Meningkatkan Kinerja Aset dengan Pembelajaran Mesin
Eksekutif industri saat ini menemukan cara baru untuk memaksimalkan keandalan dan nilai aset mereka. Dengan manajemen kinerja aset yang didukung oleh Industrial Internet of Things (IIoT) dan pembelajaran mesin, perusahaan dapat memanfaatkan peralatan dan data proses untuk memperpanjang masa pakai aset mereka dan mencapai keandalan yang optimal.
Rata-rata, hingga 15 persen dari margin kotor dimakan oleh waktu henti yang tidak direncanakan. Sebagai perbandingan, performa terbaik di kelasnya diperkirakan sebesar 5 persen. Menghilangkan kerugian ini akan membutuhkan pemeliharaan dan produksi untuk bekerja sama dengan cara baru.
Pendekatan tradisional untuk keandalan telah membangun model prinsip pertama dari aset, menyesuaikan model dengan data waktu nyata, menerapkan faktor korektif atau membuat aturan untuk akurasi, membandingkan keluaran model dengan data waktu nyata dan menyoroti penyimpangan statistik dari kondisi normal. . Namun, model ini hanya melihat data aset. Mereka tidak dapat "melihat" ke hulu dalam proses untuk mengidentifikasi perilaku kausal yang menurunkan aset dan hanya dapat memberi sinyal ketika kerusakan mulai terlihat — ketika kerusakan sudah terjadi.
Metode konvensional untuk memprediksi kinerja ini dikembangkan 40 tahun yang lalu dalam model berdasarkan persamaan teknik, teknik statistik, dan mesin aturan, tetapi banyak yang masih mengandalkannya. Pembelajaran mesin baru muncul belakangan ini. Kedua teknik sering kali muncul untuk memecahkan masalah yang sama tetapi berbeda dalam bidang keterlibatan manusia dan akurasi prediksi.
Teknik pemodelan, yang membutuhkan pengalaman dan keterampilan yang luas dengan teknik kalibrasi yang tepat, telah dan terus menjadi sangat sukses. Dengan prinsip pertama, perilaku tertentu harus dipahami. Model dinamis real-time menawarkan prediksi perilaku perkiraan kapan saja, memberikan pemahaman mendalam tentang kinerja yang diharapkan.
Apa yang membuat pemecahan masalah gangguan yang tidak direncanakan dan waktu henti begitu menantang adalah sifat dinamis dari proses produksi. Dengan ribuan variasi yang terjadi secara bersamaan dalam proses, sulit bagi model untuk memprediksi dengan tepat pola atau tren mana yang akan mengarah pada peristiwa yang tidak direncanakan.
Model prinsip (rekayasa) pertama hanya menunjukkan perilaku yang diperkirakan, diharapkan, atau dirasakan berdasarkan kinerja kasus terbaik yang bersih secara higienis. Seberapa sering peralatan mekanik bekerja seperti ini?
Apakah sama pada throughput 30, 50, 100 atau 110 persen? Sebaliknya, pembelajaran mesin dapat belajar berdasarkan perilaku dunia nyata yang sebenarnya dari peralatan dalam semua kondisi, termasuk variasi musiman, kampanye operasi yang berbeda, memulai/mematikan, dan mengubah siklus tugas. Ini juga dapat memperhitungkan proses yang memburuk dan kinerja mekanis.
Pembelajaran mesin menambang proses dan data aset untuk peringatan dini. Ini sangat membantu dalam menemukan pola dalam proses yang menandakan masalah aset di masa depan. Dengan mengidentifikasi perilaku proses yang merupakan akar penyebab degradasi, masalah dapat diidentifikasi jauh lebih awal.
Dengan pendekatan ini, analisis risiko dan pembelajaran mesin bekerja sama untuk memprediksi kegagalan aset secara terus-menerus dan akurat berminggu-minggu atau berbulan-bulan sebelumnya. Ini dapat memberikan waktu untuk merencanakan, mengoordinasikan, dan mengambil tindakan daripada hanya bereaksi. Kali inilah yang memungkinkan pemeliharaan dan produksi bekerja sama dengan cara baru.
Aplikasi pembelajaran mesin tidak membangun model dalam pengertian tradisional tentang keseimbangan panas/materi dan persamaan politropik termodinamika, logika dan aturan, dan interpretasi statistik. Mereka mengukur tanda kegagalan daripada mesin model.
Diterapkan dengan keterampilan dan pengetahuan domain, machine learning menyerap sensor terukur dan data pemeliharaan yang dikumpulkan selama periode waktu yang lama untuk mengidentifikasi pola yang sangat kecil, multi-variasi, dan temporal yang tidak dapat dilihat manusia.
Pola yang ditemukan adalah tanda yang tepat yang mendefinisikan perilaku normal dan ekskursi yang mengarah pada degradasi dan kegagalan. Demi kesesuaian, kita dapat menyebut model tanda tangan ini, tetapi secara konseptual jauh dari ide-ide rekayasa atau model matematika.
Tanda-tanda kegagalan yang dikembangkan dengan pembelajaran mesin tidak mengetahui atau peduli tentang jenis mesin, industri di mana ia digunakan atau prinsip-prinsip teknik di balik operasinya. Tanda tangan hanya peduli bahwa ada cukup sensor yang menyediakan cukup data yang berisi hubungan yang dapat dipelajari antara sensor untuk secara akurat menyatakan perilaku pengoperasian aset melalui keadaan normal dan degradasi/kegagalan.
Bahkan perpustakaan dengan 125 model tidak dapat mendekati ratusan ribu aset unik yang membutuhkan perlindungan. Namun, pembelajaran mesin dapat dengan cepat menilai pola dan menerapkan pada aset yang belum pernah dilihat sebelumnya dalam hitungan jam atau menit tanpa keterampilan teknik yang intens. Pendekatan terbaik di kelasnya dapat melakukannya tanpa keterampilan ilmu data, berjalan secara otomatis in-line dan real-time, dan menyajikan hasil yang dapat ditindaklanjuti dalam hitungan detik.
Jika Anda masih hanya mengandalkan model prinsip pertama, inilah saatnya untuk memodernisasi. Menggunakan kombinasi model dan pembelajaran mesin adalah cara paling ampuh untuk mendeteksi dan menghindari kondisi operasi proses yang berisiko. Kombinasi ini dapat menjelaskan kondisi eksplisit kapan saja menggunakan model, dengan pembelajaran mesin yang mengkalibrasi dan menyempurnakan model secara otomatis tanpa banyak panduan manusia atau aturan pemrograman.
Ini adalah yang terbaik dari kedua dunia — status proses yang akurat dan tepat waktu bersama dengan kalibrasi yang lebih sederhana. Ini juga memberi tim pemeliharaan dan operasi Anda wawasan yang dibutuhkan untuk bekerja sama demi kinerja terbaik.
Baca selengkapnya:Efektivitas Peralatan Secara Keseluruhan
Tentang Penulis
Michael Brooks adalah konsultan penasihat senior dalam manajemen kinerja aset untuk AspenTech.
