JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
1
Perancangan Sistem Analisis Reliability Dan Maintenance Cyrogenic Tanks Dengan Interface Pada Platform Distributed Control System di PT.Gresik Gases Indonesia-PT.Gresik Power Indonesia (The Linde Group) Yusuf Afandi1, Hendra Cordova2, dan Andi Rahmadiansah3 Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected],
[email protected],
[email protected]
Abstrak— The Linde Group adalah perusahaan penyedia gas industri seperti argon, nitrogen dan oksigen terkemuka di Indonesia. Cyrogenic Tanks adalah salah satu Plant utama dari perusahaan karena berfungsi menyimpan gas cair yang sudah terpisahkan (Nitrogen, Oksigen, dan Argon). Maintenance yang dilakukan oleh perusahaan terbagi menjadi 3 macam yaitu Preventive Maintenance, Corrective Maintenance dan Predictive Maintenance. Perusahaan mulai mengembangkan maintenance berdasarkan prediksi (Predictive Maintenance) dalam rangka pengembangan sistem maintenance guna menjaga kehandalan masing-masing komponen. Sehingga didalam penelitian ini dilakukan pengembangan terhadap sistem predictive maintenance berdasarkan condition Based Maintenance. Dari hasil penelitian didapatkan bahwa prediksi kegagalan masing-masing komponen dapat dilakukan dengan menggunakan metode Auto Regressive Exogenous(ARX) dengan Level Transmitter LT81-2 Model 1 FIT sebesar 84.61%, Pressure Transmitter PT81-2 Model 1 FIT sebesar 83.66 %, Flow Transmitter FT36-2 Model 1 FIT sebesar 77.54%, Flow Valve FV36-2A Model 3 FIT sebesar 83.88%,Pressure Valve PT81-2A Model 2 FIT sebesar 52.18%. Dari segi kehandalan sendiri, dengan adanya maintenance ini dapat meningkatkan nilai kehandalannya. Kemudian Perancangan Sistem Predictive Maintenance berhasil dilakukan dengan baik. menggunakan interface pada Distributed Control System (DCS) dapat dilakukan dengan menggunakan komunikasi Ole for Process Control (OPC). Kata Kunci—ARIMA, ARX, Cyrogenic Tanks, Distributed Control System, Ole for Process Control, Perancangan Sistem Maintenance, Predictive Maintenance.
I. PENDAHULUAN
P
T. Gresik Power Indonesia-PT. Gresik Gases Indonesia yang merupakan anggota dari The Linde Group adalah perusahaan penyedia gas industri seperti Argon, Nitrogen dan Oksigen terkemuka di Indonesia. Selain itu perusahaan ini juga menyediakan listrik dengan memanfaatkan tekanan dari gas. Gas yang diambil merupakan gas dari alam yang kemudian dipisahkan sesuai kebutuhan menggunakan Air Separation Plant. Untuk memudahkan penyuplaian gas, maka bentuk gas kemudian diubah menjadi liquid sehingga gas yang belum dipakai dapat disimpan untuk kemudian dapat digunakan kembali atau dijual ke pihak lain. Penyimpanan gas cair tersebut ada didalam Cyrogenic Tanks. Cyrogenic Tanks adalah salah satu Plant utama dari perusahaan karena berfungsi menyimpan gas cair yang sudah terpisahkan (Nitrogen, Oksigen, dan Argon) berdasarkan standar yang telah diatur oleh perusahaan. Dimana gas cair yang disimpan
harus dijaga suhu dan tekanannya. Dari fungsi tersebut maka kinerja dari tangki ini harus tetap dijaga agar dapat menyimpan gas berupa liquid sesuai dengan kebutuhan yang ada. Tekanan maksimum yang diperbolehkan didalam tangki ini adalah 18, 22, dan 36 bar sesuai dengan volume tangki yang dibuat. [1] Sedangkan untuk temperatur nya antara -196 0 C sampai 20 0C. [1] Dari kondisi diatas maka diperlukan sistem pengendalian seperti sistem pengendalian temperatur, tekanan dan level agar tangki tetap terjaga pada kondisi idealnya. Kemudian untuk menjaga kestabilan sistem pada plant, maka dilakukan maintenance baik secara keseluruhan sistem atau pada masing-masing komponen nya. Maintenance yang dilakukan oleh perusahaan terbagi menjadi 3 macam yaitu Preventive Maintenance, Corrective Maintenance dan Predictive Maintenance. Preventive maintenance dan Corrective Maintenance merupakan maintenance yang dilakukan terencana tanpa mempertimbangkan kondisi plant. Namun terkadang maintenance yang terencana tidak dapat mengatasi permasalahan diluar rencana yang disebabkan pada kondisi plant. oleh karena itu dari perusahaan mulai mengembangkan maintenance berdasarkan prediksi (Predictive Maintenance) sebagai solusi dari permasalahan diatas. Dari permasalahan diatas kemudian akan dilakukan predictive maintence berdasarkan kondisi di plant dengan menggunakan metode Condition Based Maintenance (CBM). Dimana metode tersebut menganalisa kondisi dari masingmasing komponen dalam plant berdasarkan data pengukuran dan data historis. Dari hasil analisa tersebut akan digunakan untuk menentukan nilai maintenance dari komponen. Sehingga dari analisa tersebut maka didapatkan jadwal maintenance yang efisien yang diharapkan dapat menambah nilai reliability-nya. Untuk mempermudah operator di dalam melakukan maintenance-nya maka hasil yang didapat kemudian ditampilkan kedalam interface pada Platform Distributed Control System yang sudah ada. Tujuan dari penelitian ini adalah adalah untuk membuat sistem analisis Reliability dan Maintenance pada Cyrogenic Tanks dengan Interface pada Platform Distributed Control System di PT.Gresik Power Indonesia-PT.Gresik Gases Indonesia (The Linde Group). Dalam arti sistem analisis yang telah dibuat dapat diintegrasikan pada sistem pengendalian pada Platform Distributed Control System tersebut.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 II. METODOLOGI PENELITIAN Mulai
A
Studi Literatur
Penentuan data kegagalan Komponen Sistem
2 B. Perancangan Human Interface Station dengan menggunakan platform Distributed Control System Setelah dilakukan perancangan sistem maintenance, kemudian dilakukan perancangan Human Interface Station dengan mengambil parameter-parameter yang disesuaikan dengan tampilan di plant.
Kunjungan Lapangan Analisa Data Maintenance dari Pengukuran
DataLapangan, P&ID, dan Real Plant Tidak Sesuai
Penentuan Komponen yang dianalisa
Validasi Hasil ( Representasi Kegagalan)?
Sesuai
Perancangan sistem Interface DCS
Tidak Sesuai
Hasil Sesuai dengan Kebutuhan?
Injeksi Rumusann kedalam sistem Interface DCS
Penyusunan Laporan Akhir
Sesuai A
Selesai
Gambar 1 Flowchart penelitian
A. Perancangan Sistem Predictive Maintenance Dilakukan perancangan sistem predictive maintenance dimana dapat dilihat pada gambar, bahwa modul PM205 berfungsi sebagai tempat penginjeksian sistem.Adapun tampilan akhir dari sistem yang telah dibuat adalah sebagai berikut :
Gambar 5 Interface pada Distributed Control System
Adapun untuk merancang sistem interface, pertamatama dilakukan pengidentifikasian parameter-parameter yang digunakan (dimana dalam hal ini harus sesuai dengan yang telah didaftarkan oleh OPC). Setelah itu kemudian ditentukan waktu ketika sequence alarm dijalankan. Sequence alarm terbagi menjadi 2, alarm pertama menandakan waktu maintenance kurang dari 3 bulan (100 hari) sedangkan alarm kedua menandakan bahwa waktu maintenance efektif diperkirakan terjadi 1 bulan lagi (30 Hari). Sehingga level dari kedua sequence alarm juga akan berbeda dapat dilihat dalam tabel dibawah ini. Tabel 1klasifikasi alarm sesuai dengan kondisi
Gambar 2 Tampilan Akhir Sistem Maintenance
Sistem Maintenance yang telah diinjeksikan, kemudian akan diteruskan data nya (data berupa informasi berapa hari kemudian komponen akan dilakukan maintenance) ke dalam Distributed Control System melalui protokol komunikasi Ole for Process Control (OPC). Kemudian secara umum, sistem nya dapat dijelaskan dengan menggunakan diagram alur dibawah ini :
Tipe Alarm Alarm 1 Alarm 2
Waktu 100 D 30 D
Display Screen Blinking Indicator Blinking Label
Alarm Buzzer Off On
Setelah dilakukan pengklasifikasian alarm, kemudian dilakukan pendaftaran dari alarm-alarm notification yang nanti akan digunakan dengan annunciator Builder
Gambar 6 Pendaftaran alarm notification pada annunciator builder Gambar 3 Diagram Alir Sistem Injeksi pada Sistem Maintenance
Gambar 4 Mekanisme Setting OPC
Kemudian tahap selanjutnya adalah pembuatan function block dimana berfungsi sebagai penghubung antara sistem maintenance yang telah dibuat dengan sistem alarm dan interfac. Function block yang digunakan adalah PVI atau Process Value Indicator dengan integrasi kedalam sistem Alarm dengan menggunakan function block Calcu dengan memasukkan logika sesuai dengan klasifikasi alarm yang telah dibuat.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
3
Gambar 7 Function Block dari sistem DCS
Setelah dilakukan pembuatan function block dengan memperhatikan input-output masing-masing block, kemudian penulisan dilakukan pada block Calcu dengan menggunakan bahasa BASIC yang hampir sama dengan bahasa untuk mendevelop sistem maintenance. Kemudian dilakukan pendesainan pada HIS dan juga validasi untuk mendapatkan sistem yang sesuai dengan yang diinginkan.
dimana sebenarnya tahap ini hampir sama dengan ACF. Untuk membuat PACF dari masing-masing komponen pilih Stat Time Series Partial AutoCorrelation dimana dengan cara yang sama dengan ACF kita mengsetting parameter-parameter yang dibutuhkan. 4) Estimasi menggunakan ARIMA Tahap akhir dari Metode ini adalah kalkulasi dengan menggunakan ARIMA, dimana pada analisa ACF dan PACF kita dapat menentukan perkiraan model time series yang akan digunakan. Dengan pilih Stat Time Series ARIMA sehingga muncul kotak dialog seperti pada berikut
C. Metode AutoRegressive Integrated Moving Average (ARIMA) Didalam melakukan analisa terhadap model yang cocok untuk digunakan dalam hal prediksi waktu kegagalan pada masing-masing komponen salah satunya dilakukan dengan menggunakan metode ARIMA. Model ini merupakan gabungan antara AutoRegressive, dan Moving Average. Sehingga mempunyai order atau parameter p,d,q dimana p merupakan nomer dari autoregressive, d adalah nomer yang menunjukkan kestationeran data dan q merupakan nomer yang menandakan terdapat moving average. Dengan model umum ARIMA dinyatakan dalam persamaan berikut :
∅ 1 − = +
(1)[3]
Dimana operator AR adalah ∅ dan operator MA adalah [3]. Adapun beberapa step yang dilakukan terbagi menjadi : 1) Inisialisasi dan Deklarasi Data Inisialisasi dan Deklarasi data dilakukan dengan memasukkan data-data model kedalam workspace. Dalam hal ini akan dipisahkan workspace nya berdasarkan komponen yang akan dianalisa. Kemudian juga dipisahkan masingmasing model nya dalam kolom-kolom. 2) Plotting Auto Correlation Function (ACF) Pada tahap ini, dilakukan pengeplotan terhadap grafik berdasarkan lag-lag yang ada, dimana dengan menggunakan tingkat kepercayaan 95% dapat di ketahui korelasi data yang terdapat pada masing-masing data. Untuk membuat ACF dari masing-masing komponen pilih Stat Time Series Auto Correlation Kemudian kita masukkan model yang akan digunakan kedalam kolom series diatas. Setelah itu kita mengatur lags yang kita inginkan( jumlah lag secara default adalah n/4 jumlah pengamatan).setelah itu tekan OK dan muncul grafik ACF yang diinginkan. 3) Plotting Partial AutoCorrelation Function (PACF) Kemudian untuk memperkuat analisis data, selanjutnya dilakukan tahap Partial AutoCorrelation Function(PACF)
Gambar 8 Tampilan Setting ARIMA dari komponen FT36-2
Gambar 8 Settingan pada ARIMA dapat diisikan dalam kotak dialog diatas, dimana untuk mengatur banyaknya data yang akan divalidasi dan diramal dapat dimasukkan ke dalam tombol Forecasts…. (namun keterbatasan dari software ini adalah untuk meramal sebanyak 150 data). D. Metode Auto Regressive Exogenous (ARX) Selain menggunakan metode ARIMA yang langkahlangkah pengerjaanya sudah dijelaskan diatas, maka dilakukan juga analisa terhadap model yang cocok untuk digunakan dengan menggunakan metode Auto Regressive Exogenous(ARX). Dengan model utama dari ARX adalah sebagai berikut : = − +
(2)[4]
Dengan q merupakan satuan untuk waktu diskrit, sedangkan A(q) dan B(q) adalah = 1 + + ⋯ + = + + ⋯ + ! !"
(3)[4] (4)[4]
Sehingga # merupakan parameter dari output, $ merupakan parameter dari input dan merupakan nomer dari sampel input yang dibutuhkan sebelum mempengaruhi output. Berikut listing program yang digunakan didalam ARX. Tabel 2 Program ARX
1 2 3 4
me = arx([FV36_2A_Model1 waktu1],[1,0,1]) uV = waktu1(550:803); yV=FV36_2A_Model1(550:803); compare([yV uV],me,1);
Proses untuk memperoleh rumusan baru dari model yang di analisa ditunjukkan pada baris 1 dimana pada time series
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 analysis dengan metode ARX ini, konstanta yang berpengaruh adalah konstanta dari variabel output(Na). Sehingga konstanta dari variable input(Nb) dihilangkan. Kemudian untuk validasi dari rumusan yang telah didapatkan digunakan data yang sama 200-300 data terakhir, sehingga kemudian dapat di bandingkan apakah sudah mengikuti grafik dari data yang sebenarnya atau belum. Untuk mendapatkan hasil yang bagus maka percobaan diulang untuk 10 kali iterasi pada nilai Na kemudian dipilih dengan persen kesamaaan yang paling besar pada masing-masing arsitektur. E. Injeksi Rumusan kedalam Interface pada platform DCS Tahap terakhir dari penelitian ini adalah menginjeksikan rumusan yang telah didapat kedalam sistem predictive maintenance yang telah dibuat. Sehingga secara terstuktur di jelaskan didalam diagram alir program dibawah ini. Sistem ini merupakan sistem autocalculation didalam memprediksi waktu kegagalan dan akan memperbarui hasilnya setiap hari. Adapun data yang diprediksi berupa 2400 data sehingga dapat memprediksi waktu kegagalan komponen selama 3 bulan. Mulai
Cek Hari (Auto Load per Day)
4 III. HASIL DAN PEMBAHASAN A. Analisa dengan menggunakan metode ARIMA
(a)
(b)
A
Identifikasi kegagalan
(c) Ada
Adakah Hasil perhitungan Hari ini?
Tidak Sesuai
Data Gagal(0) >=5 kali berurutan?
Belum Ada Sesuai Masukan data dari Database
Peramalan nilai kegagalan
Kalkulasi waktu kegagalan :banyak data sebelum gagal /24 (satuan hari)
Kegagalan > 3 Bulan
Belum Tercapai Data Ramalan = 2400 data?
Hasil yang sama juga diperoleh ketika menganalisa komponen yang lainnya dengan menggunakan metode ini.dimana pada metode ini hanya dapat digunakan untuk memprediksi model yang tidak terlalu signifikan (dalam artian disini perbedaan antar data tidak terlalu besar). Sehingga ketika dilakukan peramalan terhadap nilai kegagalan dimana nilai akan turun drastic pada nilai 0, metode ini tidak bisa mengatasinya.
Injeksi ke sistem DCS
Sudah Tercapai A
Gambar 10 Grafik prediksi dari ARIMA pada FV36-2A a) model 1 b)model 2 c)model 3
Selesai
Gambar 9 Diagram alir program Maintenance
Data yang telah diramal kemudian diidentifikasi kegagalannya dimana nilai data = 0 berturut-turut selama 5 kali. Waktu menjelang kegagalan tersebut kemudian dikonversi kedalam satuan hari untuk kemudian dikirim ke sistem DCS yang telah dibuat melalui komunikasi OPC.
B. Analisa dengan menggunakan metode ARX Dikarenakan hasil yang dicapai didalam metode ARIMA tidak bisa merepresentasikan model kegagalan yang ingin dicapai, maka dilakukan analisa kedua dengan menggunakan metode ARX. Pada Flow Valve ditemukan 3 model data kegagalan. model yang dianalisa yang sama dengan menggunakan ARIMA. Didalam penelitian ini dilakukan 20 kali percobaan pada nilai konstanta output Na, dimulai dari 1 sampai 20. Kemudian dilakukan komparasi atau perbandingan data hasil ARX dengan data aktual yang ada kemudian didapatkan nilai persen FIT. Berikut adalah hasil ARX pada FV36-2A
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
5
Tabel 3 Hasil ARX pada masing-masing model komponen FV36-2A
- LT81-2
% = 1.322 − 1 − 0.3695 − 2 + 0.05422 − 3 − 0.0009248 − 4 − 0.002869 − 5 − 0.01676 − 6 +0.01931 − 7 + 0.03765 − 8 − 0.0986 − 9 +0.0662 − 10 + 0.004924 − 11 − 0.02254 − 12 +0.009276 − 13 − 0.008533 − 14 + 0.004787 − 15)+e(t)
(7) - PT81-2 Y(t)= 0.9978y(t-1) – 0.02962y(t-2) + 0.0308y(t-3) + e(t) (8) - FT36-2
% = 0.8927 − 1 + 0.01581 − 2 + 0.05749 − 3 − 0.05979 − 4 − 0.007765 − 5 − 0.0275 − 6 + 0.1184 −
7+0.001934−8−0.06503−9+0.02263−10+0.004481−11+0.
Dari hasil diatas kemudian didapatkan nilai FIT atau kesamaan data pada model 3 terjadi pada nilai Na=17 dengan FIT 79.35%, sedangkan pada model ke 2 didapatkan nilai terbesar pada Na=2 dengan FIT 79.72% kemudian pada model 3 nilai FIT terbesar yaitu 83.88% terjadi pada Na=2. Sehingga dari hasil diatas, kemudian dipilih model 3 dengan Na=2 untuk dijadikan model kegagalan pada komponen FV36-2A dikarenakan memiliki nilai FIT yang paling besar.
02546 − 12 + 0.0177 − 13 − 0.06464 − 14 + 0.03911 − 15 − 0.01825 − 16 + 0.02344 − 17 + 0.0311 − 18 + 0.01699 − 19 − 0.02622 − 20 +
(9)
- PV81-2A
% = 0.9923 − 1 − 0.2471 − 2 + 0.0518 − 3 + 0.1304 − 4 − 0.09019 − 5 + 0.04277 − 6 + 0.04127 − 7 − 0.0454 − 8 + 0.09578 − 9 − 0.07843 − 10 + 0.05373 − 11 − 0.1174 − 12 + 0.1843 − 13 − 0.06676 − 14 − 0.05503 − 15 + 0.1822 − 16 − 0.1163 − 17 + 0.02065 − 18 + 0.005727 − 19 +
(10)
C. Analisa Kehandalan masing-masing komponen dengan distribusi Weibull Dalam menentukan nilai kehandalan dari suatu sistem dapat didekati dengan menggunakan distribusi yang salah satunya adalah distribusi weibull. Dimana pada distribusi weibull fungsi kehandalan yang dipakai adalah sebagai berikut
9 0 = 12 3− 6 8 :
Gambar 11Hasil ARX dari komponen FV36-2A dengan Na=2 pada model 3
Sehingga didapatkan rumusan sebagai berikut:
Discrete-time IDPOLY model: A(q)y(t) = B(q)u(t) + e(t) A(q) = 1 - 1.102 q^-1 + 0.1092 q^-2 (5) Kemudian dari hasil yang sudah didapatkan kemudian dilakukan injeksi kedalam sistem Maintenance yang telah dibuat dengan menggunakan bahasa BASIC dimana sebelumnya masih berupa diskrit sehingga diubah kedalam bahasa BASIC (Bahasa yang digunakan dalam sistem perancangan) sehingga menjadi
Y(t)= 1.102y(t-1) - 0.1092y(t-2) + e(t)
(6)
Dimana y(t-n) yang terdapat pada rumusan menandakan nilai output pada saat kondisi ke –n dari data yang akan diramal. Hasil yang lain juga dapat dilihat dengan metode ini yang menunjukkan keberhasilan didalam mengidentifikasi kegagalan yang ada. Berikut adalah hasil dari rumusan yang telah di ubah kedalam bahasa BASIC pada komponenkomponen yang lainnya.
(11) [2]
Dimana : R(t) = Kehandalan distribusi weibull n = periode maintenance data 4 = weibull shape parameter
= weibull characteristic life Dengan menggunakan rumusan kegagalan pada distribusi weibull sebagai berikut : 7 9 − 7 9 05 = 12 3− 6 8 : 12 3− 6 8 :
7 ; ; + 17 (12)[2]
Didapatkan nilai β dan ϴ yang sesuai adalah 1.55 dan 34.8085. kemudian dilakukan perhitungan selama 1 tahun dengan asumsi waktu maintenance yang dilakukan adalah 40 hari. Sehingga rumus kehandalan nya menjadi : .<< 40 − 40 .<< 05 = 12 3− 6 8 : 8 : 12 3− 6 34.8085 34.8085 40 ; ; 40 + 1 (13) dengan parameter t berupa waktu kehandalan yang dihitung, n adalah nomer periode data maintenance Sehingga didapatkan hasil sebagai berikut :
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6
6 DAFTAR PUSTAKA
Reliability Analysis for FT36-2 Reliability
1.5 1 0.5 Time(Day)
1 24 47 70 93 116 139 162 185 208 231 254 277 300 323 346
0
no PM,R(t) PM, R(t-nT) Cumulative PM, Rm(t) Gambar 12 Hasil analisa kehandalan pada komponen FT36-2
Dari gambar diatas didapatkan bahwa dengan melakukan maintenance pada komponen FT36-2 dapat meningkatkan nilai kehandalannya. Dimana dapat ditunjukkan selisih terbesar terjadi pada saat waktu ke 59 dengan nilai selisihnya sebesar 0.09184. Sehingga dari hasil yang didapatkan diketahui bahwa nilai kehandalannya dapat di tingkatkan, hal ini akan memperpanjang durasi dari kehandalan komponen IV. KESIMPULAN/RINGKASAN Setelah dilakukan analisis serta pembahasan maka didapatkan beberapa kesimpulan pada penelitian ini yaitu: • Prediksi Kegagalan masing-masing komponen dapat dilakukan dengan menggunakan metode AutoRegressive Exogenous(ARX) dengan model yang dipilih pada masing-masing komponen adalah o Level Transmitter LT81-2 Model 1 dengan konfigurasi [15,0,1] mampu memprediksi kegagalan dengan perbandingan data asli sebesar 84.61% o Pressure Transmitter PT81-2 Model 1 dengan konfigurasi [3,0,1] mampu memprediksi kegagalan dengan perbandingan data asli sebesar 83.66% o Flow Transmitter FT36-2 Model 1 dengan konfigurasi [20,0,1] mampu memprediksi kegagalan dengan perbandingan data asli sebesar 77.54% o Flow Valve FV36-2A Model 3 dengan konfigurasi [2,0,1] mampu memprediksi kegagalan dengan perbandingan data asli sebesar 83.88% o Pressure Valve PV81-2A Model 2 dengan konfigurasi [19,0,1] mampu memprediksi kegagalan dengan perbandingan data asli sebesar 52.18% • Dari hasil analisa kehandalan masing-masing komponen didapatkan bahwa dengan adanya maintenance dapat meningkatkan nilai kehandalan nya. Namun pada PV81-2A kehandalan tidak dapat ditingkatkan dengan penjadwalan maintenance yang berkala. • Perancangan Sistem Prediksi maintenance berhasil dilakukan dengan baik menggunakan interface pada Distributed Control System (DCS) dapat dilakukan dengan menggunakan komunikasi Ole for Process Control (OPC).
[1]. The Linde Group, “Cyrogenic Standard Tanks”, 2009 [2]. Ebeling, Charles E, “An Introduction to Reliability and Maintainability Engineering“, Mc Graw-Hill Companies Inc, New york [3]. Iriawan, Nur; Astuti, Septin Puji, “Mengolah Data Statistik dengan Mudah Menggunakan Minitab14”, Penerbit Andi, Yogyakarta. [4]. www.mathworks.com/help/toolbox/ident/ref/arx.html [5]. Kumayasari, Magdalena Feby., ”Penerapan Condition Based Maintenance untuk menentukan waktu perawatan sistem pengendalian temperatur pada Thermal Oxidizer di Conocophilips Indonesia”, Jurusan Teknik Fisika ITS, 2010 [6]. Sing, G.R.P., “Improving Equipment Availability and Reliability Through Condition Monitoring at Cold Roling Mill Complex of Tata Steel” [7]. Wessels, William R.., “Practical Reliability Engineering and Analysis for System Design and Life-Cycle Sustainment”, CRC Press, Taylor & Francais Group;2010 [8]. Jardine, A.K.S, Lin, D., Banjevic, D., “A Review on Machinery Diagnostics and Prognostics Implementing Condition-Based Maintenance.”Mechanical System and Signal Prosessing 20 (2006),1483-1510,2005. [9]. Si, Xiao-Sheng; Wang, Wenbin; Hu, Chang-Hua;Zhou Dong-Hua, “ Remaininig useful life estimation – A review on the statistical data driven approaches”, Eouropan Journal of Operational Research 213, 2011