Pemeliharaan Prediktif:Aplikasi Pembunuh Intelijen Berkelanjutan
CI berdasarkan analisis sensor dan data IoT dapat membantu menemukan perubahan status di perangkat dan membuat prediksi tentang kemungkinan kegagalan aset.
Analisis data real-time dan historis tentang suatu aset dapat menemukan masalah yang mungkin menyebabkan kegagalan suatu bagian atau perangkat. Dibandingkan dengan penggantian aset berbasis kalender, pemeliharaan prediktif jauh lebih efektif dalam mencegah waktu henti, sekaligus mendapatkan masa pakai maksimum dari suatu bagian atau peralatan. Dengan demikian, pemeliharaan prediktif adalah aplikasi pembunuh untuk kecerdasan berkelanjutan (CI).
Lihat juga: Analisis Waktu Nyata di Lingkungan Besar yang “Brutal”
Kemampuan tersebut dapat membantu mengidentifikasi suku cadang atau peralatan yang mungkin gagal sebelum waktu penggantian dan pemeliharaan yang dijadwalkan. Manfaat sebenarnya datang dengan kecerdasan buatan digunakan untuk mendeteksi masalah potensial. Jika kecerdasan ini kemudian digunakan oleh sistem pakar, peringatan dapat dikirim sebelum masalah terjadi, dan tindakan korektif berdasarkan informasi yang diperoleh dapat disampaikan kepada mereka yang bertanggung jawab untuk memelihara peralatan.
Mengapa kemampuan seperti itu sangat penting?
Biaya downtime di industri termasuk manufaktur, penerbangan, eksplorasi energi, utilitas, dan telekomunikasi sangat mengejutkan. Rata-rata perusahaan minyak dan gas lepas pantai mengalami sekitar 27 hari waktu henti yang tidak direncanakan dalam setahun, yang dapat menyebabkan kerugian sebesar $38 juta. Dalam beberapa kasus, jumlah ini bisa mencapai $88 juta.
Pada tahun 2018, biaya perawatan tidak terencana maskapai penerbangan lebih dari $20 miliar atau sekitar 27% dari seluruh pengeluaran perawatan. Ini memiliki efek cascading pada operasi jaringan karena hampir 3,8% dari semua penundaan dan pembatalan penerbangan disebabkan oleh peristiwa Aircraft on Ground (AOG). Kuantifikasi masalah ini dan manfaat pemeliharaan prediktif menunjukkan bahwa data dan analitik hampir dapat mengurangi separuh tagihan pemeliharaan yang tidak direncanakan, yang memungkinkan maskapai mengurangi biaya terkait hingga sekitar 14% dari total pengeluaran pemeliharaan.
Peran CI dalam pemeliharaan prediktif
CI berdasarkan analisis sensor dan data Internet of Things (IoT) dapat membantu dengan melihat perubahan status pada perangkat dan membuat prediksi tentang kemungkinan kegagalan suatu aset.
Mengapa CIDibutuhkan? Pendekatan tradisional untuk pemeliharaan menunggu sesuatu yang salah sangat buruk untuk bisnis. Dan mengganti suku cadang berdasarkan jadwal pemeliharaan berbasis kalender pabrikan dapat mengakibatkan suku cadang yang baik diganti dengan baik sebelum rusak.
Alih-alih bereaksi setelah fakta, wawasan CI ke akar penyebab masalah yang menyebabkan downtime, cacat, inefisiensi, atau peluang yang terlewatkan sebelumnya berpotensi memangkas biaya dan meningkatkan efisiensi operasional.
Semakin banyak industri yang menggunakan perangkat IoT untuk mengumpulkan wawasan tersebut, menggunakan perangkat untuk mendapatkan informasi tentang setiap aspek operasi mereka. Sayangnya, satu masalah yang dihadapi sebagian besar perusahaan adalah perangkat IoT menghasilkan volume data yang sangat besar. Satu laporan industri memperkirakan bahwa jumlah data yang dihasilkan oleh IoT akan mencapai 4,4 zettabyte pada tahun 2020, dari hanya 0,1 zettabyte pada tahun 2013.
Memanfaatkan data tersebut, yang terus-menerus dihasilkan, membutuhkan strategi baru. Data tidak bisa begitu saja disimpan dan kemudian dianalisis. Nilai sebenarnya datang untuk melakukan analisis waktu-nyata saat aliran data masuk. Untuk memperoleh wawasan tentang aliran data tersebut, banyak perusahaan melengkapi analisis tradisional dengan algoritma kecerdasan buatan (AI) dan pembelajaran mesin (ML) waktu-nyata. Pendekatan semacam itu memungkinkan bisnis mendapatkan informasi pengambilan keputusan dari data dalam jangka waktu yang memungkinkan perusahaan untuk mengambil tindakan proaktif.
Secara khusus, penggunaan industri AI dan ML yang diterapkan pada data IoT dipandang sebagai cara yang bagus untuk meningkatkan perkiraan pemeliharaan dan aspek operasi lainnya. Alasannya:AI dan ML dapat membantu membuat prediksi tentang sistem yang kompleks. Ini dapat membantu mengurangi waktu henti alat berat melalui pemeliharaan prediktif.
Salah satu kendala yang mencegah adopsi cepat CI untuk pemeliharaan preventif adalah infrastruktur. Saat ini, sebagian besar organisasi tidak memiliki infrastruktur untuk memanfaatkan sepenuhnya CI yang diterapkan pada streaming data IoT.
Apa isu-isunya? Organisasi industri besar dapat mengumpulkan miliaran kumpulan data dari mesin, sensor, dan aplikasi bisnis internal. Saat organisasi bergerak ke inisiatif IoT baru, penting untuk mempertimbangkan teknologi dan proses baru yang akan mengikuti arus data yang besar ini.
