ABSTRAK
Artikel ini menyajikan model pemeliharaan prediktif waktu nyata dari suspensi kendaraan berdasarkan analisis sinyal getaran. Studi ini didasarkan pada pengamatan bahwa keausan dan kegagalan suspensi terutama disebabkan oleh tekanan kumulatif dan guncangan eksternal yang terjadi selama pengoperasian kendaraan. Kami menggunakan teknik berbasis wavelet yang terintegrasi dengan pemodelan stokastik dan analisis data masa pakai untuk memprediksi sisa masa pakai (RUL) suspensi. Kerangka kerja yang diusulkan menyediakan alat bantu pengambilan keputusan untuk menentukan apakah dan kapan sistem suspensi harus menjalani pemeriksaan, penggantian, atau perbaikan menyeluruh. Aplikasi empiris, menggunakan data getaran dari akselerometer uniaxial yang dipasang pada suspensi kendaraan dalam berbagai kondisi jalan, memvalidasi model teoritis dan prosedur estimasi.

1 Pendahuluan
Deteksi dini anomali pada komponen sistem mekanis sangat penting untuk mencegah malfungsi dan masalah operasional. Inefisiensi tersebut dapat bermanifestasi dalam bentuk kecil, seperti peningkatan biaya perawatan, atau meningkat menjadi hasil yang parah, termasuk penurunan kinerja yang signifikan dan kegagalan besar. Pemeliharaan prediktif telah muncul sebagai respons strategis terhadap tantangan ini, yang memungkinkan operasi yang lebih efisien dan andal dengan memprediksi kapan tindakan perawatan diperlukan daripada mematuhi jadwal tetap [ 1 ]. Pendekatan ini sangat relevan di sektor otomotif, di mana sistem suspensi kendaraan terus-menerus terkena beban dinamis dan tekanan lingkungan, sehingga sangat rentan terhadap keausan seiring waktu [ 2 ]. Salah satu aspek yang paling menantang dari pemeliharaan prediktif adalah memperkirakan Sisa Masa Pakai Berguna (RUL) komponen sistem sambil memperhitungkan ketidakpastian dan variabilitas yang melekat dalam lingkungan operasional [ 3 ]. Ketidakpastian muncul dari sifat stokastik dari proses degradasi mekanis [ 4 ], yang dipengaruhi oleh berbagai beban operasional dan faktor eksternal. Pendekatan pemeliharaan berbasis waktu tradisional [ 5 ] sering gagal menangkap keacakan ini, sehingga menyoroti perlunya model probabilistik yang mampu secara akurat mencerminkan perilaku stokastik dari kejadian kegagalan.

Artikel ini membahas tantangan kritis dalam memperkirakan Sisa Masa Pakai yang Berguna dengan memperkenalkan metodologi yang memanfaatkan analisis getaran sebagai indikator utama keausan mekanis. Metode yang diusulkan mengintegrasikan pemodelan stokastik dan analisis data masa pakai untuk meningkatkan estimasi RUL sistem suspensi kendaraan. Inti dari metodologi ini adalah analisis berbasis wavelet [ 6 ], yang mengisolasi komponen frekuensi kritis dari sinyal getaran yang diketahui secara signifikan memengaruhi degradasi mekanis. Data getaran yang diekstraksi diproses dalam kerangka kerja teoritis yang kuat yang mencakup pemrosesan sinyal analog/digital [ 7 ] dan teori proses stokastik [ 8 ]. Metodologi yang dihasilkan, bernama Wavelet Analyzer of g-Forces for Expected Residual Lifetime Evaluation (WAFER), memungkinkan prediksi waktu kegagalan yang lebih akurat dengan mengintegrasikan variabilitas acak yang melekat dalam kerusakan sistem, terutama di lingkungan yang dicirikan oleh berbagai kondisi pengoperasian. Selain itu, melalui penyesuaian dinamis tingkat kegagalan dari waktu ke waktu berdasarkan penyerapan energi dari getaran, sistem ini menawarkan kemampuan beradaptasi dan akurasi yang lebih besar dibandingkan dengan pendekatan konvensional, yang sering kali kesulitan untuk menangkap dinamika keausan dan kegagalan sebenarnya dari sistem mekanis yang kompleks.

Untuk memvalidasi metodologi yang diusulkan, kami menerapkan WAFER pada data dunia nyata yang dikumpulkan dari sistem suspensi kendaraan. Implementasi fisiknya terdiri dari satu sensor yang terintegrasi dengan tautan komunikasi nirkabel berbasis Bluetooth, yang mengirimkan data getaran ke unit penyimpanan dan elaborasi. Secara khusus, unit elaborasi bertanggung jawab untuk memfilter, memproses, dan menghasilkan prediksi mengenai sisa masa pakai suspensi. Dengan demikian, sistem memproses data getaran secara real time, menghasilkan estimasi kegagalan, dan mengeluarkan peringatan langsung untuk secara proaktif mengurangi risiko kegagalan yang tidak terduga. Pendekatan ini tidak hanya meningkatkan keselamatan dan efisiensi operasional, tetapi juga memberikan manfaat ekonomi yang signifikan dengan mengoptimalkan siklus hidup komponen penting seperti suspensi.

Fleksibilitas pendekatan yang disajikan memperluas penerapannya di luar sistem suspensi, sehingga cocok untuk berbagai komponen mekanis—termasuk mesin, pompa, dan kompresor—di mana kegagalan dapat mengakibatkan gangguan alur kerja dan peningkatan risiko keselamatan. Studi ini menunjukkan bagaimana integrasi analisis data masa pakai dengan pemodelan stokastik menciptakan alat pemeliharaan prediktif yang kuat dan membangun kerangka kerja yang kuat untuk mengelola masa pakai komponen mekanis yang penting. Kontribusi ini memajukan bidang pemodelan stokastik terapan dalam bisnis dan industri, memberikan wawasan yang melampaui aplikasi otomotif ke konteks industri yang lebih luas di mana pemeliharaan prediktif sangat penting untuk mengoptimalkan kinerja dan mengurangi waktu henti.

1.1 Aplikasi Alternatif WAFER
Pada bagian ini, kami meneliti bagaimana WAFER, dengan desainnya yang tangguh namun terjangkau, dapat digunakan dalam berbagai konteks bisnis dan industri. Dengan biaya produksi sekitar $75 untuk versi eksperimental, WAFER menawarkan solusi perawatan prediktif yang hemat biaya. Meskipun iterasi berbasis telepon pintar dapat dikembangkan dengan biaya yang lebih rendah, pendekatan semacam itu tidak akan dapat diandalkan seperti konfigurasi berbasis sensor, khususnya untuk memantau suspensi kendaraan. Oleh karena itu, studi ini menekankan perannya sebagai alat perawatan prediktif yang berdedikasi dan akurat.

Keterjangkauan dan kemampuan adaptasi perangkat ini membuatnya sangat cocok untuk pemantauan kondisi jalan, faktor penting dalam menjaga keandalan dan keselamatan kendaraan. Kondisi jalan yang buruk dapat secara serius mempengaruhi infrastruktur transportasi, membuat deteksi anomali seperti lubang, retakan, dan ketidakteraturan permukaan penting untuk meminimalkan keausan kendaraan, mengurangi biaya transportasi, dan mengurangi potensi bahaya [ 9 ]. Untuk mengatasi masalah ini, WAFER dirancang untuk melakukan analisis data seumur hidup, yang secara efektif mengukur degradasi kendaraan dan infrastruktur yang disebabkan oleh jalan dari waktu ke waktu. Data tersebut memungkinkan perusahaan dan lembaga pemerintah untuk mengoptimalkan jadwal pemeliharaan, mengurangi biaya perbaikan, dan mengurangi waktu henti sistem. Ketika dikombinasikan dengan sistem GPS, metodologi yang diusulkan memungkinkan geolokasi kerusakan jalan yang tepat, sehingga meningkatkan manajemen infrastruktur waktu nyata dan mengoptimalkan pengambilan keputusan logistik [ 10 ].

Industri yang bergantung pada armada kendaraan berat, seperti logistik dan transportasi umum, juga dapat memperoleh manfaat dari penerapan alat yang disajikan. Dengan memanfaatkan analisis data masa pakai, alat ini dapat memantau degradasi mekanis yang disebabkan oleh penggunaan kendaraan berat dan memberikan solusi perawatan prediktif untuk kendaraan dan infrastruktur. Pendekatan berbasis data ini, yang mengoptimalkan manajemen armada dengan meningkatkan waktu aktif kendaraan dan mengurangi biaya pengoperasian, sangat penting dalam industri di mana waktu aktif kendaraan berdampak langsung pada kinerja bisnis. Potensinya juga meluas ke operasi manufaktur dan bangunan, di mana WAFER dapat digunakan untuk memantau lift dan sistem mekanis lainnya untuk mendeteksi masalah seperti kegagalan pengontrol akselerasi motor. Selain itu, sisa masa pakai sistem ini dapat diprediksi menggunakan instrumen yang diusulkan, mencegah kegagalan dan waktu henti yang mahal dan meningkatkan efisiensi operasional di lingkungan komersial dan industri.

Di sektor perawatan kesehatan, WAFER dapat diadaptasi untuk digunakan dalam kendaraan darurat yang mengangkut pasien. Pemantauan getaran waktu nyata, dilengkapi dengan analisis data seumur hidup, akan memungkinkan paramedis untuk menyesuaikan kondisi berkendara guna memastikan tingkat getaran tetap dalam batas aman bagi pasien yang sakit kritis. Lebih jauh lagi, kemampuan sistem untuk memantau gaya lateral yang bekerja pada ban kendaraan sangat penting untuk mempertahankan kinerja traksi dan pengereman yang optimal. Memang, variasi gaya lateral (LFV) yang tinggi menandakan potensi ketidakstabilan ban, yang menimbulkan risiko keselamatan [ 11 ]. Dengan melacak LFV, WAFER memungkinkan operator armada untuk meningkatkan jadwal perawatan ban, memperpanjang umur ban, dan meningkatkan protokol keselamatan. Aplikasi ini khususnya relevan dengan sektor-sektor seperti layanan darurat dan penegakan hukum, di mana kendaraan sering beroperasi dalam kondisi stres tinggi. Demikian pula, hal ini memberikan nilai yang signifikan dalam memantau perilaku pengemudi dalam industri seperti logistik dan persewaan mobil. Melalui analisis gaya-G tiga dimensi, kejadian perilaku mengemudi agresif dapat dideteksi oleh WAFER, membantu perusahaan mengelola keausan kendaraan dan meningkatkan keselamatan pengemudi. Lebih jauh, analisis data seumur hidup dilakukan untuk menilai dampak jangka panjang kebiasaan mengemudi terhadap kesehatan kendaraan. Penilaian komprehensif ini memungkinkan perusahaan penyewaan mobil untuk mengevaluasi pengemudi secara efektif berdasarkan kebiasaan mereka, sehingga memungkinkan mereka untuk menawarkan ketentuan sewa yang disesuaikan kepada pengemudi yang bertanggung jawab sekaligus meningkatkan manajemen armada secara keseluruhan. Dengan cara ini, WAFER tidak hanya berkontribusi pada keselamatan dan efisiensi layanan darurat tetapi juga memainkan peran penting dalam mengoptimalkan praktik operasional di berbagai sektor transportasi.

Akhirnya, miniaturisasi alat ini lebih jauh memperluas penerapannya dalam bisnis dan industri. Kemajuan dalam elektronik dan penskalaan MOSFET [ 12 , 13 ] memungkinkannya untuk diintegrasikan ke dalam suspensi mobil dan beberapa komponen lainnya, menyediakan pemantauan terus-menerus dan non-intrusif. Di sektor barang olahraga, ini dapat dimanfaatkan dengan menanamkan perangkat dalam sepatu atletik untuk menyediakan data kinerja bagi para atlet, sementara dalam perawatan kesehatan, ini dapat membantu memantau mobilitas pasien dan memberikan wawasan berharga bagi dokter. Fleksibilitas dan keterjangkauan WAFER memposisikannya sebagai alat yang sangat berharga untuk berbagai aplikasi bisnis dan industri. Kemampuannya untuk menyediakan data waktu nyata tentang kinerja mekanis, kondisi jalan, dan perilaku pengemudi mempromosikan efisiensi operasional yang signifikan, penghematan biaya, dan peningkatan keselamatan, menjadikannya aset yang sangat diperlukan bagi perusahaan yang berusaha meningkatkan strategi pemeliharaan prediktif melalui integrasi analisis data seumur hidup.

Sisa artikel ini disusun sebagai berikut: Bagian 2 menyajikan latar belakang teoritis untuk WAFER, Bagian 3 menguraikan bahan dan metode, Bagian 4 merinci kerangka matematika, Bagian 5 membahas hasil, dan Bagian 6 diakhiri dengan temuan dan implikasinya.

2 Perawatan Prediktif untuk Sistem Suspensi Otomotif
Bagian ini menguraikan kerangka teoritis yang mendasari studi ini. Selama beberapa dekade terakhir, strategi pemeliharaan telah mengalami transformasi mendasar, berkembang melalui tiga fase berbeda: pemeliharaan korektif, pemeliharaan preventif, dan pemeliharaan prediktif [ 14 ]. Alasan di balik pemeliharaan korektif sederhana: perbaikan dilakukan saat mesin atau komponen gagal. Meskipun sederhana dalam konsep, pendekatan “run-to-failure” ini tidak sesuai untuk unit kritis, seperti suspensi kendaraan, di mana keselamatan adalah yang terpenting. Namun, beberapa bisnis, terutama perusahaan kecil dan menengah, mungkin juga mengadopsi pendekatan reaktif ini, menunda pemeliharaan karena keterbatasan sumber daya atau tekanan operasional. Banyak konsumen juga mengandalkan pendekatan ini untuk pemeliharaan kendaraan, sering kali didorong oleh kendala ekonomi, persepsi subjektif tentang keandalan kendaraan, atau penilaian sendiri terhadap kondisi sistem [ 15 ].

Bahasa Indonesia: Menanggapi keterbatasan inheren dari perawatan korektif, perawatan preventif telah menjadi strategi dominan, dengan produsen menyediakan jadwal perawatan terperinci dan pedoman untuk menentukan kapan komponen memerlukan perhatian. Dalam kasus suspensi otomotif, pendekatan ini melibatkan inspeksi rutin yang ditujukan untuk memelihara sistem suspensi dan mencegah waktu henti yang tidak direncanakan karena potensi kegagalan [ 16 ]. Meskipun diadopsi secara luas, perawatan preventif bukannya tanpa keterbatasan signifikan yang dapat merusak efektivitas keseluruhannya. Memang, jadwal perawatan preventif didasarkan pada tren statistik historis [ 17 ] atau tingkat kegagalan, yang hanya memberikan prediksi perkiraan kinerja masa depan. Kurangnya data real-time dan empiris tentang kondisi aktual komponen mekanis yang dianalisis memperburuk masalah. Akibatnya, pendekatan tersebut jarang memenuhi tujuan ganda untuk meminimalkan biaya sambil mempertahankan kinerja di atas ambang batas yang telah ditentukan sebelumnya [ 18 ]. Hal ini sering menyebabkan penggantian komponen sebelum waktunya dengan sisa masa pakai yang signifikan atau, sebaliknya, pengoperasian komponen yang gagal secara terus-menerus, yang meningkatkan risiko terhadap keselamatan dan keandalan operasional. Kelemahan utama perawatan preventif untuk suspensi otomotif terletak pada ketergantungannya pada penilaian subjektif yang dilakukan oleh personel berpengalaman, khususnya selama inspeksi sebelum perjalanan atau sebagai respons terhadap guncangan abnormal yang dialami kendaraan. Dengan tidak adanya peralatan pemantauan khusus, penilaian ini cenderung terlalu hati-hati, yang menyebabkan banyak pihak di industri ini mengadopsi estimasi umur pakai pendek yang konservatif untuk sistem suspensi. Bias konservatif ini dimaksudkan untuk memperhitungkan ketidakpastian seperti kebiasaan mengemudi yang agresif atau sering terpapar kondisi jalan yang tidak rata, yang keduanya dapat mempercepat keausan.

Bahasa Indonesia: Berdasarkan prinsip-prinsip perawatan korektif dan preventif, perawatan prediktif merupakan strategi yang lebih canggih yang berfokus pada peramalan kebutuhan perawatan berdasarkan kondisi aktual komponen [ 19 ]. Pendekatan ini memanfaatkan kekuatan analitik data dan pemantauan waktu nyata untuk menilai kondisi aktual dan sisa umur komponen-komponen ini dengan lebih akurat, meminimalkan waktu henti yang tidak direncanakan dan biaya terkait. Perawatan prediktif sangat relevan untuk suspensi otomotif, di mana kegagalan yang tidak terduga dapat menyebabkan konsekuensi operasional dan keselamatan yang dahsyat. Dalam kerangka kerja ini, pemodelan stokastik memainkan peran penting dengan memungkinkan kuantifikasi ketidakpastian yang akurat dalam sisa umur komponen yang bermanfaat [ 20 ]. Dengan juga mengintegrasikan analisis data umur pakai, perawatan prediktif meningkatkan proses pengambilan keputusan dengan menginformasikan waktu dan pemilihan tindakan perawatan yang optimal dengan akurasi yang lebih tinggi.

2.1 Pemantauan Getaran
Waktu henti mesin yang tidak direncanakan dapat mengakibatkan kerugian finansial yang signifikan, terutama dalam industri manufaktur di mana efisiensi produksi sangat relevan. Untuk mengurangi risiko ini, operator secara historis mengandalkan masukan sensorik seperti suara dan sentuhan, ditambah dengan pengalaman, untuk menilai kondisi mesin. Namun, keterbatasan persepsi manusia membuatnya tidak memadai untuk mendeteksi kesalahan yang halus atau baru mulai. Berbagai teknik diagnostik telah dikembangkan untuk mengatasi tantangan ini, termasuk analisis oli [ 21 ], analisis sinyal getaran [ 22 ], analisis partikel [ 23 ], pemantauan korosi [ 24 ], analisis sinyal akustik [ 25 ], dan analisis serpihan keausan [ 26 ]. Di antara metode-metode ini, analisis getaran telah terbukti menjadi pendekatan yang sangat efektif, sebagian besar karena kemampuannya untuk mengidentifikasi kesalahan tanpa perlu mematikan atau membongkar sistem. Memang, penelitian menunjukkan bahwa analisis getaran digunakan dalam mayoritas diagnosis kegagalan dalam sistem mekanis [ 27 ], memainkan peran penting dalam sektor-sektor seperti manufaktur [ 28 ], transportasi [ 29 ], energi [ 30 ], dan kedirgantaraan [ 31 ], di mana efisiensi operasional mesin sangat penting. Kekuatan utama analisis getaran terletak pada kemampuannya untuk melakukan pemantauan waktu nyata, ditambah dengan serangkaian teknik pemrosesan sinyal yang mapan [ 32 ], meskipun metode ini menghadapi tantangan seperti kontaminasi kebisingan dan kebutuhan untuk penempatan sensor yang tepat [ 33 ].

Mesin secara inheren menghasilkan getaran selama operasi, dan analisis tanda-tanda getaran ini memberikan wawasan kritis tentang kondisi mesin, yang memungkinkan identifikasi potensi kesalahan [ 34 ]. Penyimpangan dalam pola getaran ini sering berfungsi sebagai indikator awal kegagalan mekanis, karena getaran yang berlebihan atau abnormal dapat menyebabkan kegagalan fungsi sistem, termasuk masalah seperti ketidakseimbangan, keausan, dan ketidaksejajaran. Deteksi dini anomali ini memberi operator informasi berharga untuk memastikan keputusan pemeliharaan yang tepat waktu dan terinformasi. Akibatnya, analisis getaran telah menjadi alat penting untuk memantau kesehatan dan integritas operasional mesin di berbagai industri [ 35 ]. Dengan mengevaluasi pola getaran secara terus-menerus, teknik ini menentukan apakah mesin dapat terus beroperasi dengan aman atau memerlukan intervensi segera. Parameter utama seperti amplitudo dan frekuensi getaran bertindak sebagai indikator kritis, yang memberikan informasi terperinci tentang tingkat keparahan dan asal masalah mekanis. Wawasan ini secara signifikan meningkatkan akurasi pemeliharaan prediktif, berkontribusi pada keandalan dan efisiensi keseluruhan operasi industri [ 36 ].

Analisis getaran telah berkembang secara signifikan dari waktu ke waktu dan kini mencakup teknik analisis spektral waktu nyata, yang biasanya diklasifikasikan ke dalam tiga domain: waktu [ 37 ], frekuensi [ 38 ], dan waktu-frekuensi [ 39 ]. Perkembangan ini memungkinkan evaluasi kinerja mesin yang lebih komprehensif dan meningkatkan akurasi deteksi kesalahan dalam berbagai kondisi pengoperasian. Oleh karena itu, dengan mengintegrasikan metode pemrosesan sinyal tradisional dengan pendekatan berbasis data modern, analisis getaran tingkat lanjut menyediakan kerangka kerja yang kuat untuk pemantauan berbasis kondisi dan diagnosis kesalahan yang efektif.

Proses analisis getaran biasanya berlangsung dalam tiga tahap utama: akuisisi data, pemrosesan sinyal, dan diagnosis kesalahan. Setiap tahap memerlukan pemilihan metode dan alat yang cermat yang disesuaikan dengan persyaratan khusus analisis yang dilakukan. Akuisisi data adalah langkah mendasar karena keakuratan dan keandalan seluruh proses diagnostik bergantung pada kualitas data yang dikumpulkan. Dalam fase ini, sensor seperti akselerometer [ 40 ], transduser kecepatan [ 41 ], atau sensor perpindahan [ 42 ] digunakan untuk mengumpulkan data getaran dan harus diposisikan secara strategis pada mesin atau komponen untuk memastikan akuisisi sinyal yang akurat. Faktor-faktor seperti penempatan sensor yang akurat, konfigurasi sensor, kecepatan pengoperasian mesin, dan jenis sistem spesifik yang dipantau sangat penting untuk keberhasilan akuisisi data. Secara khusus, penempatan sensor yang optimal meminimalkan kontaminasi kebisingan dan memastikan akuisisi sinyal berkualitas tinggi, sementara konfigurasi sensor yang berbeda mungkin diperlukan tergantung pada apakah mesin beroperasi pada kecepatan rendah atau tinggi, karena kondisi ini secara signifikan memengaruhi karakteristik data getaran.

Setelah data terkumpul, fokus beralih ke pemrosesan sinyal, di mana sinyal mentah diubah menjadi wawasan yang dapat ditindaklanjuti untuk diagnosis kesalahan. Seperti disebutkan sebelumnya, pemrosesan sinyal dapat dilakukan dalam domain waktu, frekuensi, atau waktu-frekuensi. Analisis domain waktu bergantung pada metrik statistik sederhana, seperti amplitudo puncak dan nilai root mean square (RMS), untuk mengevaluasi energi keseluruhan sinyal getaran. Meskipun berguna untuk mendeteksi anomali besar, pendekatan ini sendiri mungkin tidak cukup untuk mendiagnosis kesalahan yang lebih kompleks. Analisis domain frekuensi, yang menggunakan teknik seperti Fourier Transform (FT) [ 43 ] untuk mengubah sinyal domain waktu menjadi komponen frekuensi, mengatasi keterbatasan ini dengan memungkinkan identifikasi kesalahan seperti ketidaksejajaran atau kegagalan bantalan. Untuk sistem dengan dinamika yang lebih kompleks, di mana kesalahan berkembang seiring waktu atau dalam kondisi operasi yang bervariasi, teknik domain waktu-frekuensi—seperti Wavelet Transform (WT) [ 44 ] atau Short-Time Fourier Transform (STFT) [ 45 ]—sangat efektif. Teknik-teknik ini memberikan informasi terperinci dalam domain waktu dan frekuensi, memfasilitasi deteksi sinyal-sinyal sementara atau non-stasioner yang sering kali mengindikasikan perkembangan kesalahan mekanis.

Tahap akhir diagnosis kesalahan melibatkan penafsiran data getaran yang diproses untuk mengidentifikasi kegagalan spesifik dalam mesin atau komponen yang dianalisis. Beberapa teknik, termasuk pengenalan pola [ 46 ], algoritma pembelajaran mesin [ 47 ], dan metode berbasis model [ 48 ], digunakan untuk mengklasifikasikan jenis dan tingkat keparahan kesalahan. Untuk melakukannya, tanda-tanda kesalahan karakteristik—seperti yang menunjukkan kegagalan bantalan, ketidakseimbangan rotor atau kerusakan roda gigi—dicocokkan dengan pola yang diketahui untuk mendiagnosis masalah secara akurat. Selain itu, karena sistem mekanis menjadi semakin kompleks, metode berbasis data, khususnya yang berbasis pembelajaran mesin, telah menjadi terkenal karena kemampuannya untuk menangani kompleksitas sistem modern tanpa memerlukan pemodelan matematika yang terperinci. Pendekatan canggih ini telah terbukti efektif dalam meningkatkan akurasi, efisiensi, dan keandalan diagnosis kesalahan dalam sistem mekanis yang kompleks.

Kesimpulannya, analisis getaran berfungsi sebagai alat yang ampuh untuk memastikan integritas operasional sistem mekanis. Lebih jauh lagi, analisis ini telah menjadi pilar mendasar pemeliharaan prediktif dalam industri otomotif, yang memberikan wawasan penting tentang kondisi komponen kendaraan. Pemantauan getaran berkelanjutan dapat mendeteksi indikator awal keausan dalam sistem mekanis penting seperti suspensi otomotif, yang mengalami beban dinamis dan tekanan lingkungan. Wawasan ini memungkinkan intervensi dini, mengurangi risiko perbaikan yang mahal dan mengurangi bahaya keselamatan sebelum meningkat. Teknik pemantauan kondisi berbasis getaran untuk pemeliharaan kendaraan, yang memainkan peran penting dalam strategi pemeliharaan tingkat lanjut, dibahas lebih rinci di bagian berikut.

2.1.1 Perawatan Kendaraan
Penelitian empiris secara konsisten menunjukkan dampak signifikan getaran pada mode kegagalan komponen kendaraan, terutama yang berhubungan dengan kegagalan katastrofik yang disebabkan oleh keausan suspensi dan tekanan yang disebabkan oleh jalan [ 49 ]. Degradasi komponen otomotif yang berkontribusi terhadap kegagalan akhirnya memang dipercepat oleh faktor eksternal seperti kekasaran jalan, variasi tingkat permukaan, sambungan logam, penyeberangan pejalan kaki, lubang got, tikungan, dan perlintasan kereta api. Ketidakteraturan ini memperburuk keausan, menjadikan pemantauan getaran sebagai praktik penting dalam industri otomotif untuk menilai kondisi pengoperasian kendaraan dan memprediksi potensi kegagalan [ 50 ]. Oleh karena itu, deteksi dini degradasi mekanis melalui analisis getaran sangat penting untuk menerapkan strategi perawatan prediktif yang meningkatkan keselamatan dan umur panjang kendaraan.

Teknik pemantauan getaran untuk komponen otomotif telah diselidiki secara ekstensif dalam literatur. Tuma [ 51 ] mempelajari getaran sudut di kotak roda gigi, dengan fokus pada kontribusinya terhadap pembangkitan kebisingan dari getaran yang tereksitasi sendiri di dalam kotak roda gigi. Kebisingan ini dikurangi secara efektif menggunakan pendekatan domain waktu-frekuensi. Demikian pula, Jasiński dan Radkowski [ 52 ] menggunakan analisis bispektrum untuk mendiagnosis kesalahan pada roda gigi yang berpasangan, berhasil mengekstraksi informasi diagnostik penting dari sinyal getaran. Lebih jauh lagi, beberapa pendekatan inovatif telah dikembangkan secara khusus untuk memantau suspensi kendaraan menggunakan data getaran. Eski dan Yildirim [ 53 ] merancang sistem kontrol jaringan saraf tiruan (ANN) yang kuat yang ditujukan untuk memantau getaran yang disebabkan oleh ketidakteraturan jalan untuk mengoptimalkan kinerja suspensi. Chavez dkk. [ 54 ] memperkenalkan sistem kontrol getaran aktif untuk suspensi otomotif berdasarkan teknik kontrol canggih seperti kerataan diferensial, mode geser, dan kontrol integrasi proporsional umum. Mekanisme kontrol ini tidak hanya mengurangi getaran yang tidak diinginkan akibat kondisi jalan yang tidak rata, tetapi juga meningkatkan kenyamanan berkendara dan memperpanjang masa pakai suspensi dengan memberikan umpan balik waktu nyata untuk mengoptimalkan kinerja dalam berbagai lingkungan pengoperasian. Studi ini menggarisbawahi peran penting analisis getaran dalam meningkatkan deteksi kesalahan dan prediksi kegagalan dalam sistem mekanis, dengan efektivitas khusus dalam sistem suspensi kendaraan.

Berdasarkan kemajuan dalam pemantauan getaran, model stokastik menyediakan kerangka kerja yang kuat untuk menangani ketidakpastian inheren yang terkait dengan keausan suspensi otomotif. Model-model ini memfasilitasi prediksi kegagalan probabilistik dengan memanfaatkan data waktu nyata dari sensor getaran [ 55 ]. Secara khusus, di sektor otomotif, kendaraan modern dilengkapi dengan serangkaian sensor yang luas yang dapat terus menyediakan data kondisi suspensi waktu nyata yang dianalisis oleh model stokastik untuk menyempurnakan prediksi mereka secara dinamis. Dengan memproses sinyal getaran terus-menerus ini, estimasi waktu kegagalan komponen yang semakin akurat diperoleh berdasarkan lingkungan pengoperasian kendaraan dan data kinerja historis. Pendekatan ini tidak hanya mengurangi risiko kegagalan bencana tetapi juga meningkatkan perencanaan pemeliharaan dengan memastikan bahwa intervensi hanya dilakukan bila diperlukan, sehingga mengoptimalkan alokasi sumber daya dan keandalan sistem.

Dalam konteks yang lebih luas dari pemodelan stokastik dan analisis data umur pakai, pemantauan kesehatan struktural (SHM) menggunakan analisis getaran telah muncul sebagai alat penting untuk mengevaluasi integritas komponen kendaraan yang sangat tertekan. Dengan memanfaatkan data getaran, sistem SHM dapat terus memantau kesehatan komponen-komponen ini, memungkinkan deteksi dini degradasi dan penilaian yang lebih akurat dari sisa umur manfaatnya. Ini sangat penting untuk sistem suspensi yang dikenai beban dinamis dari waktu ke waktu, di mana pendekatan pemeliharaan berbasis waktu tradisional sering gagal memperhitungkan variabilitas stokastik yang melekat dalam kondisi operasi dunia nyata. Akibatnya, sistem SHM yang menggunakan metode analisis data canggih, seperti analisis getaran, menawarkan kemampuan prediktif yang unggul untuk menentukan umur lelah dan mengoptimalkan jadwal pemeliharaan. Sistem ini memfasilitasi deteksi dini potensi kegagalan, sehingga mengurangi risiko kegagalan yang tidak terduga dan membantu memperpanjang umur operasi komponen penting [ 56 , 57 ].

Dalam beberapa tahun terakhir, kemajuan dalam perawatan prediktif semakin melibatkan integrasi pembelajaran mesin dan teknik pembelajaran mendalam. Hu et al. [ 58 ] memperkenalkan jaringan Memori Jangka Pendek Panjang (LSTM) untuk pemantauan kesehatan suspensi kendaraan, yang secara khusus dirancang untuk menilai sisa umur kelelahan berdasarkan data getaran. Dengan menggunakan data historis dan masukan waktu nyata, model ini menghasilkan prediksi umur kelelahan sambil menggabungkan elemen stokastik untuk memperhitungkan variabilitas acak dalam keausan suspensi. Sementara itu, Burdzik [ 59 ] menyelidiki peran elastisitas sistem suspensi dalam mentransmisikan getaran ke interior kendaraan, terutama di area tempat penumpang berinteraksi dengan kendaraan. Temuannya menunjukkan bahwa parameter kekakuan sistem suspensi secara signifikan memengaruhi perambatan getaran dan bahwa efek ini dapat diukur dengan analisis amplitudo dan frekuensi. Lebih jauh, pemodelan stokastik dapat digunakan untuk mengevaluasi efek parameter ini pada RUL suspensi, yang menyediakan pendekatan berbasis data untuk mengoptimalkan desain kendaraan dan strategi perawatan.

Akhirnya, metode pemantauan getaran berbasis wavelet telah semakin banyak digunakan untuk meningkatkan kemampuan diagnostik sistem suspensi otomotif, dengan fokus pada perawatan prediktif dan analisis data umur pakai. Azadi dan Soltani [ 60 ] menggunakan transformasi wavelet kontinu (CWT) untuk mendeteksi kesalahan pada suspensi kendaraan dengan mengisolasi frekuensi alami dan komponen energi yang paling rentan terhadap degradasi. Analisis wavelet ini berhasil membedakan antara cacat pada peredam dan bushing peredam atas (UDB), memberikan diagnosis kesalahan yang lebih akurat dibandingkan dengan analisis spektral tradisional. Kemajuan lebih lanjut dapat dilihat dalam karya Luo et al. [ 61 ] yang memperkenalkan teknik Dual-Tree Complex Wavelet (DTCWT), yang mengekstraksi fitur multiskala dari sinyal getaran, memfasilitasi deteksi kerusakan struktural pada komponen mekanis yang kompleks dan secara signifikan meningkatkan akurasi prediksi kerusakan dalam kondisi pengoperasian dunia nyata. Selain itu, Dumitriu [ 62 ] mengeksplorasi metode baru untuk deteksi kesalahan pada peredam suspensi kendaraan rel, menerapkan teknik pemantauan getaran berbasis wavelet untuk menganalisis getaran vertikal di bogie. Hasilnya menggarisbawahi efektivitas metode wavelet dalam meningkatkan kemampuan deteksi kesalahan, sehingga meningkatkan penilaian kinerja dan integritas suspensi. Tantangan kompleks dalam mengidentifikasi kegagalan gabungan dalam sistem suspensi kendaraan ditangani oleh Burdzik [ 63 ] melalui kerangka diagnostik komprehensif yang mengintegrasikan algoritma analisis getaran multidimensi canggih dengan pengklasifikasi saraf. Pendekatan inovatif ini tidak hanya meningkatkan kemampuan prediksi kerusakan melalui pengukuran resonansi wavelet tetapi juga menyederhanakan perawatan preventif dengan menyediakan metodologi inspeksi langsung untuk komponen suspensi. Akhirnya, Nowakowski et al. [ 64 ] menerapkan dekomposisi wavelet untuk meningkatkan kemampuan diagnostik suspensi kendaraan, khususnya dalam menilai keausan dan jarak bebas di dudukan suspensi bawah. Dengan berfokus pada wilayah resonansi sistem suspensi, pendekatan berbasis wavelet mereka terbukti lebih efektif daripada teknik diagnostik tradisional, menghasilkan penilaian kondisi dan keausan suspensi yang lebih akurat.

Oleh karena itu, literatur menekankan bahwa efektivitas pemeliharaan prediktif dalam meningkatkan analisis data masa pakai suspensi kendaraan sangat ditingkatkan dengan integrasi teknik pemantauan getaran, khususnya yang menggunakan analisis berbasis wavelet dan model stokastik. Pendekatan komprehensif ini telah terbukti meningkatkan akurasi prediksi masa pakai yang tersisa, sehingga memfasilitasi intervensi tepat waktu dan meminimalkan risiko kegagalan yang fatal.

2.2 Kerangka WAFER: Pemeliharaan Prediktif Canggih Melalui Pemantauan Getaran
Berdasarkan prinsip dasar pemantauan getaran, artikel ini memperkenalkan Wavelet Analyzer of g-Forces for Expected Residual Life Evaluation (WAFER), kerangka kerja yang kuat dan komprehensif yang dirancang untuk perawatan prediktif dan analisis data masa pakai sistem suspensi otomotif. Pendekatan inovatif ini memanfaatkan pemantauan getaran untuk mengoptimalkan biaya siklus hidup komponen-komponen penting ini secara sistematis. Khususnya, setiap subsistem kendaraan menua dan mengalami penurunan menurut pola temporal yang berbeda dan sering kali tidak dapat diprediksi yang secara kumulatif memengaruhi kinerja keseluruhan, dan sistem suspensi tidak terkecuali. Ketika sistem suspensi beroperasi melampaui ambang batas optimalnya, sistem tersebut dapat memasuki kondisi kegagalan pada waktu tertentu.
, mengekspos kendaraan terhadap kondisi yang semakin tidak aman selama periode kritis yang disebut
.

Untuk mengurangi risiko ini, intervensi pemeliharaan harus dijadwalkan pada waktu yang telah ditentukan sebelumnya
untuk memastikan keamanan dan keandalan. Kerangka kerja yang diusulkan dirancang khusus untuk memprediksi kapan jendela pra-kegagalan ini
akan dicapai dan secara dinamis menyempurnakan prediksinya berdasarkan data real-time dari kendaraan. Namun, memprediksi kondisi pra-kegagalan ini menantang karena masa pakai komponen yang sebenarnya jarang diketahui dengan tepat. Hal ini terutama berlaku untuk sistem suspensi, di mana masa pakai teoritis yang diberikan oleh produsen sering kali tidak sesuai dengan kinerja sebenarnya. Memang, daya tahan sistem suspensi yang sebenarnya dipengaruhi oleh beberapa faktor, termasuk kondisi lingkungan (misalnya, kualitas jalan, iklim), penggunaan historis (misalnya, kepatuhan terhadap jadwal perawatan, gaya mengemudi), dan tekanan operasional (misalnya, frekuensi beban, dampak tabrakan, keausan rutin). Dengan mengintegrasikan data operasional real-time, kerangka kerja terus memperbarui prediksinya untuk mencerminkan kondisi spesifik setiap kendaraan. Pendekatan dinamis ini meningkatkan akurasi prediksi sisa masa pakai yang berguna (RUL) dengan menjembatani kesenjangan antara estimasi teoritis dan kondisi dunia nyata. Pendekatan ini juga meningkatkan keselamatan dan efektivitas biaya strategi perawatan dengan menyelaraskannya lebih dekat dengan tuntutan aktual pengoperasian kendaraan.

Seperti yang diuraikan dalam bagian sebelumnya, analisis getaran telah lama dikenal sebagai landasan pemeliharaan prediktif karena kemampuannya untuk menangkap profil getaran karakteristik yang dihasilkan oleh sistem mekanis yang berfungsi sebagai indikator kesehatan operasionalnya [ 65 ]. Dengan demikian, potensi kegagalan terdeteksi, memungkinkan intervensi proaktif sebelum masalah kecil meningkat menjadi masalah yang signifikan [ 66 ]. Secara historis, program pemeliharaan prediktif terutama bergantung pada data getaran domain frekuensi [ 67 ], di mana penganalisis berbasis mikroprosesor memperoleh sinyal domain waktu dan mengubahnya menjadi domain frekuensi menggunakan teknik seperti Fast Fourier Transform (FFT) [ 68 ]. Tanda tangan domain frekuensi yang dihasilkan menampilkan komponen atau puncak frekuensi individual mesin. Namun, meskipun kesederhanaannya dibandingkan dengan analisis domain waktu [ 69 ], analisis domain frekuensi sendiri mungkin tidak menangkap sifat kegagalan mekanis yang kompleks dan terus berkembang. Keterbatasan ini terutama terlihat pada sistem suspensi, yang beroperasi dalam kondisi yang sangat dinamis dan bervariasi. Untuk mengatasi tantangan ini, teknik tambahan, termasuk analisis domain waktu, multisaluran [ 70 ], dan analisis waktu nyata [ 71 ], sering digunakan bersama dengan analisis data domain frekuensi untuk memberikan gambaran diagnostik yang komprehensif. Tanpa teknik tambahan ini, keakuratan analisis data masa pakai dapat terganggu, yang mengarah pada prediksi yang kurang optimal tentang degradasi komponen dan sisa masa pakai yang bermanfaat.

WAFER mengatasi keterbatasan ini dengan menyatukan pemantauan getaran, analisis wavelet, dan pemodelan stokastik menjadi pendekatan terpadu yang digerakkan oleh data untuk pemeliharaan prediktif dan analisis data masa pakai. Inti dari desainnya adalah ketergantungan pada pemantauan getaran berkelanjutan [ 72 ], yang memberikan wawasan waktu nyata ke dalam perilaku dinamis sistem suspensi. Ini dicapai dengan memanfaatkan pendekatan pita sempit dengan menanamkannya dalam kerangka kerja komposit yang lebih kompleks yang beroperasi dalam domain waktu-frekuensi dan waktu. Domain waktu-frekuensi menangani pra-pemrosesan data, memungkinkan deteksi dini anomali mekanis dan menghasilkan alarm untuk kegagalan bencana yang akan datang. Secara paralel, komponen domain waktu menggunakan proses stokastik untuk memberikan perkiraan dinamis dari status sistem masa depan.

Analisis pita sempit digunakan karena kapasitasnya untuk menargetkan pita frekuensi yang dipilih pengguna yang terkait dengan komponen-komponen penting, yang memungkinkan pemantauan berkelanjutan dan terarah terhadap frekuensi tersebut. Tidak seperti data pita lebar, analisis ini memungkinkan pemantauan langsung, tren, dan pembuatan alarm otomatis dengan menggunakan sistem berbasis mikroprosesor untuk menganalisis jendela frekuensi yang spesifik untuk masing-masing komponen [ 73 ]. Misalnya, jendela pita sempit dapat dibuat untuk melacak energi dari satu set roda gigi, termasuk frekuensi jala roda gigi primer dan pita sampingnya [ 74 ]. Kemampuan ini selanjutnya ditingkatkan dalam kerangka kerja yang diusulkan dalam studi kami melalui penerapan transformasi wavelet, yang menguraikan sinyal getaran dalam domain waktu-frekuensi untuk mengisolasi komponen frekuensi yang menunjukkan degradasi mekanis. Dengan menyaring kebisingan secara efektif dan berfokus pada frekuensi yang paling erat kaitannya dengan keausan, model yang diusulkan secara dinamis melacak tingkat energi dari waktu ke waktu, memberikan pendekatan yang akurat dan proaktif untuk prediksi kegagalan.

Inovasi utama WAFER adalah kemampuannya untuk menyempurnakan prediksi kegagalan secara dinamis dengan mengintegrasikan data kinerja historis dengan kondisi pengoperasian waktu nyata. Integrasi ini meningkatkan akurasi perencanaan pemeliharaan melalui penerapan analisis wavelet dan pemodelan stokastik, yang memberikan estimasi yang lebih andal tentang kapan sistem suspensi kemungkinan akan gagal. Dengan mengadopsi pendekatan ini, kerangka kerja tersebut secara efektif menangkap sifat probabilistik degradasi suspensi dan memperhitungkan ketidakpastian dan variabilitas yang melekat yang menjadi karakteristik pengoperasian kendaraan di dunia nyata. Hasilnya, proses degradasi dipahami sepenuhnya, yang memungkinkan tindakan pemeliharaan diselaraskan secara tepat dengan kondisi sistem yang sebenarnya. Penyelarasan ini memastikan bahwa penilaian diagnostik jangka pendek dan strategi pemeliharaan jangka panjang dioptimalkan, memfasilitasi intervensi yang tepat waktu dan efektif yang memaksimalkan keandalan sistem dan efisiensi operasional.

Secara umum, WAFER merupakan kemajuan signifikan dalam bidang perawatan prediktif dan analisis data masa pakai, yang menyediakan kerangka kerja yang kuat dan andal untuk mengurangi biaya perawatan dan memperpanjang masa pakai komponen kendaraan penting seperti sistem suspensi. Dengan integrasi pemantauan getaran, analisis wavelet, dan pemodelan stokastik, kerangka kerja yang diusulkan meningkatkan akurasi perencanaan perawatan proaktif melalui prediksi kegagalan probabilistik, sistem peringatan waktu nyata, dan estimasi RUL. Sejauh pengetahuan penulis, belum ada sistem serupa yang diterapkan di sektor otomotif atau dalam aplikasi industri yang lebih luas.

3 Dampak Ekonomi dari Pemeliharaan Prediktif
Munculnya Industri 4.0, seiring dengan kemajuan pesat dan keterjangkauan teknologi sensor, telah meningkatkan kelayakan pemeliharaan prediktif secara signifikan. Memang, dengan mengintegrasikan mesin dengan kecerdasan berbasis data secara mulus, Industri 4.0 memungkinkan pengoptimalan kinerja operasional dan strategi pemeliharaan [ 75 ]. Pergeseran paradigma ini memungkinkan pemantauan aset fisik jarak jauh secara real-time, pelacakan produk secara terus-menerus, dan alur kerja produksi yang lebih efisien. Meskipun semakin sadar akan manfaat pemeliharaan prediktif, implementasinya yang memanfaatkan pemodelan statistik tingkat lanjut, peramalan deret waktu, atau pembelajaran mesin untuk deteksi kesalahan masih relatif terbatas [ 76 ]. Metode semacam itu tidak diragukan lagi berharga bagi organisasi yang telah menerapkan pemeliharaan prediktif dan ingin meningkatkan kemampuannya. Namun, adopsi mereka masih terbatas di sebagian besar organisasi, bukan karena kompleksitas teknis, yang sering kali menjadi perhatian sekunder, tetapi lebih karena tantangan utamanya terletak pada menunjukkan kelayakan ekonominya [ 77 ]. Hal ini semakin diperparah oleh fakta bahwa penerapan kerangka kerja pemeliharaan prediktif memerlukan investasi jangka panjang dengan implikasi finansial yang signifikan. Oleh karena itu, tanpa analisis ekonomi yang ketat, bahkan model pemeliharaan prediktif yang paling maju pun tidak mungkin diterima oleh para pembuat keputusan.

Dalam konteks ini, semakin jelas bahwa strategi pemeliharaan pabrik dan peralatan merupakan bagian integral dari operasi industri dan memiliki dampak yang mendalam pada efisiensi dan efektivitas biaya secara keseluruhan. Kepentingan kritisnya semakin ditegaskan oleh fakta bahwa aktivitas tersebut dapat mencapai 15% hingga 70% dari total pengeluaran perusahaan, yang menggarisbawahi dampak signifikannya pada biaya operasional secara keseluruhan [ 78 ]. Akibatnya, dalam lanskap yang semakin kompetitif, perusahaan harus terus menerapkan strategi pengurangan biaya untuk mempertahankan posisi pasar mereka. Saat ini, pemeliharaan korektif dan preventif merupakan strategi utama yang digunakan oleh sebagian besar perusahaan, meskipun kedua pendekatan tersebut menunjukkan keterbatasan yang signifikan karena sifat reaktifnya [ 79 , 80 ]. Kegagalan peralatan yang tidak terduga yang menjadi ciri pemeliharaan korektif sering kali mengakibatkan penghentian produksi yang tidak direncanakan, yang menyebabkan kerugian finansial dan potensi keterlambatan dalam pemenuhan pesanan yang dapat membahayakan hubungan pelanggan. Pemeliharaan preventif, meskipun pada dasarnya proaktif, tetap dibatasi oleh jadwal yang tetap daripada didorong oleh kondisi aset waktu nyata. Akibatnya, keterbatasan pendekatan tradisional ini telah menyebabkan munculnya pemeliharaan prediktif. Berbeda dengan pendahulunya, pendekatan ini mengadopsi metodologi proaktif dengan menggunakan teknologi sensor untuk terus memantau kondisi aset fisik. Sensor-sensor ini memainkan peran penting dalam menangkap parameter-parameter utama seperti waktu, getaran (digunakan secara khusus dalam model yang dikembangkan dalam artikel ini), suhu, tekanan, massa, perpindahan sudut, dan beberapa lainnya. Selain itu, data yang dikumpulkan dapat ditampilkan secara lokal pada antarmuka sensor atau dikirimkan ke jaringan eksternal untuk analisis lanjutan [ 81 ].

Berdasarkan peralihan ke metode prediktif yang lebih canggih, kerangka Wavelet Analyzer of g-Forces for Expected Residual Life Evaluation (WAFER) menawarkan solusi yang menjanjikan, menyediakan pendekatan canggih untuk pemeliharaan prediktif yang memberikan manfaat ekonomi yang signifikan. Dengan menyediakan estimasi akurat dari Remaining Useful Life (RUL) komponen mekanis, kerangka ini memungkinkan organisasi untuk beralih dari model pemeliharaan reaktif dan preventif ke strategi yang benar-benar prediktif, meminimalkan biaya operasi dan memaksimalkan efisiensi aset. Secara khusus, manfaat finansial paling langsung dari penerapan kerangka kerja tersebut adalah pengurangan waktu henti yang tidak direncanakan, yang merupakan salah satu gangguan paling mahal dalam operasi industri. Hal ini terutama disebabkan oleh fakta bahwa kegagalan peralatan yang tidak terduga memicu serangkaian konsekuensi negatif, termasuk hilangnya produksi, perbaikan darurat, pengadaan suku cadang yang dipercepat, dan biaya tenaga kerja yang signifikan. Lebih lanjut, model pemeliharaan tradisional sebagian besar mematuhi jadwal interval tetap, pendekatan yang secara inheren tidak efisien yang mengakibatkan pemeliharaan berlebih, yang mengarah pada inflasi biaya yang tidak diinginkan, atau pemeliharaan yang kurang, yang meningkatkan kemungkinan kegagalan yang tidak terduga. Sebaliknya, WAFER memanfaatkan prediksi kegagalan yang akurat dan dini untuk memungkinkan tim pemeliharaan menjadwalkan intervensi secara strategis pada interval yang paling hemat biaya, sehingga mengurangi dampak finansial dari waktu henti yang tidak direncanakan. Selain itu, optimalisasi penjadwalan pemeliharaan yang dimungkinkan oleh WAFER meningkatkan alokasi sumber daya, yang mengarah pada pengurangan biaya tenaga kerja dan biaya overhead pemeliharaan secara keseluruhan. Dengan memastikan bahwa intervensi dilakukan hanya bila diperlukan, pendekatan ini tidak hanya menghilangkan inefisiensi tetapi juga memperpanjang umur aset, yang pada akhirnya mengurangi biaya pemeliharaan secara keseluruhan dan memperkuat ketahanan operasional jangka panjang.

3.1 Keuntungan Strategis dari Pemeliharaan Prediktif
Strategi pemeliharaan prediktif, yang dicontohkan oleh kerangka kerja seperti WAFER, memberi produsen keunggulan kompetitif yang signifikan. Penerapan paradigma manufaktur tanpa cacat memang diperkuat secara signifikan oleh metodologi pemeliharaan prediktif, termasuk pendekatan yang dikembangkan dalam studi ini, yang memfasilitasi perencanaan proses yang adaptif dan optimal. Bersama-sama, kemampuan ini memperkuat daya saing industri jangka panjang dengan memastikan presisi, efisiensi, dan pemanfaatan sumber daya yang lebih tinggi. Pada intinya, pemeliharaan prediktif mewakili pergeseran paradigma dalam manajemen aset, memposisikan prediksi kegagalan sebagai landasan keandalan dan efisiensi operasional. Potensi pendekatan ini secara efektif diilustrasikan oleh kurva PF, model yang dikenal luas yang menggambarkan kerusakan progresif suatu aset dari waktu ke waktu, yang pada akhirnya menyebabkan hilangnya fungsi (Gambar 1 ). Daripada melihat kegagalan sebagai peristiwa sesaat, kurva PF mengonseptualisasikannya sebagai proses bertahap [ 83 ]. Dari perspektif ini, lintasan degradasi umumnya terungkap dari waktu ke waktu, sehingga memungkinkan untuk mendeteksi tanda-tanda peringatan dini sebelum suatu aset, seperti suspensi kendaraan dalam studi kasus kami, gagal total. Interval antara titik saat potensi kegagalan terdeteksi (P) dan terjadinya kegagalan total (F) dikenal sebagai interval PF. Titik P merupakan titik saat tanda-tanda awal kerusakan mulai terlihat, sedangkan titik F merupakan titik saat peralatan tidak dapat lagi menjalankan fungsi yang diinginkan.

Dalam lingkungan industri yang mengutamakan keandalan, tujuan utamanya adalah memposisikan operasi sejauh mungkin ke kiri pada kurva PF. Untuk mencapainya, penerapan strategi pemeliharaan prediktif sangat penting, yang memungkinkan antisipasi kegagalan sebelum terjadi dan dengan demikian memastikan pengoperasian aset penting yang lancar dan hemat biaya. Sementara beberapa organisasi telah mengintegrasikan pemeliharaan prediktif untuk bergerak menuju kondisi operasi yang optimal, sebagian besar tetap berada di sisi kanan kurva dengan terus mematuhi paradigma pemeliharaan tradisional. WAFER mengatasi tantangan ini dengan memfasilitasi transisi organisasi ke sisi optimal kurva PF melalui penilaian kondisi aset yang dilakukan pada interval yang lebih pendek dari interval PF. Dengan menggunakan teknik diagnostik canggih seperti pemantauan getaran waktu nyata, metodologi ini memungkinkan prediksi akurat lintasan kinerja masa depan sekaligus memfasilitasi deteksi dini kondisi kegagalan yang baru terjadi, sehingga meningkatkan efisiensi pemeliharaan dan memastikan keandalan aset yang lebih besar. Kemampuan prediktif ini sangat penting karena menyediakan waktu tunggu yang kritis bagi tim pemeliharaan untuk secara sistematis merencanakan dan menjadwalkan intervensi yang diperlukan, mulai dari penyesuaian korektif kecil hingga tindakan pencegahan yang komprehensif.

Lebih jauh lagi, mekanisme pembelajaran berkelanjutan yang tertanam pada WAFER meningkatkan akurasi prediktif dari waktu ke waktu dengan beradaptasi secara dinamis terhadap pola operasional dan variabel lingkungan yang terus berkembang. Kemampuan beradaptasi tersebut sangat penting dalam lingkungan industri yang sangat dinamis, di mana kondisi operasi yang berfluktuasi, didorong oleh faktor-faktor seperti variasi beban dan siklus tekanan mekanis, memerlukan strategi pemeliharaan yang responsif dan mengoptimalkan diri. Dari perspektif strategis dan ekonomi, hal ini menghasilkan kemampuan nyata bagi organisasi untuk mengurangi gangguan operasional, membatasi kerugian finansial, dan meningkatkan efisiensi pengelolaan aset secara keseluruhan. Dengan memanfaatkan kerangka kerja pemeliharaan prediktif seperti WAFER, perusahaan dapat mencapai keunggulan kompetitif yang berkelanjutan dalam lanskap industri yang semakin menuntut.

Contoh pada Gambar 2 menggambarkan dampak ekonomi dari berbagai strategi perawatan melalui perbandingan biaya dalam studi kasus yang membahas kegagalan yang disebabkan oleh ketidakselarasan [ 84 ]. Secara khusus, pendekatan proaktif di mana ketidakselarasan terdeteksi lebih awal melalui analisis getaran, seperti yang dapat dilakukan oleh WAFER, dan segera diperbaiki, menimbulkan biaya minimum sekitar $550. Jika perawatan ditunda, tetapi masih dikelola dalam kerangka kerja prediktif yang memungkinkan penyelarasan ulang sebelum kerusakan signifikan terjadi, biaya meningkat menjadi sekitar $2.120 karena kebutuhan untuk memperbaiki komponen yang sudah terpengaruh oleh ketidakselarasan. Namun, penundaan lebih lanjut yang mendorong perawatan ke fase reaktif, di mana bantalan dan komponen penting lainnya mengalami kerusakan signifikan, mengakibatkan peningkatan biaya yang tajam. Biaya perawatan reaktif dapat mencapai $15.345, termasuk penggantian komponen, perbaikan kerusakan tambahan, waktu henti produksi, lembur darurat, dan pengadaan suku cadang yang dipercepat. Lebih jauh lagi, kegagalan untuk melakukan intervensi tepat waktu dapat mengakibatkan kegagalan besar, yang menyebabkan kerusakan parah pada seluruh sistem dan meningkatkan biaya secara dramatis. Contoh ini dengan jelas menunjukkan manfaat ekonomi signifikan yang terkait dengan kerangka kerja pemeliharaan prediktif seperti WAFER, yang memainkan peran penting dalam meminimalkan pengeluaran pemeliharaan dan mengurangi risiko keuangan.

3.2 Aplikasi Industri WAFER
Di sektor padat modal seperti kedirgantaraan, manufaktur, energi, dan transportasi, penggantian aset prematur menimbulkan beban keuangan yang besar. Dari perspektif investasi, metodologi pemeliharaan prediktif, seperti WAFER, secara signifikan meningkatkan laba atas investasi (ROI) untuk aset industri dengan memperpanjang umur operasionalnya. Dengan mengurangi degradasi yang dipercepat dan mencegah penggantian komponen yang tidak perlu, WAFER memungkinkan organisasi untuk menunda pengeluaran modal, sehingga menghasilkan penghematan biaya jangka panjang yang signifikan. Selain itu, pendekatan ini meringankan beban keuangan yang terkait dengan pengelolaan inventaris suku cadang, tantangan yang sering diperburuk oleh strategi pemeliharaan tradisional yang mengharuskan pemeliharaan tingkat stok pengaman yang besar untuk mengakomodasi kegagalan yang tidak terduga. Melalui prediksi kegagalan yang tepat, perusahaan dapat mengoptimalkan rantai pasokan suku cadang mereka, memastikan bahwa tingkat inventaris dan keputusan pengadaan diinformasikan oleh kebutuhan operasional aktual daripada permintaan spekulatif. Manajemen inventaris strategis ini membebaskan modal yang seharusnya terikat dalam inventaris yang berlebihan, sehingga meningkatkan fleksibilitas keuangan. Di luar pengurangan biaya langsung, konsekuensi ekonomi WAFER meluas ke efisiensi operasional yang lebih luas dan peningkatan posisi kompetitif. Dengan meminimalkan waktu henti yang tidak direncanakan dan mengoptimalkan sumber daya perawatan, pendekatan ini memfasilitasi peningkatan hasil produksi, peningkatan kualitas produk, dan keandalan rantai pasokan yang lebih baik. Secara kolektif, faktor-faktor ini memperkuat posisi pasar organisasi dan berkontribusi pada profitabilitas jangka panjang yang berkelanjutan.

Bukti empiris menunjukkan bahwa penerapan solusi perawatan prediktif menghasilkan manfaat yang signifikan di berbagai industri, meningkatkan efisiensi operasional, mengurangi biaya, dan meningkatkan keandalan secara keseluruhan. Di sektor otomotif, WAFER secara khusus dirancang untuk memantau degradasi dalam sistem suspensi kendaraan dengan mengintegrasikan analisis data umur pakai stokastik dengan data getaran frekuensi tinggi, sehingga memungkinkan prediksi yang tepat tentang kegagalan suspensi. Keuntungan ekonomi WAFER konsisten dengan penghematan biaya yang diamati dalam model perawatan prediktif lainnya dalam industri otomotif. Misalnya, dalam pembuatan lampu depan, pemantauan berkelanjutan terhadap parameter lingkungan, seperti tingkat debu, kelembapan, dan suhu, telah menghasilkan deteksi dini cacat produksi, mencapai pengurangan 29% dalam tingkat skrap. Demikian pula, prognostik berbasis getaran canggih WAFER memfasilitasi identifikasi awal anomali dalam sistem suspensi, secara efektif mencegah kegagalan yang dapat mempengaruhi kinerja kendaraan secara negatif. Sebanding dengan pemodelan prediktif yang digunakan dalam mesin cetak injeksi, yang memicu peringatan saat ambang kegagalan mendekati, kemampuan deteksi anomali waktu nyata yang dikembangkan dalam artikel ini memastikan bahwa keausan suspensi teridentifikasi jauh sebelum kegagalan kritis, sehingga memungkinkan intervensi terencana yang hemat biaya yang menghilangkan kebutuhan perbaikan darurat yang mahal. Hal ini semakin meningkatkan manfaat ekonomi dan operasional dari perawatan prediktif dalam sektor otomotif.

Lebih jauh lagi, kemampuan adaptasi diagnostik WAFER secara real-time membuatnya dapat diterapkan secara setara di lingkungan manufaktur presisi tinggi di mana keandalan peralatan dan kontrol kualitas yang ketat sangat penting. Dengan mengidentifikasi dan menangani akar penyebab degradasi mekanis secara sistematis, WAFER meningkatkan stabilitas proses dan efisiensi produksi secara keseluruhan, menegaskan kembali perannya sebagai solusi yang dapat diskalakan dan transformatif untuk manufaktur industri. Misalnya, dalam manufaktur peralatan, analisis real-time dari getaran punch, getaran jahitan, dan tekanan selama produksi drum pengering telah menghasilkan kemajuan signifikan dalam deteksi cacat, yang berpuncak pada pengurangan 33% dalam tingkat kegagalan dan penurunan 27% dalam biaya perawatan. Hasil ini menggarisbawahi manfaat ekonomi yang cukup besar yang dapat dicapai melalui penerapan metodologi pemantauan getaran canggih WAFER di sektor ini. Temuan ini merupakan lambang kemampuan WAFER untuk memberikan solusi perawatan yang hemat biaya dan berbasis data di seluruh spektrum aplikasi industri yang luas.

Selain itu, dalam industri berat seperti produksi baja, perawatan prediktif telah merevolusi keandalan peralatan dan efisiensi operasional. Pemantauan berkelanjutan terhadap pola getaran, kecepatan putaran, dan arus listrik dalam pabrik penggilingan dingin telah memungkinkan deteksi dini degradasi rol, memfasilitasi intervensi perawatan tepat waktu yang dapat memperpanjang umur peralatan hingga 60%. Dalam hal ini, kerangka kerja perawatan prediktif yang diartikulasikan dalam studi ini diposisikan secara ideal untuk implementasi, memanfaatkan teknik pemantauan getaran canggih untuk mengoptimalkan umur panjang peralatan. Dengan memberdayakan tim perawatan untuk menjadwalkan intervensi secara proaktif, pendekatan ini secara nyata mengurangi waktu henti yang tidak direncanakan, memastikan produksi tanpa gangguan dan memaksimalkan pemanfaatan sumber daya. Demikian pula, di sektor energi, di mana kegagalan yang tidak terduga dapat memicu kerugian finansial yang besar, pemantauan kondisi waktu nyata, seperti analisis getaran yang dilakukan oleh WAFER, telah mencapai pengurangan biaya perawatan sebesar 38% melalui fasilitasi deteksi kegagalan dini dan perencanaan perawatan strategis. Khususnya, dampak ekonomi dari pemeliharaan prediktif berbasis getaran di industri baja dan pembangkit listrik sejalan dengan kapasitas WAFER untuk memberikan solusi pemeliharaan berbasis data dan hemat biaya yang meningkatkan umur aset, efisiensi operasional, dan keberlanjutan finansial secara keseluruhan.

Secara keseluruhan, studi kasus ini menggambarkan potensi transformatif pemeliharaan prediktif dalam industri modern, yang menyoroti peran utamanya dalam meningkatkan kinerja aset, mengurangi biaya operasional, dan memungkinkan pengambilan keputusan berdasarkan data dalam lanskap yang semakin kompetitif dan berteknologi maju. Dalam konteks ini, WAFER muncul sebagai solusi yang sangat adaptif untuk industri yang mengutamakan keawetan aset, efisiensi biaya, dan keberlangsungan bisnis, serta memberikan keuntungan strategis melalui kemampuan prediktifnya yang canggih.

4 Bahan dan Metode
Untuk mengilustrasikan pendekatan yang diusulkan secara lebih rinci, kami sekarang menjelaskan bagaimana pendekatan tersebut mengimplementasikan konsep-konsep utama yang diperkenalkan di bagian sebelumnya. Seperti yang telah dibahas sebelumnya, pemantauan getaran biasanya terjadi dalam tiga tahap, yang pertama adalah akuisisi data. WAFER menangani tahap awal ini melalui jaringan sensor yang terpasang secara permanen yang terus-menerus mengumpulkan pengukuran getaran hanya-output selama pengoperasian kendaraan. Data ini sangat penting untuk memperkirakan karakteristik dinamis sistem suspensi dan melayani dua tujuan utama: penilaian kondisi waktu nyata dan penyempurnaan berkelanjutan dari prediksi kinerja sistem.

Unit pemrosesan khusus (PU) kemudian memproses sinyal dan mengirimkannya ke WAFER, yang menggunakan dua subsistem berbeda, masing-masing berfokus pada aspek spesifik pemeliharaan prediktif:

1. Detektor kegagalan (FD): subsistem FD bertanggung jawab atas deteksi kesalahan. Fungsi utamanya adalah mengidentifikasi situasi kritis saat sistem suspensi berisiko mengalami kegagalan besar. Setelah mendeteksi kondisi tersebut, FD segera memicu alarm suara atau visual untuk memperingatkan pengemudi agar mengurangi kecepatan. Untuk melakukan deteksi kegagalan, subsistem ini terus memantau gaya uniaxial sementara dan menilai tingkat keparahannya secara langsung untuk menentukan apakah gaya tersebut menimbulkan ancaman signifikan terhadap integritas suspensi.
2. Prediktor sisa umur pakai (RLP): subsistem RLP dirancang untuk analisis data masa pakai, khususnya untuk memperkirakan sisa masa pakai sistem suspensi. Kemampuan prediktif ini memungkinkan perencanaan pemeliharaan proaktif, mengurangi risiko kegagalan tak terduga, dan memastikan intervensi tepat waktu untuk mempertahankan kinerja sistem yang optimal dari waktu ke waktu.

Meskipun subsistem FD dan RLP mengandalkan sinyal getaran yang sama, data diproses pada skala waktu yang berbeda dan diambil sampelnya pada frekuensi yang berbeda untuk mengoptimalkan efisiensi komputasi sambil memberikan respons yang cepat. Konfigurasi ini menghilangkan kebutuhan akan filter redundan dan komponen domain waktu, sehingga menghasilkan pemrosesan dan umpan balik sinyal yang tepat waktu. Sinyal getaran yang kompleks diurai menjadi komponen frekuensi waktu menggunakan pemrosesan sinyal berbasis wavelet, yang memungkinkan subsistem FD untuk mendeteksi kejadian transien dan memantau rentang frekuensi kritis yang paling menunjukkan degradasi mekanis. Hasilnya, subsistem detektor kesalahan WAFER sangat efektif dalam mengidentifikasi anomali berenergi tinggi yang tiba-tiba yang dapat menyebabkan kegagalan suspensi langsung.

Subsistem RLP melengkapi deteksi kesalahan waktu nyata ini dengan menggunakan pemodelan stokastik untuk memprediksi kondisi sistem suspensi di masa mendatang. Untuk meningkatkan akurasi prediksi sisa masa pakai, sistem ini menyempurnakan estimasi ini secara dinamis dengan mengintegrasikan data getaran waktu nyata dengan catatan kinerja historis. Strategi data sumber ganda ini memastikan bahwa ambang batas kegagalan dikalibrasi ulang secara terus-menerus, mempertahankan tingkat respons yang tinggi terhadap kondisi pengoperasian kendaraan yang sebenarnya. Peningkatan akurasi prediksi RUL yang disediakan oleh subsistem prediktor sisa masa pakai WAFER menghasilkan beberapa manfaat utama, termasuk penjadwalan perawatan yang tepat waktu, berkurangnya kemungkinan kegagalan yang tidak terduga, alokasi sumber daya yang optimal, dan masa pakai sistem suspensi yang lebih lama. Hasil ini tidak hanya meningkatkan efisiensi operasional tetapi juga secara signifikan meningkatkan keselamatan dan keandalan kendaraan.

4.1 Pernyataan Masalah
Riwayat waktu respons tegangan diperoleh dari pengukuran regangan yang ditangkap langsung oleh sensor akselerometer yang dipasang pada sistem suspensi. Prediksi kelelahan dan masa pakai yang akurat bergantung pada kesimpulan riwayat tegangan dan regangan ini dari data getaran yang diperoleh oleh sensor tunggal. Proses ini memberikan estimasi tegangan mekanis yang dialami oleh suspensi secara akurat dan waktu nyata, sehingga memudahkan penilaian akumulasi kerusakan akibat kelelahan dan analisis data masa pakai. Penting untuk dicatat bahwa estimasi ini secara akurat menggambarkan riwayat waktu regangan aktual yang berkembang dalam kondisi pengoperasian, memastikan bahwa kerusakan akibat kelelahan yang terakumulasi secara akurat mencerminkan tegangan aktual yang dialami di lokasi yang dipantau. Oleh karena itu, penempatan sensor yang cermat, seperti yang ditentukan oleh produsen, sangat penting untuk memastikan keakuratan proses pemantauan.

4.1.1 Paket Data
WAFER memproses dua urutan data berbeda, yang dilambangkan
Dan
(lihat Tabel 1 ), yang masing-masing diproses secara individual oleh PU. Meskipun kedua sinyal berasal dari proses stokastik dasar yang sama, keduanya diambil sampelnya pada frekuensi yang berbeda.
Urutan diproses dengan cepat untuk mendeteksi peristiwa kritis, melewati langkah-langkah algoritmik tertentu untuk memastikan waktu respons yang cepat. Sebaliknya,
urutan mengalami pemrosesan yang lebih ekstensif karena digunakan untuk prediksi masa pakai. Pembagian tugas ini memungkinkan pengoptimalan efisiensi komputasi, dengan subsistem pendeteksi kegagalan yang didedikasikan untuk deteksi kesalahan waktu nyata, sementara subsistem prediktor masa pakai residual berfokus pada prediksi kinerja jangka panjang. Dengan memanfaatkan proses stokastik bersama, kerangka kerja kami dapat secara dinamis menyesuaikan prediksinya secara waktu nyata, meningkatkan akurasi dan ketahanan kemampuan diagnostik dan prediktifnya.

TABEL 1. Frekuensi pengambilan sampel dan rentang waktu untukx1,tDanx2,tdalam kerangka WAFER.

4.2 Akumulasi Kerusakan Akibat Kelelahan yang Deterministik
Salah satu kekuatan utama sistem WAFER adalah penerapan pendekatan deterministik untuk mengevaluasi energi yang terakumulasi dalam komponen yang dianalisis. Akumulasi energi progresif ini berfungsi sebagai pendorong utama degradasi fisik, yang berpuncak pada penurunan bertahap dalam kinerja dan keandalan suspensi. Model deterministik yang digunakan adalah hukum akumulasi kerusakan linier Palmgren-Miner [ 86 ], yang menyediakan kerangka kerja yang andal untuk mengukur kerusakan kelelahan historis pada titik-titik terlokalisasi dalam struktur yang mengalami tegangan amplitudo variabel.

Hukum Palmgren-Miner mendefinisikan akumulasi kerusakan akibat kelelahan sebagai:

Penerapan aturan Palmgren-Miner dalam kerangka WAFER khususnya dibenarkan oleh desain proses akuisisi data sistem, yang terus memantau gaya-G vertikal dan hanya mencatat kejadian-kejadian ketika gaya tersebut melampaui ambang batas yang ditentukan pengguna. Desain ini memberikan beberapa manfaat signifikan, termasuk peningkatan ketahanan dalam analisis data umur pakai melalui estimasi kerusakan kelelahan yang akurat, peningkatan efisiensi komputasi, dan tingkat akurasi yang tinggi dalam prediksi yang dihasilkan. Tidak seperti metode yang mengandalkan model akumulasi kerusakan kelelahan stokastik [ 88 , 89 ], pendekatan deterministik yang diadopsi dalam kerangka kami memastikan bahwa prediksi didasarkan dengan kuat pada data operasional aktual. Dengan memanfaatkan pengukuran getaran waktu nyata pada frekuensi pengambilan sampel yang sesuai, penilaian degradasi komponen yang lebih andal diperoleh tanpa bergantung pada model eksitasi yang diasumsikan yang sering kali gagal menangkap secara akurat perilaku sebenarnya dari struktur.

Aspek penting untuk memastikan keandalan penilaian ini terletak pada penentuan kerusakan lelah yang akurat di setiap titik, yang memerlukan akses ke riwayat waktu tegangan yang komprehensif [ 89 ]. Estimasi ini diperoleh di Bagian 4.4 dari sistem pemantauan yang menggunakan sejumlah kecil sensor getaran yang ditempatkan secara strategis untuk mengukur parameter seperti percepatan, perpindahan, dan regangan di seluruh struktur. Namun, data sensor mentah saja tidak cukup untuk analisis yang akurat. Untuk memastikan keakuratan prediksi masa pakai dan proses deteksi kegagalan, sinyal sensor diproses terlebih dahulu dengan filter digital Butterworth, yang menghilangkan noise (seperti yang dirinci di Bagian 4.3 ) dan mengisolasi komponen gaya yang signifikan. Langkah praproses ini sangat penting untuk memastikan bahwa data yang digunakan dalam analisis hilir, khususnya deteksi kegagalan dan estimasi RUL, akurat dan andal. Memang, efektivitas analisis selanjutnya secara langsung dipengaruhi oleh kualitas praproses sinyal.

4.3 Peredam Gelombang
Teori wavelet membentuk fondasi algoritma pengurangan derau sinyal WAFER, yang memainkan peran penting dalam meningkatkan kualitas data yang digunakan dalam analisis data umur pakai, dengan penekanan khusus pada estimasi umur lelah. Dengan menguraikan sinyal getaran menjadi komponen waktu-frekuensi penyusunnya [ 90 ], transformasi wavelet memungkinkan identifikasi dan isolasi yang tepat dari pita frekuensi yang paling menunjukkan degradasi mekanis. Penguraian ini tidak hanya memfasilitasi deteksi fenomena transien—seringkali merupakan pertanda kegagalan struktural—tetapi juga memungkinkan karakterisasi pola tegangan kumulatif, yang secara signifikan meningkatkan akurasi dan ketahanan prediksi RUL [ 91 ].

Inti dari proses denoising ini adalah pemanfaatan sifat kelangkaan yang melekat pada representasi wavelet, di mana sebagian besar koefisien yang sesuai dengan sinyal yang benar dan bebas noise diharapkan menjadi nol atau sangat kecil. Sifat ini memberikan dasar alami untuk pengurangan noise. Secara khusus, WAFER menggunakan skema ambang batas keras [ 92 ]:

yang secara selektif hanya mempertahankan koefisien wavelet yang besarnya melebihi ambang batas yang telah ditetapkan, yang secara efektif membedakan komponen sinyal yang bermakna dari derau stokastik. Dengan demikian, algoritma secara sistematis melemahkan artefak derau frekuensi tinggi sambil mempertahankan tanda-tanda getaran yang paling kuat berkorelasi dengan degradasi yang disebabkan oleh kelelahan. Selain itu, penentuan parameter ambang batas sangat penting karena memerlukan keseimbangan yang cermat antara pengurangan derau dan pelestarian fitur sinyal penting. Keseimbangan ini dipertahankan di beberapa tingkat resolusi, memastikan bahwa detail skala halus dan pola struktural yang lebih luas ditangkap secara memadai. Kemampuan multiresolusi dari transformasi wavelet dengan demikian menyediakan alat yang ampuh untuk membedakan antara anomali transien dan fenomena terkait kelelahan yang persisten, yang selanjutnya meningkatkan keandalan proses denoising [ 93 ].
Untuk penjelasan matematika yang komprehensif mengenai teori wavelet dan teknik denoising yang digunakan di sini, pembaca dapat merujuk ke [ 94 – 96 ].

Dengan hanya memasukkan pengukuran gaya-G yang paling relevan secara selektif dalam analisis, WAFER bertujuan untuk meningkatkan akurasi prediksi kegagalan suspensi kendaraan. Proses penyaringan yang ditargetkan ini dirancang untuk mengoptimalkan kualitas data masukan untuk penilaian waktu nyata, sekaligus memastikan bahwa analisis data masa pakai dilakukan dengan presisi yang lebih tinggi. Tujuannya adalah untuk mencapai estimasi masa pakai kelelahan dan tingkat degradasi yang lebih andal, sehingga memungkinkan keputusan perawatan yang lebih tepat waktu dan tepat berdasarkan data operasional yang paling penting.

4.6 Ekstraksi Sinyal Minat Berbasis Wavelet melalui Analisis Multiresolusi

Oleh karena itu, jika energi sistem melampaui ambang batas yang ditetapkan, sistem suspensi dianggap dalam bahaya kegagalan yang akan segera terjadi, yang memicu peringatan segera. Peringatan waktu nyata ini berfungsi sebagai indikator penting bahwa sistem suspensi akan segera gagal kecuali tindakan korektif segera diambil. Dalam hal ini, mekanisme peringatan tidak hanya reaktif, tetapi proaktif, memberikan sinyal tepat waktu yang memungkinkan intervensi untuk mencegah hasil yang fatal. Sebagai elemen mendasar dari kerangka kerja perawatan prediktif, ia memainkan peran penting dalam mengurangi risiko kegagalan yang tidak terduga, dengan demikian meningkatkan keselamatan dan keandalan kendaraan secara keseluruhan.

4.8 Model Prediksi RUL Berdasarkan Sinyal yang Diproses
Analisis sekarang beralih secara eksklusif ke sinyal yang diproses
, yang berfungsi sebagai masukan untuk model statistik yang secara khusus dirancang untuk memperkirakan sisa masa pakai sistem suspensi kendaraan. Perlu dicatat bahwa prediksi RUL yang akurat memerlukan akumulasi kumpulan data yang cukup besar untuk menangkap pola degradasi jangka panjang secara efektif. Oleh karena itu, WAFER memerlukan jarak tempuh operasi minimum, biasanya dalam kisaran 2.000 hingga 5.000 mil, sebelum dapat menghasilkan estimasi RUL yang andal.

Model prediktif yang digunakan dalam kerangka kerja kami adalah dari kelas Exponential Smoothing [ 99 ], sebuah metode yang ketat dan mapan untuk peramalan deret waktu. Dikenal karena kemampuannya untuk secara efektif menangkap fluktuasi jangka pendek dan tren jangka panjang, metode ini sangat cocok untuk aplikasi pemeliharaan prediktif [ 100 ]. Sistem seperti suspensi kendaraan, yang mengalami keausan dan kelelahan progresif, sangat diuntungkan dari kemampuan beradaptasinya terhadap variasi temporal yang melekat dalam dinamika degradasi, sehingga memungkinkan estimasi akurat dari sisa masa pakai yang bermanfaat. Selain itu, model penghalusan eksponensial memastikan deteksi yang andal dari anomali langsung dan keausan bertahap dengan memprioritaskan pengamatan terkini sambil mempertahankan data historis, yang memungkinkan WAFER untuk cepat beradaptasi dengan perubahan dalam lintasan degradasi sistem suspensi. Efisiensi komputasinya memposisikannya sebagai pilihan yang valid untuk kerangka kerja pemeliharaan prediktif waktu nyata, di mana asimilasi data yang cepat dan pembaruan berkelanjutan sangat penting untuk pengambilan keputusan yang tepat.

Selain itu, model penghalusan eksponensial pada dasarnya adalah kerangka stokastik, yang didasarkan pada prinsip-prinsip probabilistik yang menangkap ketidakpastian inheren dalam data deret waktu. Dalam formulasi stokastiknya, model tersebut mengasumsikan bahwa nilai-nilai yang diamati merupakan kombinasi dari komponen-komponen sistematis—seperti tren dan musim—dan gangguan acak. Struktur probabilistik ini diformalkan oleh representasi ruang-keadaan yang terdiri dari dua persamaan inti: persamaan observasi, yang menghubungkan data yang diamati dengan keadaan laten yang mendasarinya, dan persamaan keadaan, yang menggambarkan evolusi temporal dari keadaan-keadaan ini. Kedua persamaan tersebut mencakup istilah-istilah galat acak yang mencerminkan variabilitas inheren dari sistem tersebut. Akibatnya, penghalusan eksponensial tidak hanya menyediakan prakiraan titik tetapi juga menghasilkan interval prakiraan yang menyediakan ukuran probabilistik dari ketidakpastian yang terkait dengan observasi di masa mendatang. Fondasi stokastik ini meningkatkan kemampuan beradaptasi model terhadap pola dan fluktuasi yang terus berkembang, sehingga sangat cocok untuk pemeliharaan prediktif. Dalam aplikasi semacam itu, degradasi sistem sering kali dipengaruhi oleh keausan bertahap dan guncangan yang tidak diantisipasi, sehingga memerlukan model yang mampu merespons secara dinamis terhadap lintasan degradasi yang tidak pasti dan kompleks.

Dalam algoritma prediksi kami, langkah pertama agregasi data memainkan peran penting dalam meningkatkan kinerja model dengan mengurangi volatilitas dan gangguan yang melekat pada data mentah. Saat memodelkan tren degradasi jangka panjang, pendekatan ini memastikan bahwa model secara efektif menangkap akumulasi kelelahan secara bertahap sambil meminimalkan pengaruh fluktuasi jangka pendek. Akibatnya, kerangka kerja prediktif terintegrasi dengan mulus ke dalam metodologi analisis data seumur hidup WAFER. Dengan menggunakan model penghalusan eksponensial, sistem ini dengan terampil menggabungkan tren penyerapan energi historis dan sifat stokastik beban operasional masa depan. Hasilnya adalah WAFER secara signifikan meningkatkan keakuratan prediksi waktu kegagalan, menyediakan mekanisme yang kuat untuk memperkirakan sisa masa pakai sistem suspensi dan mengoptimalkan intervensi pemeliharaan.

5 Hasil
Bagian berikut ini menguraikan kerangka empiris dan kemajuan metodologis yang mendasari kemampuan sistem WAFER. Di Bagian 5.1.1 , kami menguraikan alur kerja pemrosesan sinyal, dengan menekankan ekstraksi dan analisis komponen getaran kritis menggunakan analisis multiresolusi dan teknik dekomposisi energi. Alur kerja ini diilustrasikan menggunakan data deret waktu yang dikumpulkan dari berbagai lingkungan perkotaan, yang menunjukkan bagaimana WAFER beradaptasi dengan berbagai kondisi jalan dan pola berkendara. Lebih jauh lagi, di Bagian 5.1.2 , analisis ini diperluas untuk mengatasi prediksi kegagalan katastrofik, yang merinci langkah-langkah pemrosesan yang efisien dari algoritme yang dipercepat. Dengan berfokus pada deteksi waktu nyata dan mekanisme peringatan, kami menyoroti kemampuan WAFER untuk memberikan wawasan yang cepat dan dapat ditindaklanjuti untuk pemeliharaan prediktif dalam skenario operasional berisiko tinggi. Temuan-temuan ini secara kolektif menunjukkan kekokohan dan kemampuan beradaptasi sistem WAFER dalam konteks operasi standar dan ekstrem. Sebagai landasan kerangka kerja pemeliharaan prediktif, mekanisme peringatan ini secara signifikan meningkatkan keselamatan kendaraan dan keandalan operasional. Perannya melampaui sekadar deteksi kegagalan dan berfungsi sebagai bagian integral dari strategi yang lebih luas yang ditujukan untuk mengurangi risiko, mengoptimalkan keawetan sistem, dan memastikan fungsionalitas komponen penting yang berkelanjutan. Melalui pendekatan ini, kerangka kerja prediktif tidak hanya melindungi dari hasil yang buruk, tetapi juga menggarisbawahi potensi transformatif teknologi pemantauan dan diagnostik canggih dalam sistem kendaraan modern.

5.1 Kerangka WAFER untuk Estimasi RUL dan Prediksi Kegagalan Bencana
Bagian ini menjelaskan kerangka empiris yang digunakan dalam studi ini, yang mencakup empat sinyal berbeda seperti yang ditunjukkan pada Gambar 3. Sinyal-sinyal ini sesuai dengan dua segmen perjalanan pendek yang direkam di Roma (berlabel TS–a dan TS–b) dan San Diego (dilambangkan TS–c dan TS–d), masing-masing. Dengan frekuensi pengambilan sampel 20 Hz, interval waktu ditetapkan pada 1,05 dan 1,40 menit, disebut sebagai segmen A dan B. Perhatikan bahwa interval ini berbeda dari yang disajikan dalam Tabel 1 , yang dipilih secara khusus untuk meningkatkan kejelasan grafis. Lebih jauh, sinyal yang direkam menggambarkan deret waktu khas yang diproses oleh sistem WAFER, yang menggambarkan perbedaan yang jelas dalam akselerasi vertikal antara dua lingkungan perkotaan. Secara khusus, segmen yang direkam di Roma menunjukkan akselerasi vertikal yang meningkat secara signifikan dibandingkan dengan segmen di San Diego, perbandingan yang diilustrasikan dengan jelas pada Gambar 3. Perbedaan ini menyoroti pengaruh kondisi jalan dan pola mengemudi yang berbeda pada dinamika suspensi, yang memberikan wawasan penting untuk analisis selanjutnya. Di sini, kami memberikan penjelasan langkah demi langkah yang komprehensif tentang algoritme yang digunakan dalam kerangka kerja WAFER untuk pemrosesan sinyal, analisis prediktif, dan estimasi waktu hidup. Meskipun metodologi ini berlaku secara universal untuk semua sinyal yang direkam, kami hanya menyajikan kumpulan data San Diego, khususnya segmen TS–c, sebagai contoh ilustrasi. Fokus ini memungkinkan demonstrasi yang jelas tentang langkah-langkah pemrosesan dan analisis sinyal. Sementara gambar yang menyertainya menunjukkan hasil dari Roma dan San Diego, penjelasan terperinci dibatasi pada segmen TS–c untuk mengilustrasikan alur kerja yang mendasari kerangka kerja yang dikembangkan dengan jelas dan tepat.

5.1.1 Estimasi RUL
Inti dari sistem WAFER adalah jalur pemrosesan sinyal berurutan yang memfasilitasi penilaian degradasi jangka panjang dan deteksi kegagalan cepat. Proses ini mencakup langkah-langkah utama berikut:

 

5.1.2 Prediksi Kegagalan Bencana
Untuk mengatasi kebutuhan mendesak akan deteksi cepat kegagalan yang fatal, kami telah menyempurnakan algoritma WAFER, mengoptimalkannya untuk pemrosesan yang dipercepat dan pemberitahuan secara real-time. Meskipun versi yang disederhanakan ini mempertahankan prinsip-prinsip inti dari kerangka kerja pemeliharaan prediktif yang komprehensif, pelaksanaannya disesuaikan untuk memprioritaskan kecepatan dan kesegeraan. Secara khusus, pendekatan yang disempurnakan ini dirancang untuk segera mendeteksi kondisi kegagalan kritis dan mengeluarkan peringatan segera ketika ambang batas yang telah ditetapkan terlampaui:

• Akuisisi sinyal : sinyal yang diinginkan sekarang diambil sampelnya pada frekuensi 20 Hz.
• Analisis multiresolusi : sementara langkah praproses sinyal tetap konsisten dengan metodologi standar, penerapan MRA dalam kerangka deteksi cepat ini dioptimalkan secara khusus untuk pemrosesan yang dipercepat, dengan sengaja menghilangkan analisis multilevel komprehensif yang melekat dalam model prediktif standar.
• Dekomposisi energi : analog dengan modifikasi yang diterapkan dalam langkah MRA, proses ini disederhanakan untuk memfasilitasi identifikasi cepat lonjakan energi yang signifikan.
• Prediksi dan peringatan kegagalan : mengikuti pemantauan berkelanjutan, yang tetap konsisten dengan prosedur standar, energi yang dihitung secara instan dievaluasi terhadap ambang batas kritis yang telah ditentukan sebelumnya,W, sebagaimana diformalkan dalam Persamaan ( 10 ), untuk mempercepat proses pengambilan keputusan. Jika energi melebihi ambang batas ini, peringatan waktu nyata akan dibuat, yang segera memberi tahu operator tentang risiko kegagalan besar yang akan segera terjadi. Mekanisme respons cepat ini memastikan intervensi tepat waktu, meminimalkan potensi kegagalan sistem yang tidak terduga.

Pendekatan yang efisien ini memberikan pelengkap penting bagi metodologi WAFER secara keseluruhan, meningkatkan kemampuan sistem untuk melindungi terhadap kegagalan tak terduga dan bencana dalam konteks operasional berisiko tinggi.

5.2 Interpretasi dan Pembahasan Hasil
Hasil yang disajikan pada bagian sebelumnya menyoroti kemampuan tangguh kerangka kerja WAFER dalam pemrosesan sinyal tingkat lanjut, pemantauan getaran berkelanjutan, dan analisis prediktif sistem suspensi otomotif. Dengan menggunakan teknik berbasis wavelet, pendekatan yang diusulkan secara efektif membedakan antara lingkungan standar dan lingkungan bertekanan tinggi di berbagai lingkungan perkotaan. Hal ini memungkinkan pemodelan stokastik dan analisis data masa pakai yang lebih akurat, khususnya dalam memperkirakan RUL sistem suspensi. Data grafis lebih lanjut menekankan bahwa kerangka kerja analitis kami dioptimalkan dengan cermat untuk menangkap kondisi geografis tertentu yang memengaruhi keausan dan degradasi suspensi, sehingga memfasilitasi penerapan strategi perawatan prediktif yang ditargetkan dan peka terhadap konteks.

Analisis komparatif dari percepatan vertikal, ditunjukkan pada Gambar 3 , memberikan wawasan kritis ke dalam respons sistem suspensi terhadap variasi lingkungan antara Roma dan San Diego. Di segmen Roma (TS–a dan TS–b), percepatan vertikal yang lebih tinggi mencerminkan peningkatan tekanan mekanis yang disebabkan oleh medan perkotaan kota yang lebih kasar, dibandingkan dengan permukaan yang lebih halus yang ditemui di segmen San Diego (TS–c dan TS–d). Ketimpangan ini selanjutnya didukung oleh analisis energi WANOVA, seperti yang ditunjukkan pada Gambar 6 – 9. Secara khusus, histogram energi komponen D1 untuk Roma (Gambar 6 dan 7 ) menunjukkan puncak yang jelas, yang menunjukkan peningkatan tekanan mekanis yang terkait dengan medan yang tidak rata. Sebaliknya, data San Diego (Gambar 8 dan 9 ) menunjukkan tingkat energi yang lebih rendah dan lebih konsisten, sejalan dengan tuntutan mekanis yang relatif ringan dari permukaan jalan yang lebih halus.