiga sinyal itu saling memvalidasi dan mengungkap akar masalah yang sebenarnya — mengubah gejala yang terisolasi menjadi diagnosis yang terkonfirmasi.

Logikanya meniru cara teknisi berpengalaman bekerja. Seorang pemusik orkestra yang menyetel French horn ke 442 atau 444 hertz melatih telinganya mendeteksi penyimpangan yang tidak terdengar oleh pendengar awam. Sensitivitas frekuensi yang sama berlaku pada peralatan industri: mesin sehat pada kondisi standar mengeluarkan sinyal yang stabil dan dapat diprediksi pada suara, getaran, dan panas. Saat keausan internal mulai terjadi, sinyal bergeser sebelum ambang pemantauan konvensional memicu alarm.

Pendekatan ini berangkat dari pengalaman pendirinya, Leon Lim dari GroundUp AI, yang berlatar musik dan pernah mengelola Tier 3 data center berisi lebih dari 3.000 rak server. Di sana ia bisa mengenali gangguan awal hanya dengan mendengarkan frekuensi yang tidak rata saat melintasi peralatan. Sensor fusion mengotomatiskan cara mendengar multi-modal itu pada skala yang tidak mungkin dijaga satu orang.

Dari alarm ke diagnosis akar masalah

Perbedaan keduanya paling jelas di lingkungan yang setiap jam henti operasinya berdampak besar. Sebuah kapal pertahanan angkatan laut membawa ratusan mesin yang tidak boleh gagal di laut, sementara jendela docking hanya beberapa jam. Sebelum adopsi, kru memeriksa sekitar sepuluh mesin per kelompok pada setiap persinggahan, sehingga puluhan mesin lain tidak terperiksa di antara kunjungan.

Setelah beralih ke diagnosis kognitif jarak jauh, jadwal inspeksi tidak lagi disusun per dek atau kelompok mesin. Prioritas pemeliharaan datang dari alarm waktu nyata yang diperingkat berdasarkan tingkat keparahan, masing-masing disertai diagnosis spesifik. Perencanaan pengadaan dimulai dari mode kegagalan yang sudah didiagnosis, dan kru yang sama mampu menangani seluruh armada. Hasilnya: 22 bulan berturut-turut tanpa henti operasi tak terencana.

Model ini menunjukkan tim teknik berukuran kecil dapat memelihara armada besar ketika beban kerja diagnostik bergeser dari inspeksi fisik ke analisis jarak jauh. Efisiensi itu bergantung pada engineer berpengalaman yang paham arti diagnosis dan tindakan yang diperlukan — dan populasi mereka menyusut. Rata-rata usia teknisi pemeliharaan industri berpengalaman naik dari 48 menjadi 52 tahun.

Teknisi veteran bisa meletakkan tangan di rumah motor, mendengarkan dengungnya, lalu memprediksi kegagalan komponen berminggu-minggu sebelumnya — mendeteksi kavitasi atau bantalan longgar hanya dari suara. Pustaka aset seperti GroundUp Asset Library menangkap pola gangguan itu pada tingkat sub-komponen dan melatih setiap jenis kesalahan secara terpisah, sehingga cakupan diagnosis makin dalam seiring bertambahnya data.

Fase berikutnya adalah menanamkan kecerdasan di dalam mesin dan robot itu sendiri: mendeteksi gangguannya sendiri dan berkoordinasi dengan sistem di sekitarnya. Di pabrik yang menjalankan physical AI, robot yang merasakan regangan mekanis dapat menurunkan kecepatannya sendiri, memberi sinyal ke unit cadangan untuk mengambil alih beban, dan mengarahkan dirinya ke area pengisian daya atau pemeliharaan.

Relevansi untuk Indonesia

Bagi pabrik, tambang, dan fasilitas energi di Indonesia, nilai utama pendekatan ini adalah memperpendek jarak antara alarm dan tindakan. Banyak site tersebar di lokasi terpencil dengan jumlah teknisi spesialis terbatas, sehingga diagnosis jarak jauh yang sudah diperingkat berdasarkan keparahan membantu tim memutuskan mesin mana yang harus ditangani lebih dulu tanpa membuka seluruh peralatan.

Karena itu, fondasi yang perlu disiapkan bersifat praktis: sensor suara, getaran, dan termal yang tercatat dengan cap waktu seragam; infrastruktur jaringan yang andal untuk mengirim data; serta dokumentasi mode kegagalan yang rapi. Tanpa sinkronisasi waktu dan kualitas data yang konsisten, sensor fusion hanya menghasilkan lebih banyak grafik, bukan diagnosis.

Yang tak kalah penting adalah menangkap pengetahuan teknisi senior selagi masih ada. Menjadikannya pustaka pola gangguan digital membuat kemampuan diagnostik tidak hilang saat mereka pensiun — dan menjadikan pemeliharaan prediktif benar-benar berujung pada tindakan.

Sumber berita: IIoT World – iiot-world.com

Penulis berita: Rizky Maulana

Rizky Maulana

Rizky Maulana

Redaktur Wisata & Hiburan