Uploaded by User84231

!3. safety standard-1

advertisement
SAFETY AND HEALTH
(MI-3105)
Disusun oleh:
Sutanto Hadisupadmo
1
2
3
22 ANSI/ISA-S84.01-1996 Acronyms
BPCS
CFR
E/E/PES
I/O
MOC
MTBF
MTTF
MTTR
OSHA
PES
PFD
PHA
PSAT
PSSR
SIL
SIS
WDT
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
:
Basic Process Control System
Code of Federal Regulations
Electrical/Electronic/Programmable Electronic System
Input/Output
Management of Change
Mean Time Between Failures
Mean Time To Failure
Mean Time To Repair
Occupational Safety and Health Administration
Programmable Electronic System
Probability of Failure on Demand
Process Hazards Analysis
Pre-Startup Acceptance Test
Pre-Startup Safety Review
Safety Integrity Level
Safety Instrumented Systems
Watchdog Timer
4
Control Feedback
PROSES
5
Lapisan Proteksi
6
Lapisan Proteksi
7
Lapisan Proteksi
8
Hazard-Based - Safety Engineering
9
10
11
12
13
14
15
16
Model Markov
17
Model Markov
18
Model Markov
19
Model Markov
20
Model Markov
21
Model Markov
22
Model Markov
23
Model Markov
24
Specific SIL implementation techniques
Misalnya ada suatu proses low pressure system yang memerlukan SIS. SIS
diimplementasikan dengan memasang sensor pressure dan control valve untuk SIL
yang berbeda dengan sensor, final elemen dan logic solver yang digambarkan
seperti Figure A.1 dan Figure A.2.
25
Specific SIL implementation techniques
26
Specific SIL implementation techniques
27
Specific SIL implementation techniques
28
Markov Model
29
Markov Model
Markov menyediakan flexibility untuk keperluan modeling
reliability, safety, performance dan pengukuran kombinasi.
Markov modeling hanya menggunakan dua simbol yang dapat
memberikan seperangkat alat evaluasi yang dapat dibandingkan
dengan teknik evaluasi yang lain.
30
Markov Model
Lingkaran merepresentasikan komponen dari State (bekerja
atau failed),
Merepresentasikan arah dari atau transisi diantara kedua
kondisi tersebut (failure atau repair).
31
Markov Model
 Markov
model
untuk
single
non
repairable
Component.
OK
0
λ
FAIL
1
 Markov model untuk single repairable Component.
OK
0
λ
μ
FAIL
1
32
Discrete – time Markov Model
•Pendekatan Markov terhadap reliability model dari kontrol sistem tidak
hanya fleksibel tetapi juga sistematik dimana dapat menyatakan kondisi
failure yang tak diduga.
•Markov model dapat diselesaikan untuk time – dependent condition.
•Time dapat dilihat kedalam dua cara yang berbeda yaitu:
• Discreate – time
• Continuous - time
33
Discrete – time Markov Model
 Discreate time model berubah sekali setiap kenaikan waktu.
 Kenaikan waktu tergantung dari model, dapat tiap jam, hari,
bulan, tahun atau yang lain.
 Sedang pada time continuous mempunyai konsep yang sama
hanya increment time berupa limit dari selisih waktu.
34
Discrete – time Markov Model
• Markov process pada continuous-time ataupun discrete-state
sering juga di sebut Markov chain.
Pure-birth process (Poisson process if 0= 1 = 2 … )
0

1

2

n
n
35
Discrete – time Markov Model
1, 2
Both p1 and p2 are working
1
p1 is working, p2 is failed
2
p2 is working, p1 is failed
0
Both p1 and p2 are failed
Non-identical p1 and p2
p1 has failure rate 1, repair rate 1
p2 has failure rate 2, repair rate 2
36
Discrete – time Markov Model
 Contoh :
Sebuah mesin pemasang label stamps out, dari recording
terlihat setiap 100 mesin fail. Rata – rata time repair 20
menit.
Dengan markov model :
 Time interval  10 min
 Dua kondisi  state (0)  sukses
 state (1)  Failure.
37
Discrete – time Markov Model
 Sistem mulai dari state 0, dari kondisi itu sistem akan tetap disitu atau ke
state 1 dalam beberapa waktu.
 Ada satu dalam 100 ( 0.01 ) kemungkinan sistem akan pindah dari state 0
ke 1.
 Dalam beberapa waktu interval sistem pasti akan bergerak ke state yang
baru atau akan tetap pada state sebelumnya dengan probabilitas satu.
38
Discrete – time Markov Model
 Probabilitas untuk tetap di state 0 adalah 0.99.
 Sekali sistem fail maka akan tinggal di state 1 jika tidak direpair dan akan pindah ke
state 0 jika direpair,
 Probabilitas dari perpindahan dari state 1 ke 0 dalam beberapa interval time adalah
0.5. (10 min interval / 20 min repair time).
 Sistem akan tetap di state 1 dengan probabilitas 0.5 ( 1- 0.5 ).
0.01
0.99
FAIL
1
OK
0
0.5
0.5
39
Transition Matrix
 Model dapat direpresentasikan dalam bentuk matrik.
 Sebuah matrik n X n dimana n  jumlah state, dapat menunjukkan
semua probabilitas.
 Matrik tersebut sering disebut sebagai “transition matrix “ dengan
simbol “P”.
 Misalnya untuk kasus sebelumnya mempunyai matrik transisi :
0.99 0.01
P

 0. 5 0. 5 
Tree Diagram
 Karakteristik dari sistem dapat dilihat dengan Tree diagram.
 Dimulai dari state 0, sistem bergerak ke state 1 atau tetap di state 0
selama interval waktu tertentu.
 Sehingga dari tree diagram dapat diketahui berapa lama downtime
sistem harus diharapkan ataupun yang lain.
Tree Diagram
Tree Diagram
 Dari Tree diagram tersebut akan tampak bahwa probabilitas sistem
untuk dapat bertahan pada kondisi / state 0 ( berfungsi ) mulai dari
interval pertama hingga interval ke empat adalah:
P( upper path )  0.99  0.99  0.99  0.99
 0.960597
 Dari Tree diagram tersebut juga dapat kita lihat probabilitas pada tiap –
tiap interval time, misalnya melihat probabilitas state 0 pada interval ke
2:
P( state 0 pd t  2 )  0.9801 0.005  0.9851
Tree Diagram
 Jika
probabilitas
tersebut
ditampilkan
dalam
sebuah
grafik
probabilitas terhadap interval time seperti berikut:
44
Tree Diagram
 Jika probabilitas tersebut ditampilkan dalam sebuah tabel adalah
seperti berikut :
45
Tree Diagram
 Ada metoda lain untuk menghitung probabilitas steady state, yaitu matrik.
 Matrik trasisi ‘P’ merupakan matrik yang menunjukkan probabilitas dari state 0 ke
state 1.
P
state n
 P P
state n 1
 Sehingga jika ingin mendapatkan probabilitas pada state ke n maka harus
diketahui probabilitas pada state ke n-1.
 P merupakan matrik transisi.
Tree Diagram
 Misalnya kita ingin mengetahui probabilitas pada interval ke-3 maka probabilitas
pada interval ke-2 harus di ketahui
0.99 0.1 0.99 0.1
P 
  0 .5 0 .5 
0
.
5
0
.
5



0.9851 0.0149


0
.
745
0
.
255


2
0.99 0.1 0.9851 0.0149
P 
  0.745 0.255 
0
.
5
0
.
5



0.9827 0.0173


0
.
8650
0
.
1350


3
Tree Diagram
 Jika perhitungan tersebut kita lakukan hingga interval tertentu dan perubahan
hasil perhitungannya sangat kecil / tidak terlalu signifikan
P
n 1
P
n
 Maka kondisi tersebut disebut sebagai “Limiting state probability “ atau
PL
Tree Diagram
 Metode dengan menggunakan matrik yang lain adalah dengan starting-state
probabilities, S.
S  1 0
0
 Dengan menggunakan matrik S dan P maka akan dapat dihitung
probabilitas tiap interval time.
S
n 1
 S P
n
Tree Diagram
0.99 0.1
S  1 0 

0
.
5
0
.
5


 0.99 0.01
1
0.99 0.1
S  0.99 0.01 

0
.
5
0
.
5


 0.9851 0.0149
2
0.99 0.1
S  0.9851 0.0149 

 0.5 0.5
 0.9827 0.0173
3
Tree Diagram
 Kondisi “ Limiting state probability “ terjadi jika :
S
n 1
 S
 S P
n
n 1
S
n
Tree Diagram
 Sehingga jika dimasukkan persamaan :
S
L
1
S
L
2
  S
L
1
S
L
2

0.99 0.1
 0 .5 0 .5 


0.99 S  0.5S  S
L
1
L
2
0.1S  0.5S  S
L
1
L
2
L
1
L
2
1
S 
 0.98039
1.02
L
S 2  1  0.98039  0.01961
L
1
Tree Diagram
1
S 
 0.98039
1.02
S 2L  1  0.98039  0.01961
L
1
 Sehingga
persamaan
solusi
tersebut
dapat
diaplikasikan pada semua sistem yang repairable.
53
Tree Diagram
 Sebuah sistem kontrol mempunyai Markov model seperti berikut. Proses akan
shutdown ketika kontroler pada state 3. Oleh karena itu state 3 diklasifikasikan
sebagai sistem failure. Sedangkan state 0,1 dan 2 diklasifikasikan sebagai sistem
yang sukses. Probabilitas failure dan probabilitas repair ditampilkan dalam Markov
model dalam basis perjam.
 Sehingga berapakah perkiraan downtime dari sistem?
54
Tree Diagram
0 
0.996 0.002 0.002
 0.1 0.899

0
0
.
001

P
 0 .1
0
0.899 0.001


0
.
01
0
0
0
.
99


S
L
0
S1L
S 2L
 
S3L  S 0L
S1L
S 2L
S3L

0 
0.996 0.002 0.002
 0.1 0.899

0
0
.
001


 0 .1
0
0.899 0.001


0
.
01
0
0
0
.
99


55
Tree Diagram
S 0L  0.996 S 0L  0.1S1L  0.1S 2L  0.01S3L
S1L  0.002 S 0L  0.899 S1L
S 2L  0.002 S 0L  0.899 S 2L
1  S 0L  S1L  S 2L  S3L
S3L  0.001S1L  0.001S 2L  0.99 S3L
S  0.958254
L
0
S  0.018975
L
1
S 2L  0.018975
S3L  0.003794
♣ Sehingga pada interval ke -3
tersebut rata – rata downtime
steady-state sebesar 0.3794%
Availability
•Penggunaan limiting state probability dari markov model pada perkiraan dari
Availability / Unavailability suatu sistem adalah cukup efektif.
•Misal :
Dari soal sebelumnya hitung steady state availability dari sistem.
Solusi:
• Jika kita lihat sistem tersebut sukses pada state 0,1 dan 2. Sehingga probability dari availability
sistem.
A( s )  S  S  S
L
0
L
1
L
2
 0.958255  0.018975  0.018975
 0.996205
Time-Dependent Availability
 Ketika model diskrite time markov mulai pada t=0 dalam sebuah bagian
starting state, Availability akan bervariasi terhadap waktu.
 Availability merupakan kemungkinan sistem akan sukses pada waktu
tertentu dan merupakan representasi dari prosentase uptime suatu
device.
 Availability sistem sering di rumuskan sebagai :
MTTF
A
MTTF  MTTR
Time-Dependent Availability
Dengan menggunakan model markov untuk menghitung Time dependent
availability sistem adalah cukup efektif.
Misal:
 Dari contoh sebelumnya time-dependent availability sistem setelah step 1 ( 1 jam ) adalah.
0 
0.996 0.002 0.002
 0.1 0.899

0
0
.
001
  0.996 0.002 0.002 0
S 1  1 0 0 0 
 0 .1
0
0.899 0.001


0
.
01
0
0
0
.
99


0 
0.996 0.002 0.002
 0.1 0.899

0
0
.
001
  0.992416 0.00379 0.00379 0.000004
S 2  0.996 0.002 0.002 0 
 0 .1
0
0.899 0.001


0
0
0.99 
 0.01
Time-Dependent Availability
 Sehingga Availability sama dengan jumlah probabilitas pada state 0,1
dan 2. yaitu 0.999996.
Kesimpulan
 Metode Markov mempermudah dalam penghitungan Reliability maupun
Availability.
Contoh Proses
62
Contoh Penentuan SIL
63
Contoh Proses
64
Solusi Tentative
65
66
Reference
• ISA- TR84
• Catatan Kuliah Keselamatan dan Kelayakan sistem Otomasi
• Suwito, Arnold, TF-ITB
67
Download