Manufaktur memasuki tahap ketika otomatisasi tidak lagi didefinisikan hanya berdasarkan berapa banyak mesin yang dapat diterapkan. Pertanyaan yang lebih penting adalah seberapa efektif otomatisasi dapat bekerja bersama orang-orang yang mengoperasikan, memelihara, memecahkan masalah, dan terus-menerus meningkatkan sistem produksi.
Mesin sangat unggul dalam pekerjaan yang berulang. Manusia lebih baik dalam menghadapi ketidakpastian. Oleh karena itu, lingkungan manufaktur yang paling kuat bukanlah lingkungan yang berupaya menyingkirkan manusia dari proses, melainkan yang sengaja membagi pekerjaan berdasarkan keunggulan keduanya.
Otomatisasi Harus Memperluas Kemampuan Manusia
Otomatisasi industri secara tradisional diukur melalui metrik yang umum dikenal, seperti waktu siklus, throughput, ketersediaan, dan efisiensi tenaga kerja. Pengukuran ini tetap penting, tetapi tidak menceritakan keseluruhan hal.
PLC dapat menjalankan urutan yang sama ribuan kali tanpa terdistraksi. Sistem visi dapat memeriksa sejumlah besar komponen berdasarkan kriteria yang telah ditetapkan. Robot dapat mengulangi gerakan terprogram dengan pemosisian yang konsisten. Sistem kontrol industri dapat terus-menerus mengumpulkan variabel proses dan merespons sesuai logika yang telah ditentukan sebelumnya.
Inilah area-area yang menjadi keunggulan jelas mesin.
Manufaktur menjadi jauh lebih sulit diprediksi di luar kondisi yang terkendali tersebut. Kekurangan material dapat mengganggu produksi. Pemasok mungkin mengubah spesifikasi komponen. Mesin mungkin mengalami gangguan intermiten yang tidak muncul dalam data historis. Pelanggan mungkin memerlukan perubahan produk pada menit-menit terakhir.
Situasi-situasi ini memerlukan penafsiran, bukan sekadar pelaksanaan.
Operator berpengalaman atau teknisi pemeliharaan dapat menggabungkan pengetahuan proses, perilaku peralatan, dan kondisi terkini untuk menentukan apa yang sebenarnya sedang terjadi. Kemampuan untuk menafsirkan konteks tersebut sulit direduksi menjadi rangkaian instruksi yang tetap.
Karena alasan ini, saya memandang otomatisasi bukan sebagai pengganti kemampuan manusia, melainkan sebagai cara untuk memperluasnya.
Mesin Menangani Pengulangan, Manusia Menangani Variasi
Cara yang berguna untuk merancang sistem produksi otomatis adalah memisahkan pekerjaan yang dapat diprediksi dari pekerjaan yang berubah-ubah.
Mesin sangat sesuai untuk operasi dengan input, output, dan aturan pengambilan keputusan yang didefinisikan dengan jelas. Perakitan berulang, pemindahan material, pengukuran, inspeksi, dan pengaturan proses sering kali dapat diotomatisasi karena kondisi operasinya dapat dijelaskan secara tepat.
Orang-orang menjadi lebih bernilai ketika proses bergerak di luar batasan tersebut.
Pertimbangkan gangguan peralatan yang tidak terduga. Alarm dapat menunjukkan suhu motor yang tinggi, getaran abnormal, atau hilangnya komunikasi. Sistem kontrol dapat mengidentifikasi kondisi tersebut dan memberikan informasi diagnostik, tetapi teknisi tetap perlu menentukan apakah masalahnya bersifat kelistrikan, mekanis, lingkungan, atau terkait dengan proses itu sendiri.
Perbedaan ini penting.
Otomatisasi dapat memberi tahu kita apa yang telah terdeteksi oleh sistem. Pengalaman manusia sering kali menentukan arti informasi tersebut di dunia fisik.
Oleh karena itu, pendekatan yang paling produktif bukanlah menanyakan apakah seseorang atau mesin yang seharusnya melakukan suatu tugas. Pertanyaan yang lebih baik adalah bagian mana dari tugas tersebut yang seharusnya ditangani oleh masing-masing pihak.
Data Tidak Menghilangkan Pertimbangan Rekayasa
Pabrik modern menghasilkan data operasional dalam jumlah sangat besar. PLC, platform DCS, sistem SCADA, peralatan pemantauan kondisi, historian, sistem visi, dan perangkat IIoT dapat terus-menerus menangkap informasi dari aset produksi.
Namun, lebih banyak data tidak secara otomatis menghasilkan keputusan yang lebih baik.
Sensor yang dikalibrasi dengan buruk dapat menghasilkan pengukuran yang tidak akurat. Alarm yang dikonfigurasi secara keliru dapat memicu intervensi operator yang tidak perlu. Stempel waktu yang hilang dapat menyulitkan rekonstruksi rangkaian peristiwa. Penamaan tag yang tidak konsisten dapat mempersulit analisis di berbagai lini produksi.
Sistem kecerdasan buatan dan analitik menghadapi keterbatasan yang sama.
Jika data yang mendasarinya tidak secara akurat merepresentasikan proses fisik, algoritme canggih tidak dapat secara ajaib memperbaiki masalah tersebut. Algoritme tersebut dapat menghasilkan kesimpulan yang sangat meyakinkan berdasarkan masukan yang keliru.
Inilah alasan digitalisasi industri seharusnya dimulai dari instrumentasi, logika kontrol, arsitektur data, dan pengetahuan proses. AI sebaiknya diperlakukan sebagai alat rekayasa lainnya, bukan sebagai pengganti dasar-dasar rekayasa.
Antarmuka Operator Adalah Bagian dari Sistem Otomatisasi
Otomatisasi yang berpusat pada manusia juga memerlukan perhatian terhadap cara informasi disampaikan kepada tenaga kerja.
Sistem kontrol yang secara teknis mumpuni tetap dapat berkinerja buruk jika operator disuguhi alarm berlebihan, grafik yang membingungkan, atau informasi yang datang terlambat untuk mendukung pengambilan keputusan.
Operator tidak memerlukan setiap titik data yang tersedia setiap saat. Operator memerlukan informasi yang tepat, disajikan dengan jelas, di tempat keputusan harus dibuat.
Prinsip yang sama berlaku bagi personel pemeliharaan.
Sistem pemantauan kondisi yang melaporkan ribuan pengukuran dapat menghasilkan sedikit manfaat jika teknisi tidak dapat membedakan variasi operasi normal dari gangguan yang mulai berkembang. Otomatisasi yang bermanfaat seharusnya mengurangi upaya kognitif yang tidak perlu, bukan sekadar memindahkan lebih banyak informasi ke layar.
Dalam praktiknya, desain antarmuka, manajemen alarm, diagnostik peralatan, dan desain alur kerja harus dianggap sebagai bagian dari arsitektur otomasi.
Keselamatan Harus Tetap Menjadi Tanggung Jawab Manusia
Otomasi industri dapat mengurangi paparan terhadap operasi berbahaya, tetapi otomasi itu sendiri tidak menjamin keselamatan.
Robot biasanya akan terus menjalankan urutan yang telah diprogram, kecuali arsitektur kontrol dan keselamatan menyediakan kondisi yang sesuai untuk menghentikan atau membatasi pengoperasiannya. Oleh karena itu, keselamatan bergantung pada sistem yang lengkap: sensor, pengendali keselamatan, interlock, penghentian darurat, pelindung, prosedur, praktik pemeliharaan, dan perilaku manusia.
Prinsip yang sama berlaku untuk sistem keselamatan fungsional.
Sistem instrumentasi keselamatan dapat mendeteksi kondisi berbahaya yang telah ditentukan dan memulai respons aman yang telah ditetapkan sebelumnya. Sistem ini tidak menggantikan pekerjaan rekayasa yang diperlukan untuk mengidentifikasi bahaya, menetapkan fungsi keselamatan, memvalidasi sistem, dan memeliharanya sepanjang siklus hidupnya.
Di sinilah tanggung jawab manusia tetap menjadi hal yang fundamental.
Insinyur dan profesional keselamatan harus memahami bukan hanya apa yang dirancang untuk dilakukan oleh suatu sistem otomatis, tetapi juga apa yang terjadi ketika asumsi tidak terpenuhi.
Jangan Mengotomatiskan Proses yang Buruk
Salah satu kesalahan otomasi yang paling umum adalah mencoba menyelesaikan masalah proses dengan menambahkan teknologi.
Jika proses manual tidak konsisten karena tanggung jawab tidak jelas, memasang otomasi tambahan mungkin hanya membuat inkonsistensi terjadi lebih cepat.
Jika data produksi tidak andal karena instrumen tidak dipelihara dengan baik, menambahkan analitik belum tentu menghasilkan prediksi yang berguna.
Jika prosedur pemeliharaan tidak efektif karena informasi peralatan tidak lengkap, menambahkan platform perangkat lunak lain dapat meningkatkan kompleksitas tanpa meningkatkan kinerja pemeliharaan.
Sebelum mengotomatiskan suatu proses, proses itu sendiri harus diperiksa.
Apakah prosesnya dapat diulang? Apakah inputnya terkendali? Apakah batas operasi telah dipahami? Apakah mode kegagalan telah diketahui? Apakah hasil yang diinginkan dapat diukur? Apakah ada alasan yang jelas untuk mengotomatiskan operasi tersebut?
Jika jawaban atas pertanyaan-pertanyaan ini tidak jelas, peningkatan proses biasanya harus dilakukan sebelum otomasi.
Proyek Otomasi Memerlukan Sasaran yang Terukur
Proyek teknologi dapat dengan mudah berfokus pada implementasi, bukan hasil.
Robot baru, platform PLC, sistem visi, aplikasi analitik, atau alat pemeliharaan digital mungkin mengesankan secara teknis, tetapi nilainya pada akhirnya harus dibuktikan melalui hasil operasional yang terukur.
Bergantung pada aplikasinya, hasil tersebut dapat mencakup berkurangnya waktu henti, waktu pergantian yang lebih singkat, tingkat produk terbuang yang lebih rendah, peningkatan hasil produksi pada lintasan pertama, lebih sedikit insiden keselamatan, diagnosis gangguan yang lebih cepat, atau berkurangnya intervensi pemeliharaan.
Hal pentingnya adalah menetapkan ukuran sebelum menerapkan teknologi.
Tolok ukur awal yang jelas memungkinkan penentuan apakah investasi tersebut benar-benar mengubah proses.
Tanpa tolok ukur awal, organisasi dapat mengukur keberhasilan proyek otomasi berdasarkan apakah sistem telah dipasang dan dikomisikan, bukan berdasarkan apakah masalah produksi telah terpecahkan.
Keterampilan Tenaga Kerja Harus Berkembang Seiring Teknologi
Seiring otomasi menjadi semakin canggih, keterampilan yang dibutuhkan pekerja industri juga berubah.
Teknisi pemeliharaan mungkin semakin perlu memahami jaringan, I/O jarak jauh, penggerak frekuensi variabel, diagnostik PLC, Ethernet industri, dan akuisisi data, selain keterampilan mekanis dan kelistrikan tradisional.
Operator mungkin perlu menafsirkan tren proses, bukan sekadar memantau alarm diskret.
Insinyur mungkin perlu memahami arsitektur kontrol dan arsitektur data.
Ini bukan berarti setiap pekerja harus menjadi pengembang perangkat lunak atau ilmuwan data. Artinya, organisasi perlu mengembangkan keterampilan teknis yang diperlukan untuk mengoperasikan dan memelihara sistem yang semakin terhubung.
Oleh karena itu, pelatihan harus dianggap sebagai bagian dari proyek otomasi, bukan aktivitas yang ditambahkan setelah komisioning.
Sistem Otomasi Terbaik Dirancang untuk Menghadapi Kegagalan
Karakteristik otomasi industri yang baik dan sering diabaikan adalah perilakunya ketika terjadi masalah.
Operasi normal relatif mudah didemonstrasikan. Pertanyaan teknik yang lebih sulit adalah apa yang terjadi ketika sensor gagal, koneksi jaringan terputus, aktuator tidak merespons, pengontrol berhenti berkomunikasi, atau operator memilih opsi yang tidak terduga.
Arsitektur otomasi yang baik mengantisipasi kondisi-kondisi ini.
Diagnostik harus membantu mengidentifikasi sumber masalah. Interlock harus mencegah urutan yang tidak aman. Redundansi harus diterapkan jika risiko dan aplikasinya membenarkannya. Intervensi manual harus tetap memungkinkan jika diperlukan secara operasional.
Dari perspektif teknik, kualitas sistem otomasi sering kali terlihat lebih jelas selama kondisi abnormal daripada selama produksi normal.
Pengalaman Manusia Tetap Menjadi Sumber Inovasi
Beberapa perbaikan paling bermanfaat di area produksi tidak berasal dari departemen teknik atau vendor teknologi.
Operator sering menemukan perubahan kecil pada proses yang mengurangi pergerakan yang tidak perlu. Teknisi pemeliharaan mengidentifikasi pola kegagalan berulang yang tidak terlihat jelas dalam dokumentasi peralatan. Personel produksi mungkin mengenali hubungan antara kualitas produk dan kondisi operasi sebelum hubungan tersebut muncul dalam analisis formal.
Pengamatan ini merupakan pengetahuan proses yang praktis.
Sistem digital dapat menangkap dan mengatur pengetahuan ini, tetapi organisasi tetap memerlukan mekanisme agar manusia dapat berkontribusi.
Lingkungan manufaktur yang benar-benar terhubung tidak hanya seharusnya mengirimkan informasi dari mesin kepada manusia. Lingkungan tersebut juga harus memungkinkan pengetahuan manusia meningkatkan mesin, prosedur, dan strategi kendali.
Langkah Berikutnya adalah Otomasi Kolaboratif
Masa depan otomasi industri kemungkinan tidak akan ditentukan oleh peralihan sederhana dari pekerjaan manual ke produksi yang sepenuhnya otonom.
Arah yang lebih realistis adalah otomasi kolaboratif, di mana mesin bertanggung jawab atas tugas-tugas yang repetitif, presisi, dan intensif data, sementara manusia tetap bertanggung jawab atas interpretasi, penanganan pengecualian, peningkatan, dan keputusan yang memerlukan konteks yang lebih luas.
Model ini mengubah cara proyek otomasi seharusnya dirancang.
Alih-alih bertanya, "Berapa banyak pekerja yang dapat digantikan oleh sistem ini?" para insinyur seharusnya bertanya, "Tugas manusia mana yang menimbulkan upaya, risiko, atau keterlambatan yang tidak perlu, dan bagaimana teknologi dapat mengurangi beban tersebut?"
Perubahan perspektif ini menghasilkan jenis otomasi yang berbeda.
Tujuannya bukan mengurangi jumlah pekerja dengan cara apa pun. Tujuannya adalah memanfaatkan keahlian manusia dengan lebih baik.
Definisi Kecerdasan Industri yang Lebih Praktis
Kecerdasan industri tidak boleh didefinisikan hanya berdasarkan keberadaan AI, robot, atau perangkat yang terhubung.
Sistem manufaktur yang benar-benar cerdas harus mengetahui apa yang dapat diotomatisasi, mengenali batas logika pengambilan keputusannya sendiri, memberikan informasi yang bermanfaat kepada manusia, dan gagal secara terkendali ketika kondisi berada di luar ruang operasi yang telah ditetapkan.
Manusia menyediakan konteks, penilaian, dan akuntabilitas.
Mesin menyediakan konsistensi, kecepatan, komputasi, dan pemantauan berkelanjutan.
Data menghubungkan keduanya.
Ketika elemen-elemen ini direkayasa secara terpadu, otomasi menjadi lebih dari sekadar kumpulan teknologi kendali. Otomasi menjadi model operasional yang menggunakan teknologi untuk menghilangkan pekerjaan yang tidak perlu, sementara keahlian manusia tetap tersedia di tempat yang menghasilkan nilai terbesar.
Oleh karena itu, masa depan manufaktur pada dasarnya bukanlah persaingan antara manusia dan mesin. Masa depan tersebut adalah rekayasa sistem produksi di mana masing-masing menjalankan pekerjaan yang paling sesuai untuknya.
